بررسی آزمایش های یادگیری ماشین در تصمیم گیری سرمایه گذاری سهام عدالت: چرا اکثر یافته های تحقیقاتی منتشر شده به قول خود در زندگی واقعی عمل نمی کنند

ماهیت عددی بازارهای مالی باعث می شود پیش بینی بازار و ساخت نمونه کارها یک مورد استفاده مناسب برای یادگیری ماشین (ML) ، شاخه ای از هوش مصنوعی (AI) باشد. طی دو دهه گذشته ، تعدادی از دانشگاهیان در سراسر جهان (بیشتر از حوزه علوم کامپیوتر) بدن قابل توجهی از تحقیقات تجربی تولید کردند. بسیاری از نشریات ادعا می کنند پیش بینی های بسیار دقیق یا استراتژی های سرمایه گذاری بسیار سودآور. در عین حال ، تصویر سرمایه گذاری های مبتنی بر AI در دنیای واقعی مبهم و آشکار در موارد موفقیت با مشخصات بالا نیست (در حالی که فاقد شکست های مشخص نیست). ما یک بررسی ادبیات از 27 آزمایش دانشگاهی را طی دو دهه انجام دادیم و آنها را با نمونه های واقعی از بودجه یادگیری ماشین در تضاد قرار دادیم تا سعی در توضیح این تضاد آشکار داشته باشیم. مشارکتهای خاص مقاله ما به شرح زیر است: (1) یک بررسی جامع ، موضوعی (کمی و کیفی) آزمایش های علمی متعدد از دیدگاه مدیریت سرمایه گذاری..(3) توصیه هایی در مورد چگونگی نزدیک شدن به آزمایش های آینده به گونه ای که نتایج آنها به طور واضح قابل اندازه گیری و برای صنعت سرمایه گذاری مفید باشد.(4) مقایسه عمیق موارد زندگی واقعی وجوه ML محور در مقابل آزمایش های دانشگاهی. ما در مورد اینکه آیا الگوریتم های ML امروزی می توانند سرمایه گذاری های عملی و سودآور را در بازارهای سهام عدالت انجام دهند ، بحث خواهیم کرد.

روی نسخه خطی کار می کنید؟

از رایج ترین اشتباهات خودداری کنید و نسخه خطی خود را برای ویراستاران ژورنال آماده کنید.

معرفی

در این مقاله 27 مقاله مورد بررسی همکار مورد بررسی قرار می گیرد که آزمایشات پیش بینی بازار هوش مصنوعی را در طی دو دهه گذشته توصیف می کند (جزئیات معیارهای ورود به مطالعه در پیوست A است). بیشتر آنها بر پیش بینی کل بازار تمرکز می کنند (که توسط یک شاخص سهام معیار) ارائه شده است. تقریباً همه آنها با استفاده از یک یا چند مورد از معیارهای محبوب مانند میانگین خطای درصد مطلق (MAPE) ، میانگین انحراف مربع/خطا (RMSD/RMSE) ، میانگین انحراف/خطا (MSD/MSE) ، دقت پیش بینی بزرگی را ادعا می کنند. میانگین خطای مطلق (MAE). بسیاری از آنها همچنین از یک اقدام ساده به نام "نرخ ضربه" استفاده می کنند که دقت جهت گیری یک پیش بینی را اندازه گیری می کند. ما از منظر امکان سنجی و کاربرد آنها در مدیریت سرمایه گذاری در دنیای واقعی به آنها نزدیک خواهیم شد.

به موازات ، ما داده های بازار موجود را در مورد وسایل نقلیه سرمایه گذاری ML محور ("صندوق های AI") تجزیه و تحلیل خواهیم کرد. این داده ها تا حدودی به دلیل محافظت از IP قابل درک از طرف مدیران سرمایه گذاری فردی محدود است ، اما در درجه اول به دلیل این واقعیت است که بر اساس داده ها و بینش های صنعت موجود ، تعداد صندوق های هوش مصنوعی و دارایی های آنها تحت مدیریت (AUM) بسیار کم استدر مقایسه با اندازه صنعت.

سؤال اصلی که ما سعی خواهیم کرد به آن پاسخ دهیم این است: آیا می توان هوش مصنوعی امروز یک سرمایه گذار مداوم سودآور در دنیای واقعی بود؟(لطفا توجه داشته باشید: "سازگار" به معنای "سود هر روز" نیست ؛ این به معنای "کسب سود کلی رضایت بخش طی چند سال" است. ما از 2 منظر به آن خواهیم پرداخت: تجربی و دانشگاهی. خواهیم دید که آیا مدیران صندوق و دانشگاهیان به همان نتیجه گیری رسیده اند. خواه آنها یا نه ، ما تجزیه و تحلیل خواهیم کرد که چرا.

ما مقالات را از منظر تمرکز سرمایه گذاری آنها گروه بندی کردیم و آنها را به چهار دسته اصلی تقسیم کردیم:

پیش بینی بازار - برنامه هایی که در آن الگوریتم های ML سعی در پیش بینی عملکرد یک یا چند بازار منتخب دارند ، که توسط یک شاخص معیار ارائه شده است. در این تنظیم ، تمرکز پیش بینی شده و امکان تولید سیگنال های معاملاتی (خرید ، فروش ، نگه داشتن ، کوتاه) است. هیچ ساختاری فعال نمونه کارها وجود ندارد - شاخص بنفش مارک نمونه کارها است و الگوریتم تصمیمات تخصیصی فعال نمی گیرد.

پیش بینی سهام فردی - برنامه هایی که در آن الگوریتم های ML سعی در پیش بینی عملکرد یک یا چند سهام فردی داشتند. در اصل ، پیش بینی سهام و پیش بینی بازار بسیار مشابه است و در دسته وسیع تری از پیش بینی های سری زمانی قرار می گیرد.

ساخت و سازهای نمونه کارها Bespoke - آنهایی که الگوریتم های هوش مصنوعی در آن تلاش کرده اند عملکرد تعدادی از سهام را پیش بینی کنند و یک نمونه کارها سودآور ایجاد کنند ، به طور مستقل تعیین کننده دارایی (وزن) تعیین می کنند.

دیگر - تمام تحقیقاتی که در هیچ یک از دسته های فوق جای نمی گیرد.

در این باقیمانده از این بخش ، تعدادی از ملاحظات و توضیحات مربوط به استفاده از هوش مصنوعی در تصمیم گیری سرمایه گذاری به طور کلی و به ویژه به مقاله خود را معرفی خواهیم کرد.

ابهام تعریف "صندوق هوش مصنوعی"

به منظور ارتباط آزمایش های دانشگاهی با تمرین بازار (که ما در بخش بحث انجام می دهیم) ، مطالعات موردی ما روی وجوهی تمرکز می کند که در آن از یادگیری ماشین (تا حد قابل توجهی) در فرایند تصمیم گیری سرمایه گذاری استفاده می شود. لطفاً توجه داشته باشید که ما وجوهی را که AI یکی از ابزارهای موجود برای تصمیم گیری سرمایه گذاری است (به عنوان مثال ، انسان AHL) حذف خواهیم کرد و روی آنهایی که AI تصمیم گیرنده اصلی سرمایه گذاری است تمرکز خواهیم کرد.

سرمایه گذاری در مقابل تجارت

تجارت یک عمل خرید یا فروش ابزار مالی است (سهام ، اوراق قرضه ، کالاها - هر چیزی). این اجرای یک تصمیم خرید/فروش است. در مجالس مشترک ، تجارت به طور کلی مترادف با حدس و گمان است ، یعنی ترانزیت کوتاه مدت (یا بسیار کوتاه مدت) با هدف ایجاد سود فوری-در موارد شدید و بدون هیچ استراتژی بلند مدت خاص یا تمرکز کلاس/کشور/داراییبشراین معنی دوم است که بیشتر شهرت خود را (اگر نه کاملاً بد) تجارت می کند.

سرمایه گذاری به معنای تعهد طولانی مدت است که به دنبال نوعی استراتژی است ، که در آغاز بیان شده و توسط سرمایه گذاران پذیرفته شده است.

هزینه های معاملاتی/"سود کاغذ" در مقابل سود دنیای واقعی

هزینه های معاملات توسط واسطه ها (معمولاً کارگزاران) برای اجرای معامله هزینه می شود. کارگزاران چندین بازیکن بازار را به هم متصل می کنند و برای هر "فروش" و برعکس "خرید" می یابند. کارگزاران کمیسیون خدمات خود را شارژ می کنند.

هزینه های معاملات یک نکته مهم است. آنها همیشه در حال کاهش هستند ، اما هنوز ناچیز نیستند (به ویژه برای سرمایه گذاران خرده فروشی). اگر سود در یک معامله کمتر (یا مساوی) از هزینه معامله باشد ، پس از آن نمونه کارها ضرر می کند (در بهترین حالت: شکستن یکنواخت). این منطق برای هر معامله اعمال می شود و ممکن است بین سود شبیه سازی شده (حتی یک چشمگیر) و ضرر در دنیای واقعی تفاوت ایجاد کند.

محدودیت های کوتاه

Most of the algorithms work with an implicit or explicit constraint of going long only (meaning that any individual asset’s weight w would be 100% > = w >0 ٪)این فرصت های سود را محدود می کند ، زیرا سرمایه گذار فقط در شرایطی که ارزش سبد سهام آنها (چه کل بازار باشد یا یک سبد خرید) افزایش می یابد ، سود می برد. با این حال ، سرمایه گذاران ممکن است در مورد چشم انداز سرمایه گذاری های خود ، پاورقی 1 ، هر دو دیدگاه مثبت و منفی داشته باشند و فقط از سودهای مثبت محدود نمی شوند. با کوتاه رفتن ، سرمایه گذاران از ارزش سرمایه گذاری های خود سود می برند. یک سوال باز و پاورقی بحث 2 در مورد اخلاق و اخلاق کوتاه کردن وجود دارد ، اما نکته اصلی این است که قانونی ، ساده و متداول است.

2 دلیل احتمالاً وجود دارد که بیشتر نویسندگان رویکرد طولانی را انتخاب کرده اند:

بسیار بصری تر است.

این نیاز محاسباتی کمتری نسبت به یک رویکرد طولانی/کوتاه دارد.

Additionally, it prevents the algorithm from recommending extreme weights on the long and short sides (given that portfolio weights *always* add up to 100%, an unconstrained long/short algorithm could recommend weights like − 999,900% and + 1,000,000%, which would not be feasible in the real world). Then again, this could be solved very easily by capping portfolio weights at, for example 100% > = n >= -100 ٪.

در نمونه کارها بازار (به عنوان مثال ، یک شاخص معیار) ، تمام دارایی ها دارای وزن مثبت هستند ، بنابراین سرمایه گذار فقط با بالا رفتن بازار سود می برد.

قوانین و مقررات

در حالی که هیچ آیین نامه اختصاصی پوشش هوش مصنوعی در خدمات مالی (هنوز) وجود ندارد ، مقررات موجود وجود دارد که می تواند برای آن اعمال شود (مستقیم یا غیرمستقیم).

مقررات براساس منطقه متفاوت است و همیشه از نظر دامنه بین حوزه های قضایی مختلف معادل نیست (به طور معمول پیشرفته ترین بازارها دارای جامع ترین و آینده نگر ترین مقررات هستند). ما از 2 قطعه تنظیم شده مشهور در انگلستان استفاده خواهیم کرد (اولین مورد در انگلستان خاص و مورد دوم در سطح اتحادیه اروپا است).

از دسامب ر-2019 به بعد ، بیشتر موسسات مالی در انگلستان تحت پوشش مدیران ارشد و پیشرفته ارشد و رژیم صدور گواهینامه (SMCR) قرار گرفته اند [1]. فرضیه SMCR این است که صریح تصمیم گیرندگان کلیدی در سازمان های مالی نامگذاری شود و آنها را شخصاً (و همچنین قانونی و مالی) در قبال اقدامات و تصمیمات خود پاسخگو باشد. در نتیجه ، برای تصمیمات سرمایه گذاری که توسط یک سیستم یادگیری ماشین انجام می شود ، باید یک "انسان در حلقه" وجود داشته باشد. حتی اگر تصمیمات فقط توسط یک الگوریتم گرفته شود ، فرد نامگذاری شده (مدیر نمونه کارها) هنوز هم باید آنها را تصویب کند و با این کار مسئولیت و مسئولیت پذیری را تحت SMCR فرض کنید.

تحت SMCR دو ردیف قوانین رفتار وجود دارد و تعدادی از آنها را می توان برای نظارت بر تصمیم گیری سرمایه گذاری (یا عدم وجود آن) اعمال کرد:

1 st stier ، قانون شماره 2: "شما باید با مراقبت ، مهارت و کوشش عمل کنید" (اجازه می دهد هوش مصنوعی بدون کنترل و مبهم نقض احتمالی هر سه باشد).

1 st Tier ، قانون شماره 4: "شما باید به منافع مشتریان توجه داشته باشید و با آنها عادلانه رفتار کنید" (اعتماد به یک الگوریتم "جعبه سیاه" با دارایی های مشتری احتمالاً * * پرداخت * با احترام به منافع آنها).

2 ردیف ، قانون شماره 1: "شما باید اقدامات معقول و منطقی انجام دهید تا اطمینان حاصل کنید که تجارت بنگاه که مسئولیت آن را بر عهده دارید به طور مؤثر کنترل می شود"

در حالی که SMCR بر رفتار متمرکز است ، مقررات MIFID II در سطح اتحادیه اروپا [2] منطقه ای بسیار وسیع تری را شامل می شود ، از جمله ، از نظر مهم ، مناسب بودن سرمایه گذاری (های) توصیه شده. ماده 25 (2) کاملاً واضح بیان می کند: "هنگام ارائه مشاوره سرمایه گذاری یا مدیریت نمونه کارها ، شرکت سرمایه گذاری باید اطلاعات لازم را در مورد دانش و تجربه مشتری مشتری یا بالقوه مشتری در زمینه سرمایه گذاری مربوط به نوع خاص محصول یا خدمات ، آن شخص بدست آورد. وضعیت مالی از جمله توانایی وی برای تحمل ضرر ، و اهداف سرمایه گذاری وی از جمله تحمل ریسک وی به گونه ای که شرکت سرمایه گذاری بتواند خدمات سرمایه گذاری و ابزارهای مالی مناسب برای او را به مشتری یا مشتری بالقوه توصیه کند و به ویژه در آن باشدمطابق با تحمل ریسک وی و توانایی تحمل ضرر. "

یک سرمایه گذار که دارایی های خود را در یک وسیله نقلیه با مدیریت AI قرار داده است ، که متعاقباً خسارات قابل توجهی متحمل شده است ، ممکن است به دلیل مناسب بودن ، ادعای معتبر فروش را علیه مدیر دارایی خود داشته باشد. حتی اگر ماهیت "جعبه سیاه" الگوریتم فاش شود ، ممکن است مشتری هنوز ادعا کند که این سرمایه گذاری نامناسب بوده است ، زیرا ممکن است تعیین مناسب بودن و بازار هدف مناسب برای یک استراتژی مات غیرممکن باشد.

Mifid II در واقع یک قدم جلوتر می رود. یکی از استانداردهای فنی نظارتی آن (RTS ؛ در این مورد RTS 6) [3] کاملاً به الزامات شرکتهای سرمایه گذاری که درگیر تجارت الگوریتمی هستند اختصاص یافته است. یکی از ضمیمه ها ، الزامات افشای تصمیم گیرنده سرمایه گذاری در یک شرکت را شامل می شود-که می تواند انسانی باشد (توسط قانونگذاران اتحادیه اروپا به عنوان "اشخاص طبیعی" یاد می شود) یا یک الگوریتم. MIFID II احتمالاً مهمترین و پیش فرض ترین تنظیم مقررات مربوط به تصمیم گیری سرمایه گذاری توسط یک الگوریتم است (که علیرغم بحث در مورد اینکه چه چیزی یک الگوریتم را تشکیل می دهد ، به احتمال زیاد هوش مصنوعی را پوشش می دهد).

جالب اینجاست که حتی قبل از عیاط دوم ، پیش زمینه هایی از مشتریانی وجود داشتند که از مدیران سرمایه گذاری خود به دلیل ناامید کردن عملکرد سرمایه گذاری شکایت می کردند. پاورقی 3 در صورت عدم وجود مقررات صریح ، این ادعا سهل انگاری بود.

تفکر برش در لمس های MIFID II (به طور غیرمستقیم) با توجه بسیار گسترده تر: وضعیت قانونی الگوریتم ها. در حال حاضر ، این یک بحث کاملاً نظری است. الگوریتم ها به شکلی که سایر اشخاص غیر انسانی می توانند (ایالت ها ، شرکت ها) می توانند شخصیت حقوقی را داشته باشند و نمی توانند. در نتیجه ، برای هر * تصمیم سرمایه گذاری * که توسط یک الگوریتم گرفته شده است ، مسئولیت با شخصی خواهد بود که تصمیم را تصویب کرده است (در SMCR و چارچوب های مشابه) ، یک شرکت سرمایه گذاری یا هر دو.

بحث

بررسی موضوعی

تجزیه و تحلیل ما بر پیش بینی کل بازار حاکم است [4،5،6،7،8،9،10،11،12،13،14،15،16،17،18] با تعدادی از موارد پیش بینی سهام فردی [19، 20،21،22،23،24،25،26،27]. این دو چنان مشترک دارند که از نظر تحلیلی در همان گروه (پیش بینی سری قیمت) تعلق دارند ، حتی اگر از دیدگاه سرمایه گذاری آنها نباشند (تخصیص به بازار (های) خاص با انتخاب سهام فردی بسیار متفاوت است). 2 مورد از ساخت و ساز نمونه کارها [28 ، 29] و یک مورد وجود دارد که واقعاً در گروه "دیگر" قرار می گیرد [30].

در میان آزمایشات پیش بینی شاخص ، 9 [4،5،6،8،8 ، 12،13،14،15] سعی در پیش بینی ارزش دقیق شاخص در آینده داشت ، در حالی که 6 [9،10،11 ، 16 ،17،18] تلاش کرد فقط تغییر جهت را پیش بینی کند (یعنی ، این شاخص در آینده بالا می رود یا پایین می آید). ما از رویکرد دوم طرفداری کردیم زیرا این خود را به آمار کاملاً واضح و بدون ابهام (٪ دقت جهت در طول دوره آموزشی با عنوان "نرخ ضربه") وام می دهد.

متأسفانه ، * هیچ یک * از آزمایشات پیش بینی سهام عدالت ، از میزان ضربه به عنوان اندازه گیری دقت پیش بینی کننده آن استفاده نمی شود. این گروه از آزمایشات با متنوع ترین اقدامات مشخص شد ، گاهی اوقات اندازه گیری دقت/خطای پیش بینی کننده به هیچ وجه و تمرکز بر بازگشت نمونه کارها. بازده تقریباً به اندازه یک معیار مبهم است ، اما در بازارها و دوره های زمانی کاملاً قابل مقایسه نیست. فقدان یکنواختی در مورد اقدامات دقت پیش بینی چیزی است که ما به راحتی نمی توانیم توضیح دهیم - ما انتظار داریم همان معیارهایی را که در پیش بینی بازار دیدیم ببینیم (نرخ ضربه ، مپ ، مای و غیره).

از 27 آزمایش ، 9 گروه کاربردی 6 پوند به صراحت [12،13،14 ، 20 ، 21 ، 24] و 3 به طور ضمنی [15 ، 27 ، 30] (یعنی ، آنها مجموعه های تنظیمات خود را نمی نامند ، اما به نظر می رسد ویژگی های مدل به نظر می رسدبرای مطابقت با ویژگی های گروه).

در تجزیه و تحلیل ادبیات ما ، ما 2 نوع گروه متمایز را شناسایی کردیم. ما می توانیم نوع اول را "گروه تک مرحله ای" بنامیم ، که به موجب آن مدل های تشکیل دهنده با هم کار می کنند تا پیش بینی (های) را ارائه دهند. ما می توانیم نوع دوم را "گروه چند مرحله ای" بنامیم ، جایی که از مدل های مختلف در مراحل خاص پیش بینی استفاده می شود (به عنوان مثال ، برای انتخاب ورودی و سایر (های) دیگر برای پیش بینی استفاده از آن ورودی ها استفاده می شود ، یا یکی از آنها استفاده می شود. برای بهینه سازی ساختار دیگری)."گروه های تک مرحله ای" و "گروه چند مرحله ای" اصطلاحات استاندارد صنعت نیستند-ما در طول نوشتن این مقاله با آنها همراه شدیم ، اما ما معتقدیم که افزایش تخصص و تمایز گروه ها ، معرفی اصطلاحات جدید را دارد.

نمایندگی نتایج/Backtest بیش از حد

مفهوم "بیش از حد Backtest" توسط ریاضیدان تحسین شده دیوید بیلی و همکاران به قلمرو سرمایه گذاری معرفی شد. در سال 2014 [31]. بیلی می نویسد: "بیش از حد مفهومی است که از یادگیری ماشین وام گرفته شده است و وضعیت را نشان می دهد که یک مدل مشاهدات خاص را به جای یک ساختار کلی هدف قرار می دهد."تضاد بین نتایج دانشگاهی و نتایج صنعت باعث شد تا نمایندگی نتایج ارائه شده در مقالات بررسی شده را زیر سوال ببریم. ما همچنین توسط تعدادی از نویسندگان با صراحت اعتراف کردند که نتایج ارائه شده یا بهترین نتیجه از یک مجموعه بزرگتر است ، یا به طور متوسط آزمایش های متعدد به طور موازی انجام شد. ما همه آزمایشات را مجدداً مورد بررسی قرار دادیم. برای هر یک از آنها می خواستیم بدانیم که چند تنظیم از همان مدل/تست اجرا/شبیه سازی موازی در مرحله * آزمایش * اجرا شده است (ما نگران این نیستیم که چندین مجموعه در مرحله آموزش استفاده شود - این دقیقاً همان مرحله تمرینی استبرای).

تعدادی از محققان در استفاده از بیش از یک مدل مدل در مرحله آزمایش صریح و صریح بودند. برعکس ، هیچ نویسنده ای صریح و واضح بیان نکرد که آنها فقط از یک پیکربندی * در آزمایش استفاده کرده اند (تعدادی از محققان آن را دلالت می کنند). تعدادی از محققان آن را دلالت کردند. ما فهمیدیم که در این منطقه حساس پتانسیل قابل توجهی برای خطاها وجود دارد که باعث ناراحتی نویسندگان می شود. در نتیجه ، ما به پایه های زیر ادامه دادیم:

مگر اینکه نویسنده (های) صریحاً در غیر این صورت بیان کند ، ما به طور پیش فرض فرض می کنیم که آنها فقط از پیکربندی مدل * یک * استفاده کرده اند.

توجه داشته باشیم که 9 آزمایش (از 27) فرض بر این بود که فقط از پیکربندی مدل * یک * استفاده کرده اند.

ما 2 آزمایش دیگر را نادیده گرفتیم که در آن نویسندگان را خیلی مبهم دیدیم تا در مورد تعداد تنظیمات ، استنباط هایی انجام دهند ، و 1 مورد دیگر که در آن چندین پیکربندی استفاده شده است ، اما تعداد دقیق ارائه نشده است.

ما 15 آزمایش باقیمانده را از نزدیک تجزیه و تحلیل کردیم. به منظور به حداقل رساندن پتانسیل برای سوء تفاهم ناراحت کننده ، ما به 15 به صورت ناشناس نگاه می کنیم.

میانگین تعداد تنظیمات مدل مورد استفاده در 15 آزمایش 70. 7 بود. این بلافاصله آنها را از دیدگاه سرمایه گذاری در زندگی واقعی رد می کند. با این حال ، میانه 5 معقول تر بود ، به این معنی که میانگین توسط تعدادی از افراد دور افتاده (که در واقع اینگونه بود) مورد استفاده قرار گرفت. با این حال ، 5 از منظر سرمایه گذاری در زندگی بهتر نیست. تنها شماره ای که در سرمایه گذاری در زندگی واقعی کار می کند 1 است. ما به تمرین انتخاب مدل بهترین عملکرد به عنوان "انتخاب گیلاس" اشاره کردیم. بدیهی است که بسیار نزدیک به بیش از حد پشتی بیلی است. مورد دوم به روند تطبیق یکی از تعدادی از نتایج با داده های آموزش اشاره دارد ، در حالی که اولی به ارائه آن (به طور ضمنی یا صریح) به عنوان یک نتیجه نماینده اشاره دارد.

به طور جداگانه ، ما همچنین توجه می کنیم که آزمایش های متعدد استحکام نتایج آنها را آزمایش می کنند (به عنوان مثال ، از طریق آزمایش اهمیت). با این حال ، این کار همیشه در مجموعه نتایج "گیلاس" انجام می شد ، که کل مفهوم را باطل می کند. با یک استخر به اندازه کافی بزرگ ، در نهایت با داده های قابل مشاهده در بازار مطابقت خواهد داشت (حتی اگر تصادفی باشد). همین کار را می توان برای آزمایش اهمیت اعمال کرد.

این بدان معناست که ارزش عملی (حداقل) 15 مقاله متأسفانه صفر است و این یک رویکرد بسیار محتاطانه است. ما معتقدیم که تعداد مقالاتی که بیش از یک پیکربندی مدل در مرحله آزمایش استفاده کرده اند ممکن است بسیار بالاتر از 15 باشد.

استفاده از خطاهای پیش بینی متوسط به عنوان شواهدی از دقت پیش بینی الگوریتم

در مجموعه مقالاتی که ما مورد تجزیه و تحلیل قرار دادیم ، 12 [4 ، 6،7،8 ، 12،13،14 ، 20 ، 25 ، 27 ، 29 ، 30] از یک یا چند خطای میانگین پیش بینی مانند MAPE استفاده کردند (میانگین خطای مطلق)، RMSD/RMSE (میانگین ریشه انحراف مربع/میانگین خطای مربع) ، MSD/MSE (میانگین انحراف مربع/میانگین خطای مربع) و MAE (میانگین خطای مطلق).

9 آزمایش [4،5،6 ، 9،10،11،12 ، 17 ، 18] از نرخ ضربه استفاده کرده است (٪ مواردی که جهت * * * بازار به درستی پیش بینی شده بود ، اما ارزش دقیق آن نیست).

در کل 18 از 27 آزمایش از یکی از معیارهای دقت پیش بینی استاندارد شده فوق استفاده شده است.

نرخ ضربه

نرخ ضربه را می توان به صورت عینی در آزمایشات مختلف مقایسه کرد. میزان ضربه ساده ، بدون ابهام است - و کاهش دهنده تر از سایر اقدامات. نرخ ضربه فقط نشان می دهد که آیا * جهت * پیش بینی با جهت تغییر قیمت ابزار اصلی مطابقت دارد - این میزان چنین تغییر را اندازه گیری نمی کند. با این حال ، دانستن جهت تغییر قیمت سازها می تواند به همان اندازه سودآور و مفید باشد که دانستن بزرگی چنین تغییراتی. ما به سادگی در دارایی هایی که قیمت آن پیش بینی می شود در بازه زمانی علاقه ما افزایش یابد (که می تواند از روزانه تا سالانه متفاوت باشد) سرمایه گذاری خواهیم کرد. اگر استراتژی ما اجازه کوتاه شدن را بدهد (یعنی شرط بندی بر ارزش یک امنیت برای سقوط و سودآوری از آن پاییز) ، ما می توانیم در عین حال کوتاه پیش بینی کرده باشد که دارایی ها در ارزش کاهش می یابد و از آن نیز سود می بریم. فقط با استفاده از نرخ ضربه ، که از داشتن اطلاعات کمتری نسبت به پیش بینی قیمت دقیق ناشی می شود ، ضرر خاصی وجود دارد. ما ممکن است در ابزاری سرمایه گذاری کنیم که قیمت آن در واقع از بازه زمانی منتخب بالا می رود - اما افزایش قیمت ممکن است حاشیه باشد. اگر ما Vodafone ، HSBC و Whitbread را پیش بینی کنیم که در طی یک سال بالا بروند و به نسبت مساوی روی آنها سرمایه گذاری کنند و افزایش قیمت سالانه آنها به ترتیب 7 ٪ ، 0. 5 ٪ و 13 ٪ است ، به احتمال زیاد ما این کار را خواهیم کرددر ضمن ، HSBC را یک سرمایه گذاری زیر حد متوسط در نظر بگیرید. داشتن پیش بینی تغییر در قیمت واقعی به ما کمک می کند تا بسیار کارآمدتر و سودآوری بیشتری اختصاص دهیم.

به طور خلاصه ، ما نرخ ضربه را یک معیار عالی برای مقایسه در چندین آزمایش می دانیم ، اما از دیدگاه یک سرمایه گذار جدی کافی نیست.

جالب اینجاست که نه آزمایشی که نویسندگان آن میزان ضربه را فاش کرده اند از جمله مواردی بودند که معیارهای عملکرد آنها بسیار مختلط بود. نیمی از آنها عملکردی فقط کمی بالاتر از حدس تصادفی برای یک مشکل طبقه بندی باینری داشتند [Enke and Thawowong 47 ٪ -69 ٪ بسته به الگوریتم. چیانگ 50 ٪ -62 ٪ بسته به بازار ؛کیم 52 ٪ -58 ٪ بسته به الگوریتم انتخاب شده ؛کیم 61. 7 ٪ ؛Zhong 56 ٪ -58 ٪ بسته به الگوریتم]. نیمی دیگر نتایج بسیار بالاتری داشتند [بسته به الگوریتم و بازار. چن 73 ٪ -83 ٪ بسته به افق پیش بینی ؛وانگ 70 ٪ -84 ٪ بسته به بازار ؛کارا 71 ٪ -76 ٪]. این یکی دیگر از نشانه های این است که الگوریتم های ML امروزی ممکن است کاملاً آماده تصمیم گیری در مورد سرمایه گذاری در یک سطح دقیق تر و سودآورتر از انسان نباشند (شکل 1).

طرح جنگل از نرخ ضربه همه آزمایشات قابل اجرا

اقدامات خطا میانگین

میانگین خطای مطلق درصد (MAPE)

Mape یک اقدام بسیار محبوب است که در 9 مقاله استفاده می شود. قدرت ظاهری آن این است که در ٪ بیان شده است و بنابراین به ظاهر قابل مقایسه و استاندارد است. MAPE به طور متوسط اختلاف مطلق ٪ بین مقدار پیش بینی و مقدار واقعی است.

میانگین انحراف مربع ریشه (RMSD)/میانگین خطای مربع (RMSE)

دومین واحد محبوب دقت پیش بینی میانگین انحراف مربع (RMSD) بود که در غیر این صورت به عنوان خطای میانگین مربع ریشه (RMSE) شناخته می شود ، که در 6 مقاله مورد استفاده قرار گرفت.

ما RMSD/RMSE را به منظور اندازه گیری دقت پیش بینی سری زمانی مالی در نظر می گیریم. بر خلاف MAPE یا نرخ ضربه ، واحدهای بصری و استانداردی ندارند. در صورت پیش بینی شاخص RMSD/RMSE در نقاط بیان می شود ، زیرا این واحد ارزش شاخص است (در نتیجه ، صحبت کردن در مورد "قیمت شاخص" کاملاً دقیق نیست ، اما این یک چهره گفتار گسترده است). در صورت پیش بینی سهام فردی RMSD/RMSE به مبلغ پولی بیان می شود. علاوه بر این ، RMSD/RMSE به راحتی قابل مقایسه نیست ، زیرا تابعی از مقادیر مطلق (هم پیش بینی و هم واقعی) است. این امر باعث می شود RMSD/RMSE نه تنها در آزمایشات مختلف ، بلکه در سری های زمانی مختلف نیز غیرقابل مقایسه باشد. علاوه بر این ، RMSD/RMSE نسبت به Outliers (به دلیل مربع) بسیار حساس است ، حتی اگر آنها نادر باشند. در شبیه سازی چهارم آزمایش ما ، در مجموع 7 مساحت (تفاوت قابل توجهی بین مقدار FTSE 100 پیش بینی و مقدار واقعی آن) از 253 نقطه داده داشتیم. این 7 Outliers RMSD/RMSE را از 368 (شبیه سازی #1 ، #2 و #3) به 497 افزایش داده است. اساساً ، ما هیچ ارزشی و توجیهی برای استفاده از RMSD/RMSE به عنوان معیار دقت پیش بینی در سری زمان مالی نمی بینیم:نه تنها قابل مقایسه ، مقیاس پذیر و حساس به Outliers نیست ، بلکه حتی وقتی که ما فقط به یک سری زمانی نگاه می کنیم به ما چیزی معنی دار نمی اندازد (یعنی وقتی ملاحظات مقایسه و مقیاس پذیری اعمال نمی شود).

میانگین انحراف مربع (MSD)/میانگین خطای مربع (MSE)

2 مقاله مورد استفاده میانگین انحراف مربع (MSD) ، در غیر این صورت به عنوان خطای متوسط مربع (MSE) شناخته می شود

فرمول 3: MSD/MSE.

MSD/MSE از نظر محاسباتی بسیار نزدیک به خطاهای مربع RMSD/RMSE - MSD/MSE است ، اما ریشه مربعی از آنها را نمی گیریم (ما می توانیم MSD/MSE را با واریانس مقایسه کنیم و RMSD/RMSE را با انحراف استاندارد مقایسه کنیم ، که یک مربع است. ریشه واریانس). انتقادات قابل استفاده در RMSD/RMSE نیز در مورد MSD/MSE اعمال می شود: به Outliers حساس است ، یک واحد استاندارد ندارد و در بین سری های مختلف قابل مقایسه نیست (عدم تفکیک حتی برای MSD/MSE حتی بیشتر از آنچه که هست بسیار بیشتر استبرای RMSD/RMSE به دلیل عدم گرفتن ریشه مربع). ما در MSD/MSE به عنوان اقدامات دقت پیش بینی نمی بینیم.

میانگین خطای مطلق (MAE)

2 مقاله مورد استفاده میانگین خطای مطلق (MAE) به عنوان اندازه گیری دقت پیش بینی

درست مانند MSD/MSE و RMSD/RMSE ، MAE کاستی های خود را در واحد غیر یکنواخت و عدم مقایسه در سری های زمانی مختلف دارد. بر خلاف MSD/MSE و RMSD/RMSE ، MAE به دلیل کمبود مربع نسبت به Outliers حساسیت کمتری دارد. همچنین درک آن بسیار ساده تر و بصری تر است. این ممکن است یک معیار مفید در تجزیه و تحلیل یک سری زمانی مستقل باشد. همچنین می تواند در مقایسه دقت پیش بینی مدل های مختلف اعمال شده در سری زمانی دقیقاً مورد استفاده قرار گیرد.

آزمایش - ایجاد سری زمانی "به طور متوسط سودآور"

ما میانگین خطاهای پیش بینی را به عنوان یک معیار ناقص می دانیم که دلیل منطقی ما به شرح زیر است: یک زن و شوهر از پیش بینی های بسیار نادرست ممکن است تنها چیزی باشد که برای تخلیه دارایی های یک نمونه کارها فراتر از نقطه بازیابی قابل قبول یا فراتر از نقطه تحمل ریسک سرمایه گذاران لازم است.(در آن مرحله ، آنها ضرر را تبلور می دهند و هر دارایی خود را ترک می کنند). در یک جدول زمانی به اندازه کافی طولانی (به عنوان مثال 1 سال) چنین مدل ممکن است به طور متوسط با پیش بینی های آن دقیق باشد و در پایان تعداد انگشت شماری از پیش بینی های شدید نادرست به طور متوسط انجام می شود و میانگین خطای پیش بینی ممکن است یک مدل قوی و موفق را نشان دهد.

همه این معیارها همچنین این واقعیت را نادیده می گیرند که در سرمایه گذاری نتیجه نهایی نتیجه ترکیب هندسی تمام نتایج روزانه فردی به صورت توالی است ، و * به طور متوسط.

ما خاطرنشان کردیم که آزمایشات با استفاده از میانگین خطاهای پیش بینی تقریباً دقت جهانی که با پدیده ای هم مرز است (90 ٪ -98 ٪). در بسیاری از موارد ، این معیارها به عنوان اثبات قطعی صحت ، استحکام و تعالی کلی یک مدل خاص ارائه شده است.

به جای اینکه آزمایش های خاص و نتایج آنها را زیر سوال ببرد (جایی که ما مجموعه کاملی از داده ها را نداریم) ، تصمیم گرفتیم که این اقدامات را خودمان در آزمایش قرار دهیم.

در آزمایش ما ، ما روزانه قیمت شاخص سهام FTSE 100 را از سال 2018 (253 نقطه داده) گرفتیم. ما می خواستیم ببینیم که آیا می توانیم سری زمانی از پیش بینی های شبیه سازی شده (مستند) را تولید کنیم که می تواند بسیار کم ماپه را نشان دهد (ما آن را به طور خودسرانه 5 ٪ تنظیم می کنیم ، و این بدان معناست که مدل 95 ٪ دقیق است) ، در عین حال از دیدگاه سرمایه گذاری بی فایده است. بشرما به دلیل تمام اقدامات میانگین خطای ، از MAPE به عنوان مرجع اصلی خود استفاده کردیم ، MAPE تنها موردی است که در ٪ بیان شده و در نتیجه مبهم است.

ما سناریوهای زیر را ابداع کردیم:

اولین پیش بینی شبیه سازی شده قیمت شاخص واقعی را 5 ٪ در روز بیش از حد ارزیابی کرد. بدین ترتیب 5 ٪ بود. دقت جهت 100 ٪ بود (بیشتر در مورد آن بعداً).

دومین پیش بینی شبیه سازی شده قیمت شاخص واقعی را در هر روز 5 ٪ دست کم گرفت. بدین ترتیب 5 ٪ بود. دقت جهت 100 ٪ بود.

پیش بینی سوم گاهی اوقات قیمت شاخص واقعی را 5 ٪ بیش از حد ارزیابی می کند و گاهی اوقات آن را با همان مبلغ دست کم می گیرد. MAPE هنوز 5 ٪ بود ، دقت جهت 47 ٪ بود.

در شبیه سازی چهارم ، پیش بینی معمولاً در فاصله 5 ٪ از قیمت شاخص واقعی بود ، به جز تعداد معدودی از قسمتهای خارج از کشور (30 ٪ زیر و بیش از حد). ماپ هنوز 5 ٪ بود ، دقت جهت 57 ٪ بود.

ما در این موقعیت قرار نداریم که بتوانیم بیان کنیم که کدام یک از سناریوهای فوق برای یک سبد در دنیای واقعی بسیار ناچیز است ، زیرا ما باید در مورد ساختار آن ، افق سرمایه گذاری ، محدودیت های طولانی/کوتاه ، خطر ، فرضیات متعددی ایجاد کنیممدارا و غیره - این نکته شبیه سازی ما نیست. نکته شبیه سازی ما این بود که نشان دهیم که MAPE نشانگر بسیار ضعیفی از استحکام و قوام یک مدل پیش بینی سری زمانی است و ما معتقدیم که این کار را انجام داده ایم.

با بازگشت به نکته در مورد کاربرد در دنیای واقعی ، شبیه سازی هایی که دقت جهت در منطقه 50 ٪ به صورت تجربی نشان می دهد که پیش بینی (در قلمرو باینری بالا یا پایین) بهتر از یک تلنگر نیست (یا خیلی بهتر نیست)سکه ، که آن را کاملاً رد می کند. 2 شبیه سازی که دقت جهت آن 100 ٪ بود برای کمک به ما در بیان نکته دیگری بسیار غیر واقعی بود: هیچ متریک به تنهایی تصویری کامل از استحکام و دقت پیش بینی یک مدل را ارائه نمی دهد. نرخ ضربه 100 ٪ دلالت بر سودآوری در استراتژی های خاص (یعنی حدس و گمان روزانه) دارد ، اما یک مدل پیش بینی که زیر (یا بیش از حد) قیمت 100 ٪ از زمان را به دست می آورد بعید است که توسط متخصصان سرمایه گذاری به آن اعتماد شود (شکل 2)بشر

پیش بینی های شبیه سازی شده سری زمانی

در پایان ، ما کاستی هایی را با تمام معیارهای فوق الذکر ، معیارهای مبتنی بر خطا مشاهده می کنیم. نرخ ضربه نسبتاً جهانی ، واضح و قابل مقایسه با همه آنها است ، اما با هزینه کاهش ارزش اطلاعاتی. صرف نظر از متریک (MAPE ، RMSD/RMSE ، MSD/MSE ، MAE) ما "میانگین" را کلمه چهار حرفی از پیش بینی سری زمانی مالی می دانیم. به نظر می رسد که هنگام نگاه به Outliers ، انتخاب بین بد و به همان اندازه بد است: معیارهایی که به آنها حساس هستند (RMSD/RMSE ، MSD/MSE) با مقادیر شدید "ربودن" می شوند. معیارهایی که نسبت به آنها حساسیت کمتری دارند (MAPE ، MAE) باعث می شود خطاهای پیش بینی عظیم (بالقوه ویرانگر) برای "میانگین خارج" را آسانتر کند. علاوه بر این ، تمام این معیارها (از جمله نرخ ضربه) از تأثیر زمانی و ترکیب ، که در امور مالی بسیار مهم است ، نادیده گرفته می شود: یک ضرر به اندازه کافی بزرگ (به ویژه در پایان دوره سرمایه گذاری) می تواند ماه ها یا سالها سود مرکب (غیر واقعی) را از بین ببرد.- اما به طور متوسط بازده و دقت پیش بینی می تواند بسیار بالا باشد.

در نتیجه ، از نظر ما تنها اندازه گیری واقعاً معنی دار از کیفیت پیش بینی مدل ، یک سری زمانی کامل از قیمت های پیش بینی است که می تواند در برابر قیمت واقعی بازار مقایسه شود. همچنین یک تجزیه و تحلیل جامع مستقل امکان پذیر خواهد بود. سود (حتی سود بالا) کافی نیست زیرا به مرور زمان بینش در مورد سازگاری مدل و تغییرپذیری پیش بینی ها در مقابل ارزش های واقعی نمی دهد.

نتایج دانشگاهی در مقابل نتایج صنعت سرمایه گذاری: یک ناهماهنگی شناختی

اکثر مقالات در بررسی ما ادعا می کنند که دقت پیش بینی خوب یا عالی (به ویژه با استفاده از میانگین خطاها - کمتر است ، بنابراین هنگام استفاده از دقت جهت) ، اغلب اوقات بیش از 90 ٪ و گاهی اوقات بیش از 98 ٪. این واقعاً دقت پدیده ای است ، که ما را به 2 نتیجه گیری منطقی سوق می دهد:

اگر الگوریتم های ML به طور مکرر و به طور قابل توجهی دقت پیش بینی را در محدوده 90 ٪ تحویل دهند ، انتظار داریم که آنها در صنعت مدیریت سرمایه گذاری تکثیر شوند.

اگر الگوریتم های ML به طور مکرر و به طور قابل توجهی دقت پیش بینی را در محدوده 90 ٪ تحویل دهند ، انتظار داریم تعداد معدود استقرار شناخته شده صندوق های سرمایه گذاری ML محور بازده بی نظیر را ارائه دهد.

هیچ یک از موارد فوق در صنعت مدیریت سرمایه گذاری مورد نیست.

با توجه به گسترش ML در صنعت مدیریت سرمایه گذاری ، به دست آوردن آمار غیر مبهم همیشه آسان نیست. صنعت مدیریت سرمایه گذاری در بین انواع مختلف اشخاص بسیار متفاوت و تقسیم شده است (صندوق های متقابل ، صندوق های بازنشستگی ، ETF ، صندوق های پرچین ، ثروت حاکمیتی و غیره) ، که با درجات مختلف شفافیت و افشای مشخص می شوند. طبق اعلام شرکت تحقیقاتی بازار جایگزین Preqin و مجله Wired ، از سال 2016 تقریباً وجود داشت. 1،360 صندوق های محافظت از "Quant" ، یعنی مواردی که اکثر تصمیمات سرمایه گذاری توسط مدل های رایانه ای گرفته شده است. از بین کل دنیای سرمایه گذاری ، صندوق های پرچین به احتمال زیاد مدل های برش را مستقر می کنند: آنها فقط برای سرمایه گذاران پیشرفته باز هستند (که افراد خصوصی را مستثنی نمی کند ، آنها نیاز به افشای و گزارش های بسیار کمتری دارند و می توانند تقریباً هر استراتژی سرمایه گذاری را که دوست دارند دنبال کنند. تا زمانی که سرمایه گذاران آنها آن را بپذیرند. طبق گفته Preqin ، 1،360 صندوق پرچین فوق الذکر دارایی های تحت مدیریت (AUM) 197 میلیارد دلار [32] را ترک کرده اند.، از جمله قوانین مبتنی بر قوانین که به عنوان ML واجد شرایط نخواهند بود. در حالی که ما فقط می توانیم حدس بزنیم ، احتمالاً صندوق های تامینی با استفاده از هوش مصنوعی کاملاً عکسبرداری در فرآیند تصمیم گیری خود احتمالاً بخشی از شماره 1،360/197BN USD است. AUM ، 197 میلیارد دلار در مقایسه با کل AUM صنعت صندوق های پرچین (3. 05TN USD [33]). حتی این مبلغ گزاف در مقایسه با کل AUM 500 مدیر صندوق سرمایه گذاری (غیر خاردار) تقریباً ناچیز است ، که در آنپایان سال 2017 در 93. 8TN دلار بود [34]. لطفاً توجه داشته باشید که 93. 8TN USD حتی منعکس کننده AUM کل صنعت مدیریت سرمایه گذاری نیست - این فقط 500 بازیکن بزرگ در سطح جهان است.

هیئت خدمات مالی گزارش نوامبر 2017 با عنوان "هوش مصنوعی و یادگیری ماشین در خدمات مالی" [35] نتیجه گیری های ما را با بیان "[…]" هوش مصنوعی خالص "و بازیکنان یادگیری ماشین در حدود 10 میلیارد دلار در AUM تأیید می کند ، اما این رقم رو به رشد استبه طور سریع". این رقم مبتنی بر بحث های FSB با سرمایه گذار با محوریت این حوزه خاص است ، که آن را حکایتی می کند ، اما ما اطمینان داریم که FSB - یک نهاد بزرگ مالی جهانی که شامل تنظیم کننده ها ، بانک های مرکزی و وزارتخانه های دارایی از ده ها حوزه قضایی نیست - نمی توانستند باشند. چهره ای را منتشر کرد که در مورد آن اعتماد به نفس نداشت. ما قدردانی می کنیم که گفته می شود AUM احتمالاً از نوامبر 2017 "به سرعت رشد کرده است" ، اما شک داریم که از صدها میلیارد میلیارد دلار در سراسر جهان فراتر رفته است.

گزارش FSB یک چیز دیگر را برجسته می کند: چالش جمع آوری داده های قابل اعتماد در این منطقه طاقچه. این ثابت می کند که داده ها (به ویژه AUM) حتی در یک انجمن مالی جهانی نیز به راحتی در دسترس نیست.

بلافاصله آشکار می شود که نسبت AU با مدیریت AI به صنعت گسترده تر AUM در جایی بین حاشیه و ناچیز است. این مستقیم (و تجربی) با نتیجه گیری شماره 1 در بالا مغایرت دارد. ممکن است توضیحی "میانه" وجود داشته باشد که مدل ها و الگوریتم ها * DO * ارائه می دهند ، اما پذیرش صنعت زمان می برد.

این امر ما را به نتیجه گیری شماره 2 می رساند ("اگر الگوریتم های ML به طور مکرر و به طور قابل قبول دقت پیش بینی در محدوده 90 ٪ تحویل داده شوند ، انتظار داریم تعداد معدود استقرار شناخته شده صندوق های سرمایه گذاری ML محور بازده بی نظیر را ارائه دهد"). این نتیجه گیری بیشتر حکایات است و اثبات یا رد آن تا حد زیادی به دسترسی به داده های صنعت بستگی دارد. همانطور که در بالا بحث کردیم ، صندوق های محور ML به احتمال زیاد صندوق های پرچین هستند که از نظر ماهیت آنها بسیار مخفی تر هستند و نیازهای افشای بسیار کمتری نسبت به صندوق های متقابل یا ETF دارند. بنابراین از نظر تئوریک ممکن است که در واقع برخی از صندوق های پرچین ML محور وجود داشته باشند که سودهای پدیده ای را کسب می کنند. برای استخراج بیشتر ، همچنین ممکن است که مدیریت علاقه ای به نگه داشتن این اطلاعات در حد امکان داشته باشد (به عنوان مثال برای محافظت از مالکیت معنوی آنها). این امکان پذیر است ، اما بر اساس دانش ما در مورد صنعت ، بعید است به چند دلیل:

نوع زیرساخت های تکنولوژیکی مورد نیاز احتمالاً گران است (چه از نظر پیش فرض باشد یا از طریق ابر برون سپاری شود) ، و به ذکر کارکنان متخصص نیست. این بدان معناست که صندوق های نام تجاری (صندوق های تامینی و در غیر این صورت) نامزدهای طبیعی هستند. بعید است که آنها بتوانند عملکرد یک یا چند صندوق را برای مدت طولانی مخفی نگه دارند - نه به دلیل نقض رازداری ، بلکه به این دلیل که این مخالف منافع آنها خواهد بود.

علاقه فوق رشد AUM است. تمام وجوهی که دارایی ها را به صورت وفاداری مدیریت می کنند (یعنی پول افراد دیگر ، نه خودشان) با شارژ ٪ از AUM پول خود را می گیرند. این قانون بسیار ساده است: هرچه AUM بزرگ ، خود صندوق سود بیشتری کسب کند. بنابراین به منظور جذب بیشتر AUM ، علاقه صندوق برای پخش عملکرد خود تا حد امکان به صورت صوتی بسیار زیاد خواهد بود.

بیشتر وجوه (شاید به استثنای ساختارهای کاملاً خصوصی) توسط فروشندگان داده های بازار که این داده ها را به مشتریان خود می فروشند ، پوشش می دهند. برای نهادهای بزرگتر ، فرار از چنین نظارتی بسیار دشوار خواهد بود ، و می توان آن را به عنوان نشانه مشکلات تعبیر کرد (تا و از جمله کلاهبرداری-خاطره کلاهبرداری برنارد مادوف به زودی محو نمی شود).

برخی از خبرهای برجسته در فضای سرمایه گذاری ML محور ، موارد کم کاری و/یا انحلال بوده است. Aidya یک صندوق پرچین ML محور مستقر در هنگ کنگ بود که از مدل های گروه استفاده می کرد. این بنا توسط افسانه AI بن گرتزل ایجاد و اداره شد. Aidya در روز اول خود 12 ٪ تحویل داد و پس از کمتر از یک سال منحل شد. یکی از ما (WB) این فرصت را داشتیم که به صورت حضوری با Goertzel صحبت کنیم ، که تأیید کرد که این صندوق به دلیل عملکرد ناامید کننده بسته شده است. Goertzel در حال حاضر در فضای سرمایه گذاری ML محور فعال نیست.

Technologies Sentient ، یک صندوق پرچین راه اندازی با مشخصات بالا که 143 میلیون دلار در بودجه VC برای استراتژی های معاملاتی مبتنی بر الگوریتم های تکاملی خود جذب کرده است ، در سال 2018 نقدینگی شده است. این متمرکز بر حدس و گمان کوتاه مدت بود. در هر صورت ، آن را به عنوان صندوق تشکیل می داد و توسط صنعت به این ترتیب درک می شد. این صندوق در سال 2017 4 ٪ بازده متوسط و هیچ یک در سال 2018 ، هنگامی که نقدینگی شد ، انجام داد.

Rogers AI Global Macro ETF در ژوئن سال 2018 راه اندازی شد. این هوش مصنوعی را در ظرفیت تصمیم گیری سرمایه گذاری به کار گرفت. این کار برای بیش از 1 سال (از ژوئن 2018 تا ژوئیه 2019) فعالیت می کرد و در این مدت نزدیک به هیچ سود (قیمت افتتاح آن 24. 97 دلار بود ، و قیمت بسته شدن آن نیز 24. 97 دلار بود. صندوق تقریباً 0. 60 دلار سود سهام پرداخت کرد).

سهام AI Equity ETF (AIEQ) یکی دیگر از داستانهای غیر موفقیت آمیز است. با استفاده از Watson IBM ، در سال 2018 7. 28 ٪ از دست داد (معیار آن ، S& P 500 4. 75 ٪ از دست داد) و در سال 2019 31. 14 ٪ درآمد کسب کرد (S& P 33. 07 ٪ درآمد). کم کاری متوسط و ادامه آن نزدیکترین چیزی است که ما تا به امروز به یک داستان موفقیت صندوق هوش مصنوعی رسیده ایم.

توجه داشته باشیم که با توجه به ماهیت صنعت سرمایه گذاری که در آن صندوق های کم تحرک به طور مداوم تمایل به بسته شدن دارند (به ویژه آنهایی که دارای سابقه کوتاه ، استخرهای محدود سرمایه و به طور کلی از نظر ماهیت هستند - که همه اینها در مورد صندوق های AI اعمال می شود) در برابر زمینه AI HYPEو به احتمال زیاد انتظارات زیاد ، فاصله بین رونق و شلوغی فوق العاده کوتاه است (شکل 3 ، 4). مدت کوتاهی که ستاره در حال ظهور دیروز برای خاموش کردن و انحلال پیام های متناقض در رسانه ها را تشدید می کند ، همانطور که نمونه ای از عناوین بلومبرگ با اشاره به فن آوری های احساساتی نشان داده شده است.