Il settore finanziario è ampio e diversi segmenti hanno diversi casi d'uso per l'apprendimento automatico. In generale, c'è meno apprendimento automatico in finanza di quanto possano immaginare gli estranei. Quando ho aderito per la prima volta al settore, mentre il termine "machine learning" non era troppo comune, avevo previsto che ci sarebbero stati un sacco di metodi molto complessi usati per manipolare i dati e fare previsioni. In effetti, la maggior parte dei problemi di business in ambito finanziario presenta soluzioni semplici che non richiedono tali metodi, il che mi sorprese all'epoca.

Detto questo, ecco alcuni esempi di machine learning nello spazio di trading:

• Generazione e test del segnale - Preferisco il termine "segnale" per "modellare" perché alla fine l'obiettivo del trading è generare scambi basati su un segnale, non "modellare il mondo" che è troppo elevato e lontano da ciò che il trading effettivamente raggiunge. I metodi di apprendimento automatico possono essere molto utili per generare segnali da dati passati e, in particolare, gli approcci che sono stati perfezionati nel dominio dell'apprendimento automatico intorno alla convalida e ai test per il significato statistico sono molto critici. Poiché i prezzi finanziari hanno solo una storia, sbagliare la parte di significato è spesso la differenza tra successo e fallimento. La previsione effettiva può essere un apprendimento supervisionato relativamente semplice che utilizza la regressione lineare, la regressione logistica o il potenziamento.
• Ingegneria delle caratteristiche - l'apprendimento senza supervisione non è utile per il trading diretto perché vuoi / devi avere un aspetto di feedback che lega i profitti ai segnali. Detto questo, le singole funzionalità possono essere progettate utilizzando qualsiasi strumento tu voglia. Portare insiemi di dati esterni come i dati satellitari, ad esempio, o modelli economisti per il macro-trading, ecc., E applicare il clustering o strumenti più complessi per alimentare questi risultati in una strategia di trading (relativamente semplice) è spesso il modo in cui funzionano le buone strategie.
• Prendendo in prestito da metodi di riconoscimento vocale - in entrambi i casi, si desidera prevedere il futuro dal passato. Gli approcci della PNL e le aree correlate dell'apprendimento automatico sono stati particolarmente utili ai pionieri dello spazio commerciale quantitativo come Renaissance Technologies (hedge fund).

Alcune aree in cui l'apprendimento automatico non viene utilizzato tanto sono la parte esecutiva del trading ad alta frequenza, la gestione dei rischi, i prezzi delle opzioni e la strategia di portafoglio. Per concludere, l'apprendimento automatico ha il suo posto nella finanza, ma meno di quanto la gente pensi, e anche le parti che lo usano dipendono più dall'approccio dell'apprendimento automatico moderno che da modelli particolari che sono comuni nel mondo accademico.