Dizajn a implementácia
riešení strojového učenia
pre Vaše investície
O Petrovi
Pri aplikácii strojového učenia na zašumené finančné dáta je návrh celého systému rovnako dôležitý ako jeho samotný vývoj. Zkonštruujem základnú myšlienku a transformujem ju do funkčného algoritmu. Pridanie inteligentnej vrstvy v podobe umelej inteligencie mu dodá výhodu a prinesie nekorelovanú stratégiu, ktorá bude vitálnym doplnkom Vášho portfólia.
Peter Kostovčík je profesionálny kvantitatívny výskumník a spoluzakladateľ AI algoritmického fondu v Prahe. Žije v Medellíne, v Kolumbii, a spája životný štýl s prácou, ktorá ho napĺňa.
Investičné stratégie
Adaptívne portfólio
(štatistická odchýlka)
Táto stratégia využíva "štatistické zaujatosti" najmä na akciových trhoch. Portfólio sa denne vyvažuje, aby reagovalo na neustále sa meniace trhové prostredie. Systém je len v dlhej pozícii, ale obchoduje s celým spektrom aktív. Vďaka fondom ETF môže vstupovať aj do krátkych pozícií (inverzné ETF) alebo investovať na neakciových trhoch, ako sú komodity, dlhopisy atď. Myšlienka, ktorá stojí za zaujatosťou, má fundamentálne vysvetlenie a bola vypozorovaná empiricky. Výnimočnú výhodu v tejto stratégii má implementácia neurónovej siete v záverečnom rozhodovacom procese (denne až 30 pozícií v rôznych akciách/ETF a približne 5 rôznych futures kontraktov).
Aktuálny svet aktív: Akcie, ETF a futures v USA, EÚ a Veľkej Británií.
Očakávané výnosy na základe historickej výkonnosti: 15-20 % ročne
Očakávané maximálne prepady sú približne 20 %, podľa analýzy Monte Carlo 35 %.
Systém sa obchoduje naživo ako kľúčová stratégia vo fonde Comfort Zone Investments.
Market Neutral
(akciové páry)
Známa stratégia v odbore, ktorá vstupuje v každom obchode do dlhej aj krátkej pozície a využíva vzťah návratu k strednej hodnote. Vďaka tomu systém zostáva neutrálny voči trhu ako celku. Tento systém využíva autoenkodéry založené na konvolučných neurónových sieťach na vyhľadávanie akciových párov s funkčným vzťahom návratu k strednej hodnote. Akcie sú z rovnakého odvetvia alebo majú vzájomny odberateľsko-dodávateľský vzťah. Popri klasických prístupoch, ako je kointegrácia a metóda vzdialenosti, sa autoenkodéry ukazujú ako dobrá alternatíva.
Vybrané univerzum akciových párov (alebo ETF) tvorí tisíce potenciálnych signálov, takže tu prichádza na rad grafické neurónove siete na výber najlepších signálov podľa očakávaných výnosov.
Pokročilý feature engineering a vlastný prístup ku krížovej validácii časových radov sú nevyhnutnou súčasťou vývoja.
Technológie
