Kunstig intelligens-program styrer effektivt aktivporteføljer, siger NCSU-forsker
Udgivelsesdato:Forskere har udviklet og demonstreret et kunstig intelligens-program (AI), der giver dem mulighed for at opfylde specifikke investeringsrisiko- og afkastmål for store porteføljer, der indeholder hundredvis af aktiver.
"Vi ville vide, om vi kunne bruge maskinlæring til at forbedre Sharpe Ratio for at få bedre information om, hvad vi skal købe, sælge eller beholde i din portefølje for at forbedre din porteføljeydelse over perioder på 6-12 måneder," siger Mehmet Caner, medforfatter til et papir om værket. "Dette arbejde viser, at vi kan." Caner er Thurman-Raytheon Distinguished Professor of Economics i NC State's Poole College of Management.
Sharpe-forholdet er en måde at måle den afvejning, en investors portefølje foretager mellem størrelsen af deres afkast og risikoen for, at deres beholdninger vil miste værdi. Det er et veletableret mål, der bruges på tværs af investeringsindustrien.
Tingene bliver dog komplicerede, når en portefølje indeholder hundredvis af beholdninger, fordi det bliver stadig sværere at udføre risk/benefit-analyser og træffe ledelsesbeslutninger for alle beholdningerne.
For bedre at administrere disse aktiver har den finansielle sektor i stigende grad vendt sig til AI-programmer, der bruger maskinlæring til at træffe porteføljebeslutninger.
Caner har tidligere været med til at udvikle sig et AI-program, der byggede på et nyt matematisk teorem til at informere økonomisk beslutningstagning. Caner ønskede dog at se, om han kunne forbedre det AI-program ved at inkorporere en række økonomiske faktorer, som den tidligere model ikke tog højde for.
"Det er udfordrende at administrere en portefølje, der indeholder hundredvis af aktiver," siger Caner. "Det kan indeholde en række forskellige aktier og råvarer, hvoraf de fleste er relateret til hinanden på en eller anden måde. Hvordan håndterer du en dynamisk matrix, der er så kompliceret? Vi satte os for at træne et AI-program til at tage højde for en lang række faktorer med det ultimative mål at opnå en specifik Sharpe Ratio – og vi gjorde det.
"Det er vigtigt at bemærke, at der ikke er nogen 'korrekt' Sharpe Ratio – det vil variere afhængigt af, hvor meget risiko en investor er fortrolig med. Men vi har været i stand til at træne vores AI til at nå det Sharpe Ratio-mål, du har etableret for din portefølje, i løbet af 6-12 måneder. Vi har demonstreret dette i både simuleringer og i praksis i den virkelige verden."
Papiret, "Sharpe-forholdsanalyse i høje dimensioner: Residual-baseret nodewise regression i faktormodeller", er offentliggjort i Journal of Econometrics. Artiklen var medforfatter af Marcelo Medeiros fra det pavelige katolske universitet i Rio de Janeiro; og Gabriel FR Vasconcelos fra BOCOM BBM Bank i Brasilien.
(C) NCSU
Original artikelkilde: WRAL TechWire