Laut NCSU-Forscher verwaltet ein Programm für künstliche Intelligenz Vermögensportfolios effektiv
Veröffentlichungsdatum:Forscher haben ein Programm für künstliche Intelligenz (KI) entwickelt und vorgeführt, mit dem sie bestimmte Anlagerisiko- und Renditeziele für große Portfolios mit Hunderten von Vermögenswerten erreichen können.
„Wir wollten wissen, ob wir maschinelles Lernen nutzen können, um die Sharpe Ratio zu verbessern, um bessere Informationen darüber zu erhalten, was Sie kaufen, verkaufen oder in Ihrem Portfolio behalten sollten, um die Leistung Ihres Portfolios über Zeiträume von 6 bis 12 Monaten zu verbessern“, sagt er Mehmet Caner, Co-Autor einer Arbeit über das Werk. „Diese Arbeit zeigt, dass wir es können.“ Caner ist der Thurman-Raytheon Distinguished Professor für Wirtschaftswissenschaften am Poole College of Management des US-Bundesstaates North Carolina.
Die Sharpe-Ratio ist eine Methode, um den Kompromiss zu messen, den ein Anleger im Portfolio zwischen der Höhe seiner Erträge und dem Risiko eines Wertverlusts seiner Anlagen macht. Es handelt sich um eine etablierte Kennzahl, die in der gesamten Investmentbranche verwendet wird.
Allerdings wird es kompliziert, wenn ein Portfolio Hunderte von Beteiligungen umfasst, da es immer schwieriger wird, Risiko-Nutzen-Analysen durchzuführen und Managemententscheidungen für alle Beteiligungen zu treffen.
Um diese Vermögenswerte besser zu verwalten, greift der Finanzsektor zunehmend auf KI-Programme zurück, die maschinelles Lernen nutzen, um Portfolioentscheidungen zu treffen.
Caner war zuvor an der Entwicklung beteiligt ein KI-Programm, das auf einem neuartigen mathematischen Theorem aufbaut, um finanzielle Entscheidungen zu treffen. Caner wollte jedoch sehen, ob er dieses KI-Programm verbessern könnte, indem er eine Reihe finanzieller Faktoren einbezog, die das Vorgängermodell nicht berücksichtigte.
„Die Verwaltung eines Portfolios mit Hunderten von Vermögenswerten ist eine Herausforderung“, sagt Caner. „Es kann eine Vielzahl von Aktien und Rohstoffen enthalten, von denen die meisten in irgendeiner Weise miteinander verbunden sind. Wie geht man mit einer so komplizierten dynamischen Matrix um? Wir haben uns zum Ziel gesetzt, ein KI-Programm so zu trainieren, dass es eine Vielzahl von Faktoren berücksichtigt, mit dem ultimativen Ziel, eine bestimmte Sharpe Ratio zu erreichen – und wir haben es geschafft.
„Es ist wichtig zu beachten, dass es keine ‚richtige‘ Sharpe-Ratio gibt – sie variiert je nachdem, wie viel Risiko ein Anleger bereit ist einzugehen. Aber wir konnten unsere KI so trainieren, dass sie jedes Sharpe-Ratio-Ziel erreicht, das Sie für Ihr Portfolio festgelegt haben, und zwar im Laufe von 6–12 Monaten. Wir haben dies sowohl in Simulationen als auch in der Praxis demonstriert.“
Das Papier, "Sharpe-Ratio-Analyse in hohen Dimensionen: Residuenbasierte knotenweise Regression in Faktormodellen”, wird in der veröffentlicht Zeitschrift für Ökonometrie. Der Artikel wurde von Marcelo Medeiros von der Päpstlichen Katholischen Universität Rio de Janeiro mitverfasst; und Gabriel FR Vasconcelos von der BOCOM BBM Bank in Brasilien.
(C) NCSU
Originalquelle des Artikels: WRAL TechWire