Tekoälyohjelma hallitsee tehokkaasti omaisuussalkkuja, NCSU:n tutkija sanoo
Julkaisupäivä:Tutkijat ovat kehittäneet ja osoittaneet tekoälyohjelman (AI), jonka avulla he voivat saavuttaa tietyt sijoitusriski- ja tuottotavoitteet suurissa salkuissa, jotka sisältävät satoja omaisuuseriä.
"Halusimme tietää, voisimmeko käyttää koneoppimista Sharpen suhdeluvun parantamiseen saadaksemme parempaa tietoa siitä, mitä ostaa, myydä tai pitää salkussasi parantaaksemme salkkusi suorituskykyä 6-12 kuukauden aikana", sanoo Mehmet Caner, teoksen kirjoittaja. "Tämä työ osoittaa, että voimme." Caner on Thurman-Raytheonin arvostettu taloustieteen professori NC Staten Poole College of Managementissa.
Sharpen suhdeluku on tapa mitata kompromissi, jonka sijoittajan salkku tekee tuottojen suuruuden ja omistuksensa arvon menettämisen välillä. Se on vakiintunut mittari, jota käytetään kaikkialla sijoitusalalla.
Asiat kuitenkin monimutkaistuvat, kun salkussa on satoja omistuksia, koska riski-hyötyanalyysien tekeminen ja hallinnointipäätösten tekeminen kaikille omistuksille tulee yhä vaikeammaksi.
Tämän omaisuuden hallinnan parantamiseksi rahoitusala on yhä enemmän kääntynyt tekoälyohjelmiin, jotka käyttävät koneoppimista portfoliopäätösten tekemiseen.
Caner auttoi aiemmin kehitystä tekoälyohjelma, joka perustui uuteen matemaattiseen lauseeseen taloudellisen päätöksenteon pohjalta. Caner halusi kuitenkin nähdä, voisiko hän parantaa tekoälyohjelmaa sisällyttämällä siihen useita taloudellisia tekijöitä, joita edellinen malli ei ottanut huomioon.
"Satoja omaisuuseriä sisältävän salkun hallinta on haastavaa", Caner sanoo. ”Se voi sisältää erilaisia osakkeita ja hyödykkeitä, joista suurin osa liittyy jollain tavalla toisiinsa. Kuinka käsittelet näin monimutkaista dynaamista matriisia? Päätimme kouluttaa tekoälyohjelmaa ottamaan huomioon monenlaisia tekijöitä ja päämääränä oli saavuttaa tietty Sharpe-suhde – ja teimme sen.
"On tärkeää huomata, että "oikeaa" Sharpen suhdetta ei ole olemassa – se vaihtelee sen mukaan, kuinka suuren riskin sijoittaja on tyytyväinen. Olemme kuitenkin voineet kouluttaa tekoälyämme saavuttamaan portfoliollesi asettamasi Sharpe Ratio -tavoitteen 6–12 kuukauden aikana. Olemme osoittaneet tämän sekä simulaatioissa että todellisessa käytännössä."
Paperi, "Sharpen suhdeanalyysi suurissa ulottuvuuksissa: jäännöspohjainen solmusuuntainen regressio tekijämalleissa”, on julkaistu lehdessä Journal of Econometrics. Paperin on kirjoittanut Marcelo Medeiros Rio de Janeiron paavikatolisesta yliopistosta; ja Gabriel FR Vasconcelos BOCOM BBM Bankista Brasiliassa.
(C) NCSU
Alkuperäinen artikkelin lähde: WRAL TechWire