Недавно я разговаривал с одним классным спецом в области машинного обучения и построения алгоритмов.
Если честно, мои познания в данном вопросе более чем скудны, потому разговор носил несколько односторонний характер. То есть он говорил, а я больше слушал и задавал вопросы, но в целом беседа (лично для меня, для него нет) получилась крайне интересной.
Особенно мне понравилась одна мысль, которую он высказал. По его утверждению, в перспективе десяти лет в области машинного обучения могут произойти настолько прорывные решения, что многим представителям ныне успешных профессий придётся не просто. Их начнут вытеснять роботы, которые проще, дешевле, а главное, начисто лишены пресловутого «человеческого фактора».
По мнению этого «гуру», чтобы не просто остаться в профессии и кое-как зарабатывать себе на кусок хлеба, а быть действительно востребованным и реализованным, человеку придётся войти в топ 2% специалистов в его области. Именно эти люди будут зарабатывать не просто много, а очень много. Остальным же придётся выдерживать конкуренцию с роботами за каждую копейку.
Алгоритмы и профессии
Кстати, уже сейчас даже в области психологии есть интересные наработки, когда клиента консультирует искусственный интеллект по переписке. Такой человек приходит на определённую площадку, регистрируется и задаёт свой вопрос некоему «коллективному психологу», которым является робот. А он уже просто перебором вариантов подбирает нужные рекомендации.
Стоят такие «консультации» дёшево, но за то доступны большинству людей. При этом, они в целом достаточно эффективны. Ведь +\- у всех одни и те же проблемы, которые уже много раз разбирались и описывались. Это людям кажется, что их проблема уникальна и никто с этим до них не сталкивался. На самом деле нет, всё уже давным-давно отработано и доступно для анализа.
А робот просто подыскивает в сети подходящие рекомендации исходя из запроса клиента. Кроме того, эта железяка ещё и обучается попутно. Таким образом каждый следующий клиент обрабатывается всё более эффективно и быстро. Если дело и дальше пойдёт так же, то мы придём к тому, о чём много раз уже говорила Татьяна Черниговская. «Роскошь человеческого общения глаза-в-глаза будет доступна только очень богатым людям. Остальные будут вынуждены общаться с железом».
Что будет с рынком и трейдерами
Ну хорошо, с психологией более-менее понятно, что будет. Но что будет с трейдингом и трейдерами, ведь применительно к торговле на бирже утверждение этого спеца звучит особенно зловеще. Уже достаточно давно пишутся очень интересные торговые алгоритмы, которые иногда даже могут конкурировать с живыми трейдерами. А если ещё эти штуки будут самообучаться, не вытеснят ли они с биржи живых людей?
Пытаясь разобраться в вопросе более детально, я наткнулся на один интересный эксперимент. В нём говорилось об исследовании эффективности работы на рынке автоматической торговой стратегии, построенной на техническом анализе. Применяемая ТС использовала генетический торговый алгоритм (что это такое скажу чуть позже), основанный на индикаторах технического анализа.
Использовалась экспоненциальная скользящая средняя (EMA), дивергенция сходимости скользящей средней (MACD), индекс относительной силы (RSI) и фильтр, который дает рекомендации инвесторам по покупке и продаже. Если совсем коротко, то данный алгоритм имел функцию самообучения и оптимизировал торговые стратегии путем динамического поиска параметров, которые повышают прибыльность. Затем в период тестирования применялись наиболее эффективные наборы правил.
Генетические алгоритмы
В последние годы активно разрабатываются различные торговые алгоритмы, которые пытаются повысить прибыльность торговли на финансовых рынках. Генетические алгоритмы (GA) представляют собой класс методов оптимизации, которые генерируют решения проблем поиска и быстро адаптируются к изменяющимся условиям. Они моделируют процесс естественной эволюции.
По мере эволюции вида в результате генетических изменений, таких как отбор, скрещивание и мутация, GA создают классы решений, которые развиваются в течение нескольких поколений. Таким образом они обучаются находить оптимальное решение для конкретной проблемы. На рынке такие алгоритмы начинаются с создания определённых стратегий с заданными параметрами. На следующих этапах они динамически изменяют свои параметры для достижения более высокой прибыли.
В процессе естественной эволюции происходит изменение вида. Новые организмы рождаются путем рекомбинации между членами сообщества. Они как наследуют родительские черты, так и подвержены влиянию внешней среды. Процесс естественного отбора – это постоянная борьба за ресурсы. Следовательно, только те организмы, которые обладают хорошо подходящими характеристиками для этой борьбы, передадут свой генетический код новому поколению.
«Рыночный Голлем»
Учёные разработали способ, с помощью которого процесс естественной эволюции может быть импортирован в алгоритмы, предлагающие решения проблем поиска. Поскольку рыночная среда крайне изменчива и торговые стратегии должны постоянно адаптироваться к новым условиям, GA хорошо подходят для торговли на финансовых рынках.
GA генерирует множество стратегий, и те, которые хорошо подходят (в соответствии с конкретной функцией, которая может быть средней доходностью, коэффициентом Шарпа или той, которая учитывает также условия окружающей среды), выбираются для передачи в новое поколение и для рекомбинации для создания новых стратегий.
В итоге была разработана система, основанная на генетическом алгоритме, который оптимизирует набор правил для получения прибыльной стратегии торговли. Система генерирует «людей», определенных десятью обязательными и необязательными правилами. Пять из них решают, открывать ли длинную/короткую позицию или нет по текущей цене рынка, а остальные пять решают, когда закрывать открытую позицию.
Правила содержат 31 параметр, которые развиваются во многих поколениях путем отбора, скрещивания и мутации, и на основе соотношения риск/прибыль отбирается особь с самыми высокими показателями и тестируется в следующий период. Таким образом, целью генетического алгоритма является оптимизация набора торговых правил для получения более высокой прибыли. Торговые правила основывают свои решения на нескольких индикаторах, о которых говорилось выше.
В получившимся генетическом алгоритме настройки ТС каждый «человек» представлен набором правил технического анализа. Каждое правило можно рассматривать как хромосому, а параметры, определяющие правило, считаются генами. Здесь рассматривается индивидуум как определяемый 6-ю хромосомами (правилами) и 24-мя генами (параметрами).
В свою очередь, каждое из 4-х правил разделено ещё на 4 правила, которые устанавливают условия для открытия позиции, а остальные 2 правила — это те, которые определяют условия для выхода из позиции. Каждое правило содержит логический ген, который может активировать или деактивировать остальные гены правила.
Что получилось в итоге
Фуф, надеюсь, я не слишком утомил вас подробностями, но без них донести суть было бы сложно. И вот этот самый «Голлем» торговал на рынке, создавая несколько поколений, в которых отбирались наиболее эффективные, а за тем они уже создавали новые варианты. Во прямо всё как эволюции.
В процессе выполнения генетического алгоритма получалась одна «особь», являющаяся результатом эволюции. Генетический алгоритм повторялся 100 раз, чтобы получить 100 таких особей (наборов правил торговли). Затем эти 100 лучших особей, полученных за период машинного обучения, оценивались в ходе тестирования на рынке. Процедура заключалась в оценке итогового соотношения риск/прибыль (выраженное в пунктах), полученных каждым «человеком» за период тестирования.
Однако в период тестирования совокупная прибыль оказалась равномерно распределенной вокруг нулевого значения. Полученные особи, которые показали лучшие результаты в обучающей выборке, не смогли достичь аналогичных результатов в тестовой выборке, что свидетельствует о том, что рынок слабо эффективен.
Были проведены еще два моделирования программы, чтобы проверить согласованность результатов, и параметры сгенерированных индивидуумов. В случае второго моделирования результаты за период обучения очень похожи на результаты, полученные в первом. Кроме того, совокупная прибыль за период тестирования демонстрирует ту же картину, что и при первом моделировании.
При выполнении третьего моделирования результаты также очень похожи. Таким образом, эти симуляции подтверждают первоначальные результаты о том, что лучшие исполнители за период обучения не способны достичь аналогичных результатов за период тестирования. То есть, обучались алгоритмы хорошо, а торговали плохо.
Хорошие и плохие новости для трейдеров
Хорошая новость заключается в том, что у создателей генетических алгоритмов в это раз не получилось найти набор правил, которые последовательно приносят прибыль. Они признали, что нахождение этого набора правил представляет собой сложную задачу.
«Мы считаем, что наши основные результаты предполагают, что инвестор должен тщательно проанализировать, прежде чем открывать спекулятивные позиции, основанные на технических индикаторах и компьютерных алгоритмах, потому что в долгосрочной перспективе шансы проиграть выше. Тот факт, что сложный алгоритм не смог обеспечить устойчивую прибыль, подтверждает наше замечание».
А вот то, что машины буквально уже «дышат в затылок» трейдерам – вот это уже новость не очень хорошая. Да, пока ещё лидерство остаётся за людьми, но сколько это продлится не понятно. Что касается лично моего мнения, то оно в том, что рано или поздно, но машины начнут постепенно переигрывать на рынке основную массу трейдеров.
С другой стороны, как мне кажется, уязвимость машин обусловлена, как нестранно, их сильной стороной – отсутствием человеческого фактора, то есть эмоций при принятии решения. Но рынок и есть совокупность расчёта и эмоций. Именно на балансе этих двух составляющих принимаются все рыночные решения.
Таким образом, у тех профессионалов, которые смогли научиться использовать свои эмоции правильно появляются очень неплохие шансы обыграть алгоритмы в долгосрочной перспективе. Но это удел как раз представителей тех самых топ двух процентов от общего числа участников. Выход только один – выходить в топ или…