Lepšie výnosy vďaka robotom: Strojové učenie môže zlepšiť správu peňazí

Diskusia 4  
Lepšie výnosy vďaka robotom: Strojové učenie môže zlepšiť správu peňazí
Zdroj: chicagobooth.edu
Foto: getty images


26. 8. 2019 - Faktorová analýza návratnosti akcií a strojové učenie. Ak sa tieto študijné odbory použijú v tandeme, môžu vytvoriť efektívne nástroje na správu investícií.

Vedci Guanho Feng, Nicholas Polson a Jianeng Xu sa rozhodli skúsiť vytvoriť vzdelávací model na automatizáciu riadenia portfólia založeného na nákupe akcií, ktoré by mali rásť, a predajom nakrátko, ktoré by mali klesať. Na dlhodobú stratégiu vytvorili algoritmus strojového učenia. Počítače vybrali dlhé a krátke portfólio z horných a dolných 20 percent z 3 000 globálnych akcií.

Akcie zoradili podľa päťfaktorového modelu Eugene F. Famy a Kennetha R. Frencha. Fama a French používajú na výnosy akcií v priebehu času päť faktorov (+ jeden).

1,Trhové riziko (beta): rizikovosť akcie v porovnaní s rizikom jej referenčnej hodnoty. Akcie s menším trhovým rizikom mali v priebehu času tendenciu dosahovať lepšiu výkonnosť.

2,Veľkosť: Trhová kapitalizácia akcie. Akcie s malou kapitalizáciou majú tendenciu prekonávať akcie s veľkou trhovou kapitalizáciou.

3,Hodnota: Meranie akcie pomocou jej pomeru ceny k účtovnej hodnote, alebo iným pomerom.

4,Ziskovosť: Prevádzková ziskovosť spoločnosti. Akcie ziskových spoločností majú tendenciu dosahovať lepšiu výkonnosť.

5,Investície: Celkový rast aktív spoločnosti. Akcie spoločností s rastúcimi aktívami majú horší výkon.

+ 1,Momentum: Tendencia akcií, ktoré v minulosti prekonali výkonnosť, vykazovať v budúcnosti silné nepretržité výnosy.


Lepšie výnosy vďaka robotom: Strojové učenie môže zlepšiť správu peňazí

Deep-learninge je forma strojového učenia, ktorá je zvyčajne založená na umelej neurónovej sieti, čím napodobňuje ľudské myslenie a skôr sa spolieha na snímanie a analýzu vzorcov a podmienok než na dodržiavanie pravidiel založených na úlohách. Vedci najskôr navrhli systém hĺbkového vzdelávania s piatimi faktormi, avšak rýchlo zistili, že potrebujú pridať aj ďalšie charakteristiky, ako dividendový výnos, pákový efekt, likvidita, rozpätie medzi dopytom a ponukou či dokonca aj makroekonomické ukazovatele. Vďaka týmto faktorom hlbokého učenia vzniklo portfólio, ktoré prekonalo medzi rokmi 2011 a 2017 portfólio s váženou kapitalizáciou vytvorené z 3000 akcií.

„Naša metóda je prvá, ktorá zjednocuje všetky postupy modelov oceňovania majetku na základe charakteristík s jasným cieľom optimalizácie,“ píšu vedci.

Výskum ďalej potvrdzuje faktorovú analýzu výnosov z akcií a ponúka prísľub, že ak sa deep-learning nastaví správne a vzhľadom na dostatok výpočtového výkonu, dokáže produktívne spravovať portfóliá a získavať nové poznatky v súvislosti so zmenou podmienok. V tejto štúdii vedci Feng, Polson a Xu dokázali vytvoriť vynikajúce výnosy nielen na trhu, ale aj na statickejších prístupoch, ktoré sa spoliehali na model oceňovania kapitálových aktív alebo iba na piatich faktoroch od Famy a Frencha.

Výsledky výskumu sa nemusia obmedzovať iba na správu portfólia. Ak deep-learning dokáže identifikovať faktory, ktoré sú relevantné pre návratnosť za určitých trhových podmienok, môže byť schopný pomôcť pri kapitálovom rozpočte a riadení produktov. Takýto systém by mohol informovať vedúcich pracovníkov spoločností, kedy nadišiel čas splatiť dlh alebo zvýšiť výdavky na výskum a vývoj.

Zdá sa, že deep-learning má čo povedať v procese, kedy dôležité rozhodnutia, ktoré sa teraz ponechávajú na ľudí, budú lepšie robiť stroje.