Как использовать искусственный интеллект (ИИ) в трейдинге

Как можно использовать нейросети в трейдинге

Интеграция искусственного интеллекта (ИИ) в трейдинг – один из трендов биржевой торговли. В теории, нейросети могут “перевернуть” подход трейдеров к рынку, автоматизировать многие процессы торговли и анализа. В этой статье мы рассмотрим основные пути развития нейросетей в трейдинге. Также поговорим об обратной стороне медали – разберем актуальные негативные моменты применения ИИ в торговле.

Алгоритмы ИИ принимают сложные решения, которые трудно понять и проверить. Отсутствие прозрачности может создать проблемы с привлечением владельцев систем ИИ к ответственности. Например, торговый бот с искусственным интеллектом принимает ряд неверных решений, что приводит к потерям для его пользователей. Из-за сложности алгоритма трудно определить точную причину сбоя, и никто не понимает, кто и как в итоге должен нести ответственность за произошедшее.

Многие розничные инвесторы и трейдеры однозначно захотят использовать ИИ для торговли. Однако есть риск, что затраты на содержание и использование таких ботов будут “неподъемными”. Плюс, есть риск монополизации наиболее эффективных алгоритмов. Если крупная корпорация сделает бота, торгующего со 100% точностью, ей вряд ли захочется делиться такой разработкой со всем миром.

Искусственный интеллект способен создавать персонализированных торговых ботов. Их можно подстраивать под цели, предпочтения и профиль риска трейдеров. Боты могут анализировать рынок и принимать торговые решения, основываясь на профиле каждого пользователя. К алгоритму можно давать фидбек, делая его использование более гибким.

Для обучения будем использовать ней-росети обратного распространения ошибки с четырьмя входами, одним выходом и четырьмя слоями. Число нейронов на слоях: первый слой — 10; второй слой — 6; третий слой — 3; четвертый слой — 2 нейрона. Максимальное число эпох составляет 1000 000. Максимальная ошибка обучения — 10~6.

Алгоритмы, думающие “за тебя”, могут привести к деградации личного опыта. Если в принятии решений полагаться на торговых ботов, можно потерять связь с рынком (или со здравым смыслом). Как минимум, можно пропустить важные рыночные сигналы, которые не улавливает алгоритм. Или можно не уследить за тем, как ИИ принимает ошибочное решение на основе ложного анализа.

Оптимизация портфеля

Для построения обучающей выборки будем использовать дневные цены закрытия акций компаний в 2008-2009 гг. Сначала определим значения коэффициентов угла наклона линии тренда за неделю. Для этого построим линию тренда по дневным значениям цен за торговую неделю. В результате получим таблицу этих коэффициентов.

Пусть в каждый момент времени /’ известны значения котировок р(. Необходимо решить уравнение прямой у, = kipi + Ь(, наилучшим образом согласующееся с опытными значениями. Именно значения коэффициента kj, определяющего тангенс угла наклона прямой, будем прогнозировать с помощью нейросети. Прогнозные значения kt.дают возможность трейдеру выявить восходящий или нисходящий тренд.

2. Моделируя прогноз, эксперту важно знать не только его точность, но и возможные убытки в процессе торговли. Несмотря на то что глобальная ошибка является стандартным методом определения ошибки прогноза, она не содержит в себе финансовой составляющей. Аналитик в данном случае не может оценить возможные риски. В связи с этим введем понятие трендовой ошибки прогноза Етр, которая учитывает направление развития тренда, а именно — рост или падение значений котировки (2):

Инструменты на базе ИИ подвержены взломам и атакам. Хакеры могут взломать торговую платформу с искусственным интеллектом и получить контроль над торговыми ботами и счетами пользователей. В таком случае, последствия могут оказаться тяжелее, чем взлом сервиса без управления ИИ.

Максимальная ошибка обучения определяется как максимальная величина разности значений, получаемых на всех выходах и контрольных примерах. Нейросеть может обучаться до тех пор, пока разница между всеми значениями, получаемыми на выходе, и значениями контрольных примеров превышает максимальную ошибку или число эпох меньше максимального значения.

В среде энтузиастов ИИ есть опасения, что широкое внедрение ИИ в индустрию торговли может привести к потере рабочих мест. Автоматизация может “отобрать” рабочие места у аналитиков и менеджеров. Эта проблема активно обсуждалась и в эпоху индустриализации, и в период цифровизации. Реальность такова, что прогресс замещает только объективно устаревшие профессии. При этом, сами технологические новшества привносят еще больше новых возможностей для работы. Например, обслуживание, ремонт или управление машинами и автоматизированными системами. То же касается и ИИ в трейдинге – он безусловно “отправит в утиль” многие актуальные сейчас рабочие места, но в то же время откроет новые.

Затем построим обучающие и контрольные примеры. Возьмем коэффициенты за четыре недели в качестве обучающих примеров, а следующий за ним коэффициент пятой недели — как контрольные примеры. Далее аналогичное действие проводим со следующими пятью коэффициентами. В результате получим обучающую выборку за 2008-2009 гг. Причем обучающая выборка будет состоять из примеров за 2008 г., контрольная выборка — из примеров за 2009 г.

Алгоритмы ИИ могут не “улавливать” сложные детали и нюансы, влияющие на рынок криптовалют. Особенно это касается эмоций и других человеческих факторов. Алгоритмам может быть трудно адаптироваться к внезапным изменениям на фоне непредвиденных событий или манипуляций.