Sistemas inteligentes de negociação que aplicam inteligência artificial aos mercados financeiros pdf

Capacite sua negociação com os preditores do mercado de criptografia.

Aplicando inteligência artificial e análise técnica, nossa frota de bots de dados segue fontes de dados em tempo real e envia alertas acionáveis ​​para o sucesso nos mercados de criptomoedas.

Obtenha tecnologia e ferramentas exclusivas.

Revolucionar sua experiência de negociação.

Obrigado a todos os nossos apoiadores.

ITF está vivo em beta público (Telegram Bot)

Projetado para TODOS, de iniciantes a traders profissionais em mercados de criptografia, a plataforma Intelligent Trading envia alertas acionáveis ​​e personalizados para negociar com sucesso nesses mercados emergentes e voláteis.

Boas Notificações de Bot.

Disponível agora no celular e desktop dentro do aplicativo de mensagens Telegram.

Assinaturas exclusivamente disponíveis usando tokens ITT.

Personalize os alertas para o seu câmbio favorito.

Nossa plataforma funciona lado a lado com suas trocas favoritas.

Assinaturas exclusivamente disponíveis usando tokens ITT.

Como funciona.

A plataforma da Intelligent Trading aprende a partir de séries históricas históricas de preço e volume. Nossos bots de dados estão constantemente digitalizando e aprendendo com a vasta gama de dados disponíveis na internet. Isso é algo que o aprendizado de máquina ajuda - porque às vezes meros humanos podem perceber o mercado de criptomoedas como imprevisível quando, na verdade, padrões claros surgem ao ler nas entrelinhas.

Computadores são inúteis. Eles só podem te dar respostas.

Histórico Anual de Financiamento Global da AI.

A partir de 2012, o número de negócios e dólares contribuídos para as startups de Inteligência Artificial está em alta. 2016 foi um ano recorde para startups globalmente.

Usando o banco de dados da CB Insights, as empresas de IA privadas globalmente receberam mais de US $ 5 bilhões em 2016, e essa tendência deve continuar.

A equipe da Intelligent Trading Foundation.

Profissionais em gerenciamento de ativos, comércio algorítmico, inteligência artificial, finanças quantitativas e desenvolvimento de software se reuniram para implantar essa nova plataforma de última geração.

Chefe de Engenharia e Inovação Thomas Counsell.

Tom é formado em Ciência da Computação pela Purdue University. Em 2012, co-fundou o maior site de comércio eletrônico artesanal no Marrocos e em 2015 criou a Noble Software Foundation e a Incorporeal Ltd. Recentemente, Tom liderou operações de desenvolvimento de software para startups de tecnologia na Tailândia, incluindo Agoda e CTO para OpenEntry, CareerBolt e Aztrana. Tom traz para a experiência comprovada da ITF a implantação de aplicativos de classe mundial, usados ​​por milhões de pessoas internacionalmente. Ele agora reside na República Tcheca, continuando a aplicar usos práticos às mais recentes tecnologias de inteligência artificial e blockchain.

Chefe de Finanças e Estratégia Benjamin Lakoff, CFA.

Ben é um empresário e profissional de finanças. Ele é um ávido operador ativo nos mercados tradicionais e de criptomoedas. Ele detém a designação do Chartered Financial Analyst (CFA) e tem investido fortemente em startups de blockchain desde meados de 2016. Ben se junta à equipe da ITF com ampla e diversificada experiência em várias funções financeiras, incluindo fusões & # 038; aquisições, mercados de ações, bancos e, ultimamente, como Chefe de Planejamento em uma organização mais diversificada e empreendedora em Bangkok, na Tailândia.

Chefe de Marketing John Venport.

John é um empresário e especialista em marketing digital. Ele começou sua carreira organizando eventos e conferências ao vivo nos EUA. Em 2010, John fundou a agência de marketing digital boutue, que se tornou a principal fornecedora do mercado local, e foi adquirida em 2013. Pouco tempo depois, ele começou a usar suas habilidades para construir e vender seus próprios produtos. Nos últimos 5 anos, John se especializou na venda de produtos digitais e produtos de software on-line. Ele atualmente mora em Bangkok e é colaborador de várias organizações locais.

Gerente de Produto Jay Surovy.

Jay é responsável pelo desenvolvimento de produtos na Intelligent Trading. Ele começou sua carreira no desenvolvimento de software logo após o lançamento do iPhone. Nos últimos 10 anos, ele trabalhou com diversas startups, fundou seu próprio negócio de desenvolvimento móvel e juntou-se a uma agência de desenvolvimento bem-sucedida, onde trabalhou com importantes clientes do Vale do Silício.

Engenheiro Sênior Francesco De Lisi.

Francesco é formado em Ciência da Computação e Engenharia pela Università degli Studi di Bologna com uma tese de mestrado sobre Inteligência Artificial para sistemas de diagnóstico clínico. Em 2011, ele é consultor e desenvolvedor de aplicativos de Business Intelligence, em 2013 desenvolvedor de pilha completa para uma empresa líder mundial em design e fabricação de máquinas de embalagem automática. Em 2016, contribui para a consultoria Open Data e pro bono durante viagens ao Sudeste Asiático.

Engenheiro Sênior Alex Yudin.

Alex veio da área de Biologia Computacional e Bioinformática e traz uma ampla gama de habilidades em IA / ML, partindo de uma estatística tradicional, regressão e métodos de classificação para Redes Neurais Profundas e Modelos Gráficos Probabilísticos. Ele possui mestrado em Biologia da Computação e Bioinformática pela ETH Zurich e mestrado em Engenharia de Computação pela University of Radio-electronics Minsk. Antes de ingressar na área de Biologia Computacional, Alex trabalhou em diversas empresas de engenharia de software e passou por todas as etapas da engenharia de software, testando, engenheiro de software e, finalmente, gerente de projetos e CTOs da empresa. Atualmente Alex está morando em Praga, República Tcheca.

Engenheiro Sênior Alex Boreysha.

Alex tem mais de 20 anos de experiência em desenvolvimento de software. Ele possui mestrado em Engenharia da Computação pela Minsk University of Radio-electronics. Sua experiência de trabalho anterior inclui desenvolvedor principal e CTO para um provedor de hospedagem tcheco e engenheiro sênior para uma empresa de varejo de comércio eletrônico. Alex é um grande fã das linguagens de programação Python e Ruby e adora experimentar novas tecnologias. Além do trabalho, ele é um motociclista ávido e geralmente você pode encontrá-lo explorando estradas ventosas por toda a Europa em suas motocicletas.

Data Scientist - Aprendizagem de Máquina Karla Brkić.

Karla é PhD em inteligência artificial pela Universidade de Zagreb e tem mais de uma década de experiência acadêmica e industrial no desenvolvimento de soluções inovadoras que incorporam elementos de ciência de dados, aprendizado de máquina e visão computacional. Trabalhou em projetos envolvendo detecção automatizada de pessoas e reconhecimento em imagens e vídeos, entendimento de tráfego para veículos inteligentes, classificação de sinais biomédicos, realidade aumentada e virtual, reconhecimento de caracteres manuscritos e várias outras aplicações de aprendizado de máquina e visão computacional. Como cientista de aprendizado de máquina estabelecida com mais de 40 publicações revisadas por pares, Karla aproveita a lacuna entre pesquisa e indústria e traduz a pesquisa em aplicações práticas.

Assistente JC Garcia.

JC é um assistente veterano com mais de 8 anos de experiência trabalhando remotamente. Ele trabalhou como Coordenador de Transações para empresas imobiliárias, como RE / MAX e Keller Williams, e em Lead Generation para algumas das maiores empresas de tecnologia, como Philips, Siemens e General Electric. Antes de se tornar assistente remoto, JC trabalhou como representante de call center para diferentes empresas dos EUA. Ele reside em Manila, Filipinas.

Conselheiro Geral Dave Rodman.

Dave é um advogado com uma ampla gama de clientes. Dave aplica seu fundo uno em finanças, títulos, propriedade intelectual e direito societário para promover as metas legais, de negócios e regulatórias específicas de cada cliente. Os clientes anteriores incluem cultivadores de maconha, fabricantes e dispensários, empresas industriais de cânhamo, músicos, empresas de private equity e locais de música. O Sr. Rodman é especializado em leis e regulamentos relativos à cannabis, cânhamo industrial e criptomoeda. O Sr. Rodman é licenciado para exercer advocacia no Colorado e no Estado de Washington e assessorou clientes em todo o mundo.

Conselheiro Poramin Insom.

Poramin é o fundador e desenvolvedor-chefe da Zcoin (XZC), uma criptografia anônima de US $ 30 milhões do Market Cap e é a CEO da Satang, uma carteira móvel de bitcoin no sudeste da Ásia. Ele também é a primeira pessoa do mundo a implementar endereços sigilosos em QT-Wallets, melhorando o anonimato da criptomoeda. Ele ganhou um mestrado em Segurança da Informação da Universidade Johns Hopkins, onde escreveu um artigo sobre uma proposta de implementação prática do protocolo Zerocoin.

Conselheiro Sebastian Bausch.

Sebastian é analista de risco de segurança e está envolvido em criptomoedas desde 2011. Ele é o co-fundador do Criton Group, uma empresa de consultoria de risco com foco na Ásia. Sebastian estudou mandarim na Universidade de Xiamen e é pós-graduado pela Universidade de Nottingham. Sua experiência de trabalho anterior inclui a defesa de empresas europeias ao entrar no mercado chinês. Ele é o principal contato para a comunidade e investidores chineses.

Consultor de Negociação Peter H.

Peter H é um consultor independente da equipe Intelligent Trading Tech. Ele passou os últimos seis anos em investimentos para as divisões de gestão de ativos do JPMorgan e Wells Fargo. A experiência de negociação da Peter abrange todas as classes de ativos e ele tem profundo conhecimento de análise e modelagem fundamental e técnica. Peter é viciado em negociar criptos e é apaixonado por este projeto porque ele vê grande valor no recurso que a ITF será para todos os investidores em criptografia, desde o comprador pela primeira vez até os traders profissionais.

Devido às ramificações desconhecidas do ambiente regulamentar dos EUA para indivíduos licenciados, Peter optou por permanecer anônimo no momento.

O cronograma de desenvolvimento da plataforma restante é distribuído em 3 fases nos próximos 18 meses. A cada trimestre, novos recursos e serviços comerciais totalmente novos estão sendo implantados usando as tecnologias mais recentes.

Sistemas Inteligentes de Negociação Algorítmica.

A negociação algorítmica é o uso de algoritmos de computador para tomar decisões de negociação automaticamente, enviar pedidos e gerenciar esses pedidos após o envio. Os sistemas de negociação algorítmica são melhor compreendidos usando uma arquitetura conceitual simples que consiste em três componentes que lidam com diferentes aspectos do sistema de negociação algorítmica, ou seja, o manipulador de dados, o manipulador de estratégia e o manipulador de execução de negociação. Esses componentes mapeiam um por um com a definição acima mencionada de negociação algorítmica. Neste artigo, estendemos essa arquitetura para descrever como alguém poderia construir sistemas de negociação algorítmica mais inteligentes.

Sistema conceitual de negociação algorítmica.

O que significa para um sistema ser mais inteligente? No contexto do comércio algorítmico, mediremos a inteligência pelo grau em que o sistema é autoadaptável e autoconsciente. Mas antes de chegarmos a isso, vamos elaborar os três componentes da arquitetura conceitual do sistema de negociação algorítmica.

Componente de Dados.

Os sistemas de negociação algorítmica podem usar dados estruturados, dados não estruturados ou ambos. Os dados são estruturados se estiverem organizados de acordo com alguma estrutura pré-determinada. Os exemplos incluem planilhas, arquivos CSV, arquivos JSON, XML, bancos de dados e estruturas de dados. Os dados relacionados ao mercado, como preços entre dias, preços no final do dia e volumes de transações, geralmente estão disponíveis em um formato estruturado. Dados financeiros econômicos e da empresa também estão disponíveis em um formato estruturado. Duas boas fontes de dados financeiros estruturados são o Quandl e o Morningstar.

Os dados não são estruturados se não estiverem organizados de acordo com estruturas pré-determinadas. Exemplos incluem notícias, mídias sociais, vídeos e áudio. Esse tipo de dado é inerentemente mais complexo de processar e geralmente requer análise de dados e técnicas de mineração de dados para analisá-lo. O uso corrente de notícias e dados de redes sociais como o Twitter e o Facebook no comércio deu origem a ferramentas mais poderosas capazes de dar sentido a dados não estruturados. Muitas dessas ferramentas fazem uso da inteligência artificial e, em particular, das redes neurais.

Componente do modelo.

Um modelo é a representação do mundo exterior como é visto pelo sistema Algorithmic Trading. Os modelos financeiros geralmente representam como o sistema de comércio algorítmico acredita que os mercados funcionam. O objetivo final de qualquer modelo é usá-lo para fazer inferências sobre o mundo, ou neste caso os mercados. A coisa mais importante a lembrar aqui é a citação de George E. P Box "todos os modelos são essencialmente errados, mas alguns são úteis".

Modelos podem ser construídos usando um número de diferentes metodologias e técnicas, mas fundamentalmente eles estão essencialmente fazendo uma coisa: reduzindo um sistema complexo a um conjunto de regras tratáveis ​​e quantificáveis ​​que descrevem o comportamento daquele sistema sob diferentes cenários. Algumas abordagens incluem, mas não se limitam a, modelos matemáticos, sistemas lógicos simbólicos e difusos, árvores de decisão, conjuntos de regras de indução e redes neurais.

Modelos matemáticos.

O uso de modelos matemáticos para descrever o comportamento dos mercados é chamado de finanças quantitativas. A maioria dos modelos financeiros quantitativos trabalha com base nas premissas inerentes de que os preços (e retornos) de mercado evoluem ao longo do tempo de acordo com um processo estocástico, em outras palavras, os mercados são aleatórios. Esta tem sido uma suposição muito útil que está no centro de quase todos os modelos de precificação de derivativos e alguns outros modelos de avaliação de segurança.

Essencialmente, a maioria dos modelos quantitativos argumenta que os retornos de qualquer título são guiados por um ou mais fatores aleatórios de risco de mercado. O grau em que os retornos são afetados por esses fatores de risco é chamado de sensibilidade. Por exemplo, os retornos de uma carteira bem diversificada podem ser impulsionados pelo movimento de taxas de juros de curto prazo, várias taxas de câmbio e os retornos no mercado de ações global. Esses fatores podem ser medidos historicamente e usados ​​para calibrar um modelo que simula o que esses fatores de risco poderiam fazer e, por extensão, quais poderiam ser os retornos do portfólio. Para mais informações, consulte Random Walks Down Wall Street.

Caminhos de Preço Simulados de Monte Carlo para o Ativo Subjacente.

Modelos lógicos simbólicos e difusos.

A lógica simbólica é uma forma de raciocínio que envolve essencialmente a avaliação de predicados (declarações lógicas construídas a partir de operadores lógicos como AND, OR e XOR) para true ou false. A lógica fuzzy relaxa a restrição binária true ou false e permite que qualquer predicado dado pertença ao conjunto de predicados true e or false em diferentes graus. Isso é definido em termos de funções de associação definidas.

No contexto dos mercados financeiros, as entradas nesses sistemas podem incluir indicadores que devem se correlacionar com os retornos de qualquer título. Esses indicadores podem ser quantitativos, técnicos, fundamentais ou de outra natureza. Por exemplo, um sistema lógico difuso pode inferir a partir de dados históricos que se a média móvel exponencialmente ponderada de cinco dias for maior ou igual à média móvel exponencialmente ponderada de dez dias, então há uma probabilidade de sessenta e cinco por cento de que a ação subirá. nos próximos cinco dias.

Uma abordagem de mineração de dados para identificar essas regras a partir de um determinado conjunto de dados é chamada de indução de regra. Isso é muito semelhante à indução de uma árvore de decisão, exceto pelo fato de que os resultados geralmente são mais legíveis para humanos.

Modelos de árvore de decisão.

As árvores de decisão são semelhantes às regras de indução, exceto que as regras são estruturas na forma de uma árvore (geralmente binária). Na ciência da computação, uma árvore binária é uma estrutura de dados de árvore na qual cada nó tem no máximo dois filhos, que são referidos como o filho esquerdo e o filho direito. Nesse caso, cada nó representa uma regra de decisão (ou limite de decisão) e cada nó filho é outro limite de decisão ou um nó terminal que indica uma saída.

Existem dois tipos de árvores de decisão: árvores de classificação e árvores de regressão. As árvores de classificação contêm classes em seus resultados (por exemplo, comprar, manter ou vender), enquanto as árvores de regressão contêm valores de resultado para uma variável específica (por exemplo, -2,5%, 0%, + 2,5%, etc.). A natureza dos dados usados ​​para treinar a árvore de decisão determinará que tipo de árvore de decisão é produzida. Algoritmos usados ​​para produzir árvores de decisão incluem C4.5 e Programação Genética.

Assim como na indução de regras, as entradas em um modelo de árvore de decisão podem incluir quantidades para um determinado conjunto de fatores fundamentais, técnicos ou estatísticos, os quais se acredita que impulsionam os retornos de títulos.

Modelos de rede neural.

As redes neurais são quase certamente o modelo de aprendizado de máquina mais popular disponível para os comerciantes algorítmicos. As redes neurais consistem em camadas de nós interconectados entre entradas e saídas. Nós individuais são chamados de perceptrons e lembram uma regressão linear múltipla, exceto pelo fato de que eles alimentam algo chamado de função de ativação, que pode ou não ser não-linear. Em redes neurais não recorrentes, os perceptrons são organizados em camadas e as camadas são conectadas com outras. Existem três tipos de camadas, a camada de entrada, a (s) camada (s) oculta (s) e a camada de saída. A camada de entrada receberia os insumos normalizados que seriam os fatores esperados para conduzir os retornos do título e a camada de saída poderia conter classificações de compra, retenção, venda ou resultados prováveis ​​de valor real, como retornos em caixas. As camadas ocultas essencialmente ajustam as ponderações nessas entradas até que o erro da rede neural (como ela é executada em um backtest) seja minimizado. Uma interpretação disso é que as camadas ocultas extraem características salientes nos dados que possuem poder preditivo em relação às saídas. Para uma explicação muito mais detalhada das redes neurais, consulte este artigo.

Além desses modelos, há uma série de outros modelos de tomada de decisão que podem ser usados ​​no contexto de negociação algorítmica (e mercados em geral) para fazer previsões sobre a direção dos preços de títulos ou, para leitores quantitativos, fazer previsões sobre o probabilidade de qualquer movimento em um preço de ações.

A escolha do modelo tem um efeito direto no desempenho do sistema Algorithmic Trading. O uso de vários modelos (conjuntos) mostrou melhorar a precisão da previsão, mas aumentará a complexidade da implementação. O modelo é o cérebro do sistema de negociação algorítmica. Para tornar o sistema de negociação algorítmica mais inteligente, o sistema deve armazenar dados sobre todos os erros cometidos historicamente e adaptar os modelos internos de acordo com essas mudanças. De certa forma, isso constituiria autoconsciência (de erros) e auto-adaptação (calibração contínua do modelo). Dito isto, isso certamente não é um terminador!

Componente de Execução.

O componente de execução é responsável por passar pelas negociações que o modelo identifica. Esse componente precisa atender aos requisitos funcionais e não funcionais dos sistemas de negociação algorítmica. Por exemplo, a velocidade da execução, a frequência com que as negociações são realizadas, o período durante o qual as negociações são realizadas e o método pelo qual as ordens de negociação são roteadas para a troca precisam ser suficientes. Qualquer implementação do sistema de negociação algorítmica deve ser capaz de satisfazer esses requisitos. Neste artigo, proponho uma arquitetura aberta para sistemas de negociação algorítmica que, acredito, atende a muitos dos requisitos.

Componente Monitor.

A inteligência artificial aprende usando funções objetivas. Funções objetivas são geralmente funções matemáticas que quantificam o desempenho do sistema de negociação algorítmica. No contexto das finanças, as medidas de retorno ajustado ao risco incluem o índice de Treynor, o índice de Sharpe e o índice de Sortino. O componente do modelo no sistema de negociação algorítmica seria "solicitado" a maximizar uma ou mais dessas quantidades. O desafio com isso é que os mercados são dinâmicos. Em outras palavras, os modelos, a lógica ou as redes neurais que funcionavam antes podem parar de funcionar com o tempo. Para combater isso, o sistema de negociação algorítmica deve treinar os modelos com informações sobre os próprios modelos. Esse tipo de autoconsciência permite que os modelos se adaptem a ambientes em mudança. Penso nesta auto-adaptação como uma forma de calibração contínua de modelos para combater mudanças no regime de mercado.

Conclusão.

O Algorithmic Trading tornou-se muito popular na última década. Atualmente, é responsável pela maioria dos negócios realizados globalmente pelas bolsas e é atribuído ao sucesso de alguns dos fundos de hedge de melhor desempenho do mundo, mais notavelmente o da Renaissance Technologies. Dito isto, ainda há muita confusão e erros em relação ao que é Algorithmic Trading e como isso afeta as pessoas no mundo real. Até certo ponto, o mesmo pode ser dito da Inteligência Artificial.

Demasiadas vezes, a investigação sobre estes tópicos centra-se exclusivamente no desempenho e esquecemos que é igualmente importante que os investigadores e profissionais construam modelos conceptuais e teóricos mais fortes e mais rigorosos, sobre os quais podemos avançar neste campo nos próximos anos. Quer queiramos ou não, os algoritmos moldam nosso mundo moderno e nossa confiança neles nos dá a obrigação moral de continuamente procurar entendê-los e aperfeiçoá-los. Deixo-vos com um vídeo intitulado "Como os Algoritmos moldam o nosso mundo", de Kevin Slavin.

Os fundos de hedge acionados pela AI vão superar o mercado?

Alguns fundos de hedge se gabam de que os algoritmos de IA tomam suas decisões comerciais - mas esses sistemas podem ser mais convencionais do que parecem.

por Will Knight 4 de fevereiro de 2016.

Todos os dias, os computadores realizam milhões de transações eletrônicas realizando cálculos delicados que visam atingir uma vantagem mínima em termos de velocidade ou eficiência. Cada vez mais, no entanto, decisões comerciais mais significativas são tomadas por algoritmos mais inteligentes e autônomos.

Ambas as firmas comerciais estabelecidas e um punhado de startups estão explorando se tais técnicas de negociação, emprestadas do campo da inteligência artificial, poderiam ajudá-las a se desviar de outros operadores. E qualquer pessoa com dinheiro investido pode estar curiosa para saber se a tendência pode alterar a dinâmica dos mercados.

Fundos de hedge quantitativos, incluindo Bridgewater Associates, Renaissance Technologies, D. E. Shaw, e Two Sigma, têm, é claro, usado abordagens algorítmicas avançadas há alguns anos. Muitos dos métodos empregados por essas empresas são encontrados em áreas de pesquisa de inteligência artificial.

Mas os últimos dois anos também testemunharam um tremendo ressurgimento do interesse pela inteligência artificial, graças às novas técnicas de aprendizado de máquina - especialmente a aprendizagem profunda (envolvendo o treinamento de uma grande rede neural virtual para reconhecer padrões nos dados) - que tornaram os computadores capazes da percepção do nível humano de imagens, texto e áudio (consulte "10 Breakthrough Technologies 2013: Deep Learning"). Agora, a questão é se a IA pode fazer o mesmo para dados financeiros.

Está claro que esse progresso recente chamou a atenção de engenheiros que trabalham com finanças. Em um importante evento acadêmico para pesquisadores de inteligência artificial, o Neural Information Processing Systems (NIPS), realizado em Montreal em dezembro passado, vários milhares de pesquisadores acadêmicos e do setor se reuniram para discutir o progresso no desenvolvimento de novos algoritmos de aprendizado de máquina. Em uma área reservada para apresentações de pôsteres de estudantes de pós-graduação, grandes empresas de tecnologia, incluindo Google, Facebook, Apple, Microsoft, Amazon e IBM, pagaram para criar mesas de recrutamento, na esperança de atrair novos talentos para trabalhar para eles. Mas quase metade das empresas que recrutavam na NIPS não eram empresas de tecnologia, a não ser fundos de hedge e empresas financeiras.

Uma das empresas de lá era a grande empresa de investimentos britânica MAN AHL, que há anos se concentra no uso de abordagens estatísticas para elaborar estratégias de investimento. Anthony Ledford, cientista-chefe da MAN AHL, explica que a empresa está investigando se tecnologias como o aprendizado profundo podem ser financiadas. - Está em um estágio inicial - diz Ledford. - Deixamos de lado um pote de dinheiro para a negociação de testes. Com um aprendizado profundo, se tudo correr bem, ele entrará no teste de negociação, como outras abordagens de aprendizado de máquina.

Negociar pode parecer um lugar óbvio para aplicar o aprendizado profundo, mas na verdade não está claro quão comparável o desafio de encontrar padrões sutis em dados de negociação em tempo real é, digamos, identificar rostos em fotografias digitais. - É um problema muito diferente - admite Ledford.

Especialistas acadêmicos também parecem ser cautelosos. Stephen Roberts, professor de aprendizado de máquina na Universidade de Oxford, diz que o aprendizado profundo pode ser bom - para extrair tendências ocultas, informações e relacionamentos -, mas acrescenta que ainda é muito frágil no que diz respeito à manipulação de alta incerteza e ruído, que são predominantes em finanças.

Roberts também observa que o aprendizado profundo pode ser um processo relativamente lento e não pode oferecer o tipo de comportamento garantido que outras abordagens estatísticas oferecem. Em geral, ele diz, há uma certa quantidade de hype em torno da idéia de IA em finanças. "Eu sou um assunto muito amplo", diz ele. • E muitas técnicas estatísticas padrão usadas estão sendo renomeadas como IA e aprendizado de máquina.

Dito isso, novas empresas financeiras que se anunciam como focadas em IA podem estar interessadas em alguma coisa. Estes incluem a Sentient, sediada em São Francisco, a Rebellion Research em Nova York, e uma empresa de investimentos baseada em Hong Kong chamada Aidyia.

Um dos usos mais promissores de tecnologias de IA relativamente novas pode ser o processamento de dados de linguagem natural não estruturados na forma de artigos de notícias, relatórios de empresas e postagens de mídias sociais, em um esforço para colher insights sobre o desempenho futuro de empresas, moedas, commodities, ou instrumentos financeiros.

A Aidyia foi fundada por um conhecido pesquisador de inteligência artificial, Ben Goertzel, que também é o fundador da Hanson Robotics e presidente de um projeto de IA de código aberto chamado OpenCog. A Aidyia começou a ser negociada no ano passado, e Goertzel diz que a abordagem de sua empresa é muito mais ambiciosa do que os usados ​​hoje pela maioria dos fundos de hedge, inspirando-se na programação evolucionária, na lógica probabilística e na dinâmica caótica.

"Nosso sistema atende a uma variedade de insumos, incluindo preço e volume de trocas ao redor do mundo, notícias de várias fontes em vários idiomas, dados macroeconômicos e de contabilidade da empresa, e mais", disse Goertzel ao MIT Technology Review. Em seguida, estuda como esses vários fatores se inter-relacionaram historicamente e aprende um conjunto de dezenas de milhares de modelos preditivos que parecem ter valor preditivo, com base em seu estudo de dados históricos, que ajudam a orientar os investimentos da empresa.

Há certamente uma tendência para aumentar a automação entre as empresas financeiras. A Preqin, uma empresa que fornece dados do setor financeiro, relata que 40% dos fundos de hedge criados no ano passado eram “sistemáticos”, o que significa que eles confiam em modelos de computador para suas decisões.

Nem todos estão convencidos de que uma revolução da IA ​​nas finanças é iminente, no entanto. David Harding, o bilionário fundador e CEO de outra empresa comercial britânica, a Winton Capital Management, é geralmente cético em relação ao hype sobre o aprendizado de máquina e a inteligência artificial. - Se eu olhasse um pouco e olhasse para Winton, diria que é mais ou menos o que temos feito nos últimos 30 anos - diz ele.

Harding também lembra que um boom similar de interesse em redes neurais resultou em muitas startups no início dos anos 90. - As pessoas começaram a dizer: - Há uma nova e incrível tecnologia de computação que vai acabar com tudo o que aconteceu antes. Também havia uma moda para os algoritmos genéticos - lembra ele. - Bem, posso dizer que nenhuma dessas empresas existe hoje - nem uma salsicha delas.

Ledford, da Man AHL, também tem algumas palavras de cautela para quem acha que as últimas tecnologias de aprendizado de máquina poderiam oferecer um atalho para as riquezas. "É importante lembrar como o mercado pode ser modesto", diz ele. - Eu diria que não se mexe muito nas costas, mas também não fique muito desanimado.

Descubra como a IA está conduzindo o futuro do trabalho no EmTech Next!

Máquinas inteligentes irão dominar o comércio de FX - mas quando?

CÓPIA E DISTRIBUIÇÃO SÃO PROIBIDAS SEM PERMISSÃO DO EDITOR: CHUNT@EUROMONEY. COM.

Sistemas de Inteligência Artificial (IA) são caros demais para se tornarem mainstream por enquanto, mas um futuro em que traders de divisas humanas foram marginalizados por máquinas parece mais próximo do que nunca.

Os primeiros traders de câmbio robóticos de sucesso podem estar conosco por volta de 2020: essa é a previsão de Joséphine de Chazournes, analista sênior de pesquisa da Celent, empresa de pesquisa e consultoria.

Seu cronograma, que ela reconhece ser especulativo, leva em conta o enorme potencial da IA ​​no comércio, bem como os obstáculos igualmente grandes que a tecnologia ainda precisa superar.

“Muitos fundos e bancos já estão investindo em IA para negociação, mas a latência é um grande desafio quando se trata do mercado de câmbio.” FX é o maior desafio para a IA e provavelmente será a última classe de ativos. aprende a negociar, depois de ações blue-chips e títulos do Tesouro dos EUA, que têm desafios semelhantes ao FX ".

Há também muitas variáveis ​​macroeconômicas que influenciam os mercados de câmbio, o que as torna mais complicadas de modelar cognitivamente. No entanto, De Chazournes acredita que esses obstáculos serão superados. "Veremos o comércio de AI com sucesso em cerca de três anos", diz ela.

Yaron Golgher, CEO da I Know First (IKF), que fornece previsões de mercado baseadas em um algoritmo de inteligência artificial, acredita que algumas instituições financeiras já podem estar mais adiantadas em seus esforços para desenvolver máquinas de negociação AI FX.

"Embora o campo seja muito sigiloso, é seguro assumir que algoritmos avançados baseados em IA provavelmente já estão sendo usados ​​nas negociações por algumas tradings mais bem-sucedidas", diz ele.

Um comerciante que está aberto sobre seus esforços para desenvolver AI para negociar moedas em seu nome é David Lopez Onate, fundador da Forex Artilect. Embora seu fundo ainda não seja investível, ele acredita que a negociação forex já é viável para a IA. No entanto, por mais que seja agora, ele acredita que vai melhorar ao longo do tempo, à medida que supera os desafios que o De Chazournes da Celent delineia.

"A IA vai melhorar à medida que a tecnologia avança e a lei de Moore torna o poder de processamento mais barato, porque a potência computacional necessária é enorme", diz Onate. "Pode ser lucrativa agora, mas pode ser cem vezes melhor no futuro".

A Forex Artilect negocia as quatro principais moedas, o que mantém os custos de negociação baixos, tipicamente mantendo posições por alguns dias. Usando backtesting, gerou US $ 100 milhões de um investimento de US $ 10.000 em apenas dois anos.

"Os números do backtested parecem bons demais para ser verdade, mas se conseguirmos gerar apenas alguns por cento desse desempenho em condições reais de negociação, isso será incrível", diz Onate.

Ele diz que está aplicando inteligência artificial a forex em parte porque era seu mercado antes de se interessar pela tecnologia. "Mas também é porque há tão poucas pessoas olhando para aplicar AI para moedas, eu vi isso como uma oportunidade para avançar", acrescenta.

Filtrando o ruído.

Evidentemente, os algoritmos já ganharam considerável tração entre os operadores dos mercados financeiros, com uma proporção significativa do comércio de moedas já conduzida eletronicamente, com envolvimento humano bastante reduzido. No entanto, quando os algoritmos se destacam em analisar grandes conjuntos de dados, procurando anomalias ou correlações ocultas, eles não têm a análise crítica de um operador humano.

Os fornecedores de software têm as habilidades de programação para construir a inteligência artificial, mas para alcançar seu potencial de negociação nos mercados de câmbio, eles precisam convencer os melhores operadores de FX a ajudá-los a construir os sistemas. Se os dois grupos puderem trabalhar juntos, a AI promete levar os algoritmos para o próximo nível, casando as capacidades computacionais de uma máquina com o julgamento de um profissional experiente.

Este continua sendo um exercício delicado. Onate diz: "Há muito barulho nos mercados financeiros e o desafio para a IA é filtrar o ruído, porque você pode acidentalmente filtrar um sinal. A negociação a longo prazo é mais fácil porque os sinais são muito mais claros. Mas ainda estamos experimentando, estamos sempre testando e aprimorando o sistema ".

A IKF, que gera previsões diárias de mercado não apenas para moedas, mas também para ações, commodities, ETFs, taxas de juros e índices mundiais, para os horizontes temporais de curto, médio e longo prazos, afirma estar avançando neste processo. Seu sistema de IA é responsável por uma ampla gama de sinais do mercado na previsão, diz Lipa Roitman, diretora de tecnologia da IKF.

"O que é específico sobre nosso algoritmo é que toda previsão é acompanhada por um número - que chamamos de 'previsibilidade' - que indica a qualidade do aprendizado", diz ele. "Então, classificamos todo o universo de previsões e escolhemos as mais prováveis. oportunidades. ”

Supondo que as instituições financeiras encontrem a mistura certa de inteligência de máquina e dados pertinentes, Golgher da IKF diz que as vantagens de negociar forex com AI são objetividade, auto-aprendizado e flexibilidade.

Sistemas inteligentes de negociação: aplicação de inteligência artificial aos mercados financeiros.

Lida com a questão da predição problemática do preço de mercado no contexto do comportamento da multidão afetado pela psicologia das massas. Este título destaca o contraste entre um fenômeno da psicologia de massa e a hipótese do mercado eficiente, que é essencialmente baseado em uma teoria econômica comum. Consulte Mais informação.

Por favor, escolha se deseja ou não que outros usuários possam ver em seu perfil que esta biblioteca é a sua favorita.