РБК-крипто дало интересный материал по эксперимент компании Nofl, которая в октябре этого года выделила шести популярным лингвистическим нейросетям
По 10.000 $ и отправила их торговать на криптовалютную биржу. Настройки у сетей были, как пишут "одинаковые" им давали одинаковые наборы информации и один раз в три минуты они принимали решения, торгуя фьючерсами на криптовалюты. Итог: примерно за три недели четыре сети слили больше половины депозита, две остались в плюсе на 4% и 22%.
Результат не говорят ни о чем, хотя его можно было предсказать заранее. Для этого нужно коротко обсудить:
1. Что такое рынок для, внешнего наблюдателя?
2. Что такое новомодные БЛМ-модели.
3. Каковы последствия использования маржинальной торговли?
1. Про рынок. Начиная примерно с 1900 года в финансах утвердилось мнение, что поведение цен с точки зрения математики является случайным блужданием. И до сегодняшнего дня споры идут только о том какова его доля , и можно ли находить и отлавливать иногда возникающие короткие закономерности, которые быстро разрушаются. Кстати, к рынку всегда применяли все инструменты анализа, какие могли придумать. И даже уже и нейросети. В конце 1980-х, начале 1990-х пытались применятьНЕЙРО специализированные сети для решения задач анализа числовых данных. Результатам не было. Да и вообще, любую краткосрочную торговлю по любым сигналам теоретики финансов рассматривают как реализацию случайной траектории, поскольку сама цена является, случайным процессом, да и набор сигналов для принятия решений тоже с точки зрения математики случаен.
2. Блм - модель анализирует гигантский набор ТЕКСТОВ и прогонозирует одно следующее слово в тексте. Это все. Она не умеет работать с числами, их наборами, она не умеет делать анализ данных, строить распределения, считать вероятности и вот это все, что требуется, для анализа цен. Она может в ответ на полученный запрос выдать, например, одну из трех словесных рекомендаций: "купить", "продать", "держать". И они с точки зрения математики будут так же случайны, как и решения трейдеров-человеков.
Исходя из сказанного, можно было легко спрогнозировать результат эксперимента. Если бы взяли не 6 сетей, а, например, 1000, то результат был бы нагляднее, поскольку хорошо известен результат применения множества случайных стратегий на очень похожем на случайный ценовом графике. Не вдаваясь в глубокие дебри он будет примерно следующим: половина стратегий покажет результат лучше самой цены, половина - хуже. При этом разброс результатов будет очень широким.
И это без комиссий и плечей! Если ещё и их добавить, то все резко ухудшится!
Для демонстрации этой истории я взял реальный ряд цен (может быть кто-то узнает инструмент, хотя можно было взять и любую акцию, например
$GAZP или
$TMOS@ ) и промоделировал на нем 100 случайных стратегий, которые могли находиться в каждый момент времени в одном из трех состояний: лонг, шорт, или вне позиции. На графике черным - сам инструмент и пять линий, характерищующих итоговое распределений траекторий. Запись "персентиль Х%" означает, что ниже этой линии находится Х% всех полученных траекторий, а выше неё (1-Х)%. Комиссий и плечей нет.
Что видим? На данной реализации хуже реальной траектории, которая выросла примерно на 36% за время моделирования, оказались около 80% всех стратегий. В минусе оказались больше половины всех стратегий, 10% худших потеряли больше 40% депозита, 10% лучших заработали больше 50%. Ну и разброс траекторий, как видим весьма широкий.
Кстати, когда я работал в брокерской компании, я однажды провел анализ динамики наших брокерских счетов по отношению к индексу Мосбиржи за один год истории. Результаты, были на удивление похожи.
Так что результат эксперимента с модными моделями меня совершенно не удивил и только утвердил во мнении, что они так же не применимы рынку, как и многие другие инструменты.
Но остался ещё один вопрос - об эффекте плеча. Его я покажу в следующий раз.
#нейросети #рынок #пульс_оцени #хочу_в_дайджест