Künstliche Intelligenz im Finanzwesen

Teil III. Statistische Ineffizienzen

"Es gibt Muster auf dem Markt", sagte Simons zu einem Kollegen. "Ich weiß, dass wir sie finden können."¹

Gregory Zuckerman (2019)

Das Hauptziel dieses Teils ist es, neuronale Netze und Reinforcement Learning anzuwenden, um statistische Ineffizienzen in Finanzmärkten (Daten) zu entdecken. Eine statistische Ineffizienz im Sinne dieses Buches liegt vor, wenn ein Prädiktor (ein Modell oder Algorithmus im Allgemeinen oder ein neuronales Netzwerk im Besonderen) die Märkte deutlich besser vorhersagt als ein zufälliger Prädiktor, der Aufwärts- und Abwärtsbewegungen die gleiche Wahrscheinlichkeit zuweist. Im algorithmischen Handel ist die Verfügbarkeit eines solchen Prognosemodells eine Voraussetzung für die Erzielung von Alpha oder Renditen über dem Markt.

Dieser Teil besteht aus drei Kapiteln, die mehr Hintergrundinformationen, Details und Beispiele zu dichten neuronalen Netzen (DNNs), rekurrenten neuronalen Netzen (RNNs) und Verstärkungslernen (RL) enthalten:

• Kapitel 7 befasst sich ausführlicher mit DNNs und wendet sie auf das Problem der Vorhersage der Richtung von Finanzmarktbewegungen an. Historische Daten werden verwendet, um Daten mit verzögerten Merkmalen und binäre Etiketten zu erzeugen. Diese Datensätze werden dann verwendet, um DNNs durch überwachtes Lernen zu trainieren. Der Schwerpunkt liegt auf der Identifizierung statistischer Ineffizienzen auf den Finanzmärkten. In einigen Beispielen erreicht das DNN eine Vorhersagegenauigkeit von ...