एआई केस स्टडीः कई खाली सिर की रणनीति

इस लेख में, हम एक उन्नत एल्गोरिथ्म का उपयोग करके एक मॉड्यूल को बेहतर बनाने के लिए एक वैकल्पिक डेटा-संचालित निवेश (ADDI) रणनीति का उपयोग करेंगे, जो एक स्वचालित बहु-अवकाश निवेश रणनीति है जिसका उद्देश्य बाजार से अलग स्थिर प्रदर्शन प्राप्त करना है, जिसमें न्यूनतम रिवर्स जोखिम है।

हमारे द्वारा विकसित एल्गोरिथ्म एक कस्टम गहरी तंत्रिका नेटवर्क है, जिसका उपयोग बहु-स्थानिक रणनीतियों से जुड़े जोखिमों को कम करने के लिए किया जाता है।

न्यूरोनेट का उपयोग क्यों करें?

पृष्ठभूमि

के लिएनिवेशकों की मात्रायह उनके निवेश यात्रा के मध्य बिंदु को चिह्नित करता है; लेकिन सबसे महत्वपूर्ण और सबसे दिलचस्प चरणों में से एक अभी सामने है, जिसमें अनगिनत संभावनाएं खुलती हैंः हम इन आंकड़ों को संकेतों में कैसे बदलेंगे?

हम पारंपरिक सांख्यिकीय तरीकों का उपयोग करके अपनी धारणाओं का परीक्षण कर सकते हैं, और उन्नत एल्गोरिदम जैसे मशीन सीखने और गहराई से सीखने के क्षेत्रों में भी जा सकते हैं। शायद कुछ मैक्रोइकॉनॉमिक सिद्धांतों के प्रति जुनून आपको विदेशी मुद्रा (FX) बाजार में इसके अनुप्रयोगों पर शोध करने के लिए प्रेरित करता है। या शायद FMZ को समझने के लिए जुनून आपको मात्रात्मक निवेश के रास्ते पर ले जा सकता है। इनमें से प्रत्येक शोध पथ न केवल प्रभावी है, बल्कि इसका पता लगाने के लायक भी है।

ईटीएस पद्धति

हमारे मामले में, अध्ययन के क्षेत्र का चयन करने के लिए केवल एक मार्गदर्शक सिद्धांत हैःनवाचार करने का साहस 。

जब कोई कैथेड्रल के बारे में सोचता है, तो यह पत्थर का ढेर नहीं है।

इसके पीछे का मूल सिद्धांत बहुत सरल है - यदि हम नवाचार नहीं करते हैं, तो हम बाहर नहीं निकलते हैं और सफलता के अवसर कम हो जाते हैं। इसलिए, चाहे हम नई रणनीतियों का निर्माण कर रहे हों, जो पारंपरिक आंकड़ों पर भरोसा करते हैं या कंपनी के वित्तीय विवरण से अंतर्दृष्टि प्राप्त करने से संबंधित हैं, हम हमेशा इसे नए तरीकों से प्राप्त करने का प्रयास करते हैं। हम विशिष्ट परिदृश्यों के लिए विशिष्ट परीक्षण बनाते हैं, वित्तीय विवरण में असामान्यताओं का पता लगाते हैं या विशिष्ट समस्याओं के आधार पर हमारे मॉडल को समायोजित करते हैं।

इस प्रकार, तंत्रिका नेटवर्क विशेष रूप से विशिष्ट समस्याओं को हल करने के लिए अनुकूलनशीलता और लचीलेपन के कारण आकर्षक हैं, जो हमें अभिनव तकनीकों को विकसित करने में मदद करता है।

जैसा कि हमने देखा है, इन तकनीकों का उपयोग करने के कई तरीके हैं। लेकिन, हमें सावधानी बरतनी चाहिए, क्योंकि यहां कोई जादू सूत्र नहीं है। किसी भी प्रयास की तरह, हमें हमेशा आधार से शुरू करना चाहिए, और कभी-कभी, सरल रैखिक प्रतिगमन बहुत प्रभावी साबित हो सकता है।

आज के फोकस पर लौटते हुए, हम डीपीएन की शक्तिशाली क्षमताओं का उपयोग करेंगे, वित्तीय विवरण और ऐतिहासिक मूल्य डेटा का उपयोग करके जोखिम की भविष्यवाणी करने के लिए इनपुट के रूप में।

हमारे मॉडल

यह कहते हुए, हम मॉडल के प्रदर्शन का आकलन करने के लिए ऐतिहासिक उतार-चढ़ाव दर जैसे सरल तरीकों से तुलना करेंगे।

इससे पहले कि हम आगे बढ़ें, मान लीजिए कि हम तंत्रिका नेटवर्क के कुछ महत्वपूर्ण अवधारणाओं से परिचित हैं और हम उनका उपयोग कैसे कर सकते हैं ताकि भविष्यवाणी आउटपुट वितरण का अनुमान लगाया जा सके।

इसके अलावा, आज के उद्देश्य के लिए, हम केवल हमारे बेंचमार्क के लिए सुधारों और निवेश रणनीतियों में उनके उपयोग के परिणामों पर ध्यान केंद्रित करेंगे।

इसलिए, समय-क्रम डेटा अनिश्चितता को मापने के बारे में बाद के लेख में, हम भविष्य में विभिन्न समय सीमाओं पर अपेक्षित मूल्य रिटर्न के अंशों का अनुमान लगाकर कंपनी के जोखिम का अनुमान लगाने का प्रयास करेंगे, जो हमारे उदाहरण में 5 दिन से 90 दिन तक है।

नीचे एक उदाहरण दिया गया है कि मॉडल को प्रशिक्षित करने के बाद, भविष्य के विभिन्न समय सीमाओं के लिए डिवीजनल भविष्यवाणियां (नीले रंग में) कैसे दिखाई देंगी।

हमारे मॉडल का मूल्यांकन करें

जैसा कि ऊपर बताया गया है, हमारी रणनीति में हमारे मॉडल का उपयोग करने से पहले, हम इसके पूर्वानुमानों की तुलना अतीत में उतार-चढ़ाव की दर के सरल रूपांतरण का उपयोग करके प्राप्त भविष्यवाणियों से करते हैं। क्या अतीत में उतार-चढ़ाव की दर का सरल रूपांतरण जटिल एल्गोरिदम से बेहतर है?

हमारे मॉडल और बेंचमार्क का मूल्यांकन करने के लिए, हमने उनके मार्जिन अनुमानों की तुलना देखे गए रिटर्न से की। उदाहरण के लिए, 0.9 मार्जिन के लिए हमारे सभी अनुमानों में, हम औसत पर 90% की संभावना के साथ उम्मीद करते हैं कि मूल्य का रिटर्न इस मार्जिन अनुमान से कम होगा।

यह वह है जो हम नीचे दिए गए चित्र में मूल्यांकन करने की कोशिश कर रहे हैं (सभी परिणाम दिखाए गए परीक्षण सेट से हैं) । बाएं चित्र में हम सैद्धांतिक कवरेज और वास्तविक कवरेज की तुलना कर सकते हैं। दाएं चित्र में हम इन कवरेज के बीच अंतर देखते हैं (सैद्धांतिक कवरेज - वास्तविक कवरेज) जिसे हम कहते हैंकवरेज की त्रुटिउदाहरण के लिए, 0.2 अंक के लिए, कवरेज त्रुटि 0.4% के करीब है, जिसका अर्थ है कि औसतन, हम 20.4% डेटा को इन मानों से नीचे देखते हैं, न कि सैद्धांतिक 20%।

हमने प्रक्षेपण खिड़की (५, १०... दिन) के अनुसार सभी अंकों के कवर त्रुटि का औसत किया और बेंचमार्क परीक्षण और एआई मॉडल के परिणामों की तुलना की।हमारे डीप लर्निंग मॉडल बेहतर प्रदर्शन कर रहे हैं।हम अपनी रणनीति में अपने मॉडल को शामिल करने के लिए तैयार हैं।

एडीडीआई में एआई

एडीडीआई एक बीटा-न्यूट्रल लीवरेज्ड पोर्टफोलियो (बीटा मूल्य ~ 0.1) है, जो मंदी और तेजी के बाजारों में अल्फा उत्पन्न करने में सक्षम है, जो बाजार के लिए एक सीमित शुद्ध प्रवेश और कम जोखिम वाली स्थिति है।

इस रणनीति के कई भागों में उच्च गुणवत्ता वाले और कम उतार-चढ़ाव वाले विकल्पों का चयन किया जाता है; इसलिए, स्टॉक जोखिम आकलन इस प्रक्रिया का एक महत्वपूर्ण कार्य है; खाली सिर में, जोखिम आकलन भी एक महत्वपूर्ण गणना है, क्योंकि यह रणनीति बहुत अधिक जोखिम वाले या बहुत कम जोखिम वाले परियोजनाओं से बचने का प्रयास करती है।

हम रणनीति के बहुआयामी और रिक्त भागों में विभिन्न गणना चक्रों में ऐतिहासिक उतार-चढ़ाव दरों के माध्यम से जोखिम को माप सकते हैं।

ADDI जोखिम विश्लेषण को बेहतर बनाने के लिए, हम वर्तमान जोखिम गणना प्रक्रिया को बदलने के लिए पहले दिखाए गए गहरे तंत्रिका नेटवर्क एल्गोरिदम का परीक्षण करेंगे।

परिणाम

नए डीप लर्निंग मॉडल का परीक्षण स्टैंडर्ड 900 सूचकांक के घटक में निवेश किए गए बहु-हेड स्टिकर की रणनीति पर किया गया है और प्रदर्शन और जोखिम दोनों के परिणामों में सुधार देखा गया हैः

• कुल रिटर्न मूल संस्करण की तुलना में अधिक दिखाता है
• अस्थिरता में कमी
• शार्प की दर बढ़ी
• रिकोड और वीएआर में जोखिम कम
• सबसे अधिक 1 साल की रोलिंग वृद्धि है।

निष्कर्ष

इस लेख में, हम एक उन्नत एल्गोरिथ्म मॉडल का एक उदाहरण दिखाते हैं, जिसका उपयोग लेनदेन बहु-स्थानिक मात्रात्मकता (एडीडीआई) रणनीतियों को बेहतर बनाने के लिए किया जाता है। हम बताते हैं कि न्यूरल नेटवर्क का उपयोग करके मात्रात्मक निवेश उत्पादों में विशिष्ट कार्यों को बेहतर बनाने और अधिक सटीक रूप से प्रबंधित करने के लिए कैसे किया जा सकता है, जिससे अंतिम परिणाम में सुधार होता है।

हालांकि, मॉडल का उपयोग करने की क्षमता और भी अधिक है, हम इस एल्गोरिथ्म को विभिन्न अन्य रणनीतियों के लिए भी उपयोग कर सकते हैं। उदाहरण के लिए, हम इसका उपयोग उच्चतम शार्प अनुपात वाली कंपनियों को चुनने के लिए कर सकते हैं, और यहां तक कि एक जोड़ी व्यापार रणनीति को लागू करने के लिए भी कर सकते हैं। क्या आप अन्य रणनीतियों के बारे में सोच सकते हैं?

मूल लिंकःhttps://quantdare.com/ai-case-study-long-short-strategy/