Si bien el aprendizaje automático no puede hacer todo lo que la gente puede hacer, la tecnología está encontrando tracción en el campo de las finanzas.
El aprendizaje automático no puede hacer todo lo que la gente puede hacer, pero la tecnología está encontrando un uso más extendido en el campo de las finanzas.
Barry Porter conversa con Gary Kazantsev, Jefe de Aprendizaje Automático de Bloomberg, Gideon Mann, Jefe de Ciencia de Datos de Bloomberg, y Bruno Dupire, Jefe de Investigación Cuantitativa de Bloomberg, sobre las posibilidades
P: ¿Cuál es la interpretación errónea más grande sobre el aprendizaje automático en el mundo de las finanzas?
Gary Kazantsev: Que es una especie de varita mágica que resolverá problemas difíciles en contravención de la realidad conocida a partir de estadísticas básicas.
Ninguna cantidad de aprendizaje automático le ayudará si el problema que intenta resolver está mal planteado, o si no tiene una cantidad suficiente de datos, o si no se tiene cuidado con temas como la falta de estacionariedad y el sesgo.
Gideon Mann: Una interpretación errónea importante es que el aprendizaje automático puede hacer cosas que las personas no pueden hacer, que puede lograr mágicamente cosas que sobrepasan la capacidad humana. Por lo general, los mayores impactos del aprendizaje automático provienen de la automatización de decisiones humanas simples y directas, pero haciéndolo a un costo que hace que el procesamiento sea más económico. Esto, a su vez, conduce a la apariencia de ser mágica.
P: ¿Qué es lo que más les emociona?
GK: El rango de problemas existentes que ahora es posible abordar utilizando métodos de aprendizaje automático.
Bruno Dupire: Los desafíos que la IA nos presenta, cómo nos obliga a cuestionar qué constituye nuestra esencia como seres humanos. Los dominios de competencias que antes se pensaba que eran intocables se esán descubriendo uno por uno, redefiniendo los problemas ontológicos.
Dos grandes preguntas son: ¿Pueden las máquinas realizar todas nuestras tareas cognitivas? Y, si pueden, ¿van a realizarlas mucho mejor que nosotros?
P: ¿Qué tan avanzado es el aprendizaje automático en las finanzas hoy en día?
GK: Depende. La variedad de problemas que se atacan y los métodos utilizados son ahora vastos y se están expandiendo rápidamente. Estamos familiarizados con organizaciones que realizan el desarrollo de la estrategia de extremo a extremo (desde la selección de la cartera hasta la ejecución) como un problema conjunto de aprendizaje automático.
También hay muchas empresas que ahora solo están empezando a investigar este campo.
El nivel de aceptación de las nuevas tecnologías en las instituciones financieras varía en función de su perfil de riesgo aceptable, los requisitos específicos de interpretabilidad y la transparencia de los modelos, e incluso la región geográfica. Esto se aplica al aprendizaje automático, incluso más que a muchas otras tecnologías.
BD: La finanza cuantitativa es un campo natural para el AA, como aprendizaje para establecer vínculos entre los datos de entrada y los retornos es muy valioso.
Todavía se encuentra en su etapa inicial, pero se está recuperando muy rápidamente, con avidez. Los datos, tanto los estructurados (series cronológicas de precios de seguridad, fundamentales) como los no estructurados (texto de noticias/tuits/transcripciones de llamadas, búsquedas en la red, imágenes satelitales) se explotan de manera sistémica, y la variedad de métodos se amplía incesantemente.
Bosques aleatorios, máquinas de vectores de soporte, gráficos de conocimiento, redes recurrentes, LSTM (Memoria Larga a Corto Plazo), redes de convolución, GAN (Redes Adversas Generativas). Ha cambiado mucho desde que utilicé inicialmente redes neuronales para pronosticar series de tiempo financieras en 1987.
P: ¿Cómo los clientes sofisticados están utilizando el aprendizaje automático en su flujo de trabajo y cómo está impactando las estrategias de inversión?
GK: Lo hemos visto todo, desde el análisis del riesgo de contrapartes hasta la ejecución óptima, y desde la predicción del riesgo de bancarrota hasta la previsión de rendimientos, ganancias o estadísticas de desempleo. También se está utilizando en la construcción de cartera, análisis de percepciones de noticias financieras, entre otras muchas cosas. El aprendizaje automático se está convirtiendo en una parte integral de la caja de herramientas utilizada en la creación de estrategias sistemáticas.
P: ¿Qué está impulsando la inversión y la atención en el aprendizaje automático en la industria financiera?
GM: El aprendizaje automático ha tenido un enorme efecto en otras industrias y ha impulsado un crecimiento significativo. Piense en Google, Amazon, Facebook. También hay un número cada vez mayor de empresas financieras que han podido aprovechar el aprendizaje automático para generar valor.
Finalmente, la presión para recortar los costos ha enfocado a las empresas hacia su interior para ver si pueden hacer más con menos, y mejorar la productividad de los empleados a través de la tecnología aumentativa se ha vuelto más atractivo.
P: ¿De qué nueva aplicación o herramienta de aprendizaje automático de Bloomberg están más orgullosos y por qué?
BD: Estamos construyendo un conjunto de prototipos de aprendizaje automático que permite al usuario acceder a scikit-learn, TensorFlow y a nuestras propias funciones, en un entorno interactivo muy fácil de usar.
Ofrece múltiples formas de visualizar los datos, el progreso del aprendizaje y cómo funciona el algoritmo.
GM: Hemos realizado inversiones significativas en nuestra infraestructura de redes neuronales y, gracias a nuestros esfuerzos, hemos visto numerosos ejemplos de modelos de redes neuronales desplegadas.
A partir de esto, el esfuerzo por comprender las tablas me ha hecho sentir particularmente orgulloso, ya que demuestra el poder de estas nuevas tecnologías sobre un problema antiguo y complicado.
GK: Estoy particularmente orgulloso del trabajo que hemos realizado para responder preguntas. Hemos podido impactar en la forma en que los clientes utilizan la Terminal a pesar de que es un problema abierto muy complejo.
P: ¿Pueden dar una predicción para el futuro?
GM: Creo que es probable que el futuro se caracterice cada vez más por períodos bastante estables interrumpidos por cambios muy rápidos a medida que aumenta la velocidad a la que se difunde la información y la tecnología.
GK: Los niveles del mar subirán, los mercados fluctuarán y el aún con el aprendizaje profundo no nos dará una verdadera inteligencia artificial a nivel humano.
BD: Para las tareas avanzadas, no es suficiente dejar que los datos conduzcan el proceso de aprendizaje, también se necesita inyectar conocimiento experto, lo que lleva a sistemas híbridos.