کاربرد الگوریتم های بازی در تجارت و پیش بینی بازارهای مالی

این یک مقاله با دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons (CC توسط) توزیع شده است. استفاده ، توزیع یا تولید مثل در سایر انجمن ها مجاز است ، مشروط بر اینکه نویسنده اصلی (ها) و مالک (های) دارای حق چاپ (دارایی) اعتبار داشته باشند و انتشار اصلی در این ژورنال مطابق با عمل دانشگاهی پذیرفته شده استناد می شود. بدون استفاده ، توزیع یا تولید مثل مجاز است که این شرایط را رعایت نمی کند.

خلاصه

سؤال اصلی تحقیق در این مطالعه این است که آیا می توان روش هوش مصنوعی بازی خود را در بازارهای مالی اعمال کرد. در موارد استفاده معمولی از بازی خود ، دو عامل هوش مصنوعی در یک بازی خاص ، به عنوان مثال ، شطرنج یا رفتن ، در برابر یکدیگر بازی می کنند. آنها با بازی مکرر بازی ، قوانین آن و همچنین استراتژی های برنده را می آموزند. با این حال ، هنگام در نظر گرفتن بازارهای مالی ، ما معمولاً یک بازیکن داریم - معامله گر - که با یک دشمن جداگانه روبرو نیست بلکه در برابر جهان وسیع سایر شرکت کنندگان در بازار رقابت می کند. علاوه بر این ، رفتار بهینه در بازارهای مالی از طریق یک استراتژی برنده توصیف نمی شود ، بلکه از طریق هدف حداکثر سود در حالی که مدیریت ریسک را به طور مناسب مدیریت می کند. سرانجام ، مسائل مربوط به داده ها باعث چالش های اضافی می شود ، زیرا ، در امور مالی ، آنها اغلب ناقص ، پر سر و صدا و دستیابی به آن دشوار هستند. ما نشان خواهیم داد که تحقیقات دانشگاهی با استفاده از بازی خود بیشتر روی امور مالی متمرکز نشده است ، و در صورت وجود ، معمولاً به بازارهای سهام محدود می شد ، بدون در نظر گرفتن FX بزرگ ، کالاها و بازارهای اوراق قرضه. با وجود این چالش ها ، ما پتانسیل عظیمی برای استفاده از مفاهیم و الگوریتم های خود بازی در بازارهای مالی و پیش بینی های اقتصادی می بینیم.

معرفی

با گذشت سالها ، دانشگاهیان و کارشناسان علوم کامپیوتر و آمار تکنیک های پیشرفته ای را برای به دست آوردن بینش از مجموعه داده های بزرگ با ترکیب انواع داده های مختلف به دست آمده از منابع مختلف ایجاد کرده اند (نگاه کنید به بریتو ، 2014). این مدل ها می توانند با یادگیری از تجربه ، از توانایی رایانه ها در انجام کارهای پیچیده استفاده کنند. به دنبال تعریفی که توسط هیئت ثبات مالی (2017) ارائه شده است. هوش مصنوعی (AI) اصطلاح گسترده ای است که "استفاده از ابزارهای محاسباتی برای رسیدگی به وظایف به طور سنتی نیاز به پیچیدگی انسان" دارد.

ذکر این نکته ضروری است که اغلب، اصطلاحات هوش مصنوعی و یادگیری ماشینی (ML) به جای یکدیگر استفاده می شوند. با این حال، هوش مصنوعی یک اصطلاح گسترده تر است، که ML زیرمجموعه ای از آن را نشان می دهد: تفاوت در این است که ML روشی مبتنی بر داده برای دستیابی به هوش مصنوعی است، اما نه تنها راه. به طور مشابه، تجزیه و تحلیل داده های بزرگ گسترده تر از ML است، زیرا شامل یادگیری آماری نیز می شود.

هوش مصنوعی امروزه بیشتر و بیشتر مورد توجه قرار گرفته است. کاربرد عملی آن در زمینه های مختلف و مزایای احتمالی، چشم اندازهای کسب و کار را حتی در محافظه کارانه ترین مناطق تغییر می دهد. هوش مصنوعی در حال حاضر در مدیریت ریسک، کشف تقلب، کلان داده و تجارت استفاده می شود. در بیشتر موارد، ادبیات شواهد تجربی از روش های مبتنی بر هوش مصنوعی ارائه می دهد که عملکرد قابل توجهی از سایر رویکردهای مرسوم دارند. الگوریتم های خودبازی متعلق به حوزه هوش مصنوعی، دقیقاً ML هستند، با تمرکز بر این که چگونه عوامل باید در یک محیط اقداماتی را انجام دهند تا برخی از مفهوم پاداش تجمعی را به حداکثر برسانند. آنها اغلب با یادگیری تقویتی چند عاملی (RL) مرتبط هستند. این اصطلاح به آن رویکرد برنامه نویسی پویا اشاره دارد که هدف آن آموزش الگوریتم ها با استفاده از سیستم پاداش و مجازات است. با این وجود، تعریف جامع به سختی در دسترس است زیرا این اصطلاح معمولاً به الگوریتم ها و رویکردهای متعدد مربوط می شود. هدف اصلی مفهوم خودبازی دستیابی به عملکرد فوق بشری در بسیاری از وظایف چالش برانگیز مانند بازی ها، فرآیندهای تصمیم گیری و فعالیت های تجاری است. از طریق تعاملات متعدد با محیط، الگوریتم (عامل) بدون دخالت انسان یاد می گیرد و عملکرد پاداش را به حداکثر می رساند. نماینده در صورت انجام تصمیم صحیح پاداش دریافت می کند و در غیر این صورت جریمه می کند. ایده پشت یادگیری تقویتی در ابتدا از روانشناسی رفتارگرا الهام گرفته شده است. الگوریتم مشابه با کودکی که یک کار جدید را انجام می دهد یاد می گیرد (ساتون و بارتو، 2018).

کاربرد الگوریتم های بازی در تجارت و پیش بینی بازارهای مالی

هنگامی که به انتقال مفهومی الگوریتم های خودبازی به کاربردهای آنها در بازارهای مالی فکر می کنیم، بلافاصله با دو چالش اساسی روبرو می شویم:

(i) فضای اطلاعاتی که بر اساس آن تصمیم گیری می شود نامحدود و تا حدی ناشناخته است.

(۲) برخلاف تمرین های خودبازی کلاسیک، یا یک بازیکن درگیر است (یک عامل در پس زمینه یک محیط بازار از پیش تعیین شده یاد می گیرد) یا تعداد بیشماری از آن ها (تعداد عواملی که خود بازار را تشکیل می دهند).

قبل از پرداختن به این چالش ها به تفصیل ، اجازه دهید ابتدا ببینیم که چرا عوامل هوش مصنوعی خود بازی هنوز یک کاندیدای مناسب برای کارهای تصمیم گیری مالی نیز هستند.

روشهای هوش مصنوعی با استفاده از الگوریتم های بازی خود به تازگی در تسلط بر تعدادی از چالش ها که برای غلبه بر رویکردهای یادگیری ماشین معمولی دشوار است ، بسیار موفق بوده اند ، یعنی چالش هایی که با پیچیدگی بالای مجموعه مسئله مشخص می شوند (بعد بالای فضای فاز ، علیت غیر خطی) ، دانش ناقص از مجموعه اطلاعات (تعریف شده و محدود) ، ضرورت برای زمان واقعی ، مبهم بودن فضای راه حل و غیره.

الگوریتم های بازی خود سابقه طولانی در انجام بازی های سنتی مانند شطرنج ، چکرز ، Backgammon و Go دارند (ساموئل ، 1959 ؛ Tesauro ، 1992 ؛ Silver et al. ، 2017 ، 2018). ساموئل (1959) با استفاده از هرس به اصطلاح "Alpha-Beta" و چندین شکل از هولدها برای محدود کردن گسترش درخت حرکت ، یک برنامه پیشرفته را برای بازی در چکرز ایجاد کرد. حتی اگر این برنامه نتوانست از استادان Checker استفاده کند ، اما در مقایسه با سایر رویکردهای موجود ، توانایی بازی آن نسبتاً زیاد بوده است. مثال دیگر از Tesauro (1992) ارائه شده است که یک شبکه عصبی را برای بازی Backgammon کاملاً مبتنی بر پیکربندی صفحه بازی خود طراحی کرده است. همچنین شایان ذکر است که بازی Backgammon همچنین شامل یک عنصر تصادفی ناشی از نقش تاس در نمایشنامه است.

نقره و همکاران.(2017) و سیلور و همکاران.(2018) گزارشی جامع در مورد عوامل خوب آموزش دیده مانند Alphago یا Alphastar DeepMind ارائه داده است که جنبه های مهم مختلفی از چنین بازی هایی را به دست آورده و موفق به رقابت در برابر بازیکنان انسانی در سطح جهانی شده است ، به طور مداوم آنها را کتک می زند و حتی استراتژی های جدیدی را که قبلاً هرگز توسط آنها به کار گرفته نشده بودبازیکنان انسانی. Alphazero که به تازگی توسعه یافته است ، Alphazero آموخته است که به بازی Starcraft II ، Dota و Poker در نتیجه از بازیکنان برتر بازی برتر باشد (Silver et al. ، 2017 ؛ Wang et al. ، 2018).

با این حال ، لازم به ذکر است که برای بازی با موفقیت در StarCraft II ، علاوه بر پردازش اطلاعات سریع و محاسبه درختان تصمیم گیری پیچیده ، خصوصیاتی مانند برنامه ریزی استراتژیک میانه تا بلند مدت ، خلاقیت ، برخورد با مبهم و توانایی تطبیق رفتار فردبه یک محیط در حال تغییر ، ضروری است - چیزهای تا کنون فقط به بازیکنان انسانی نسبت داده شده است. با این وجود ، به نظر می رسد آموزش و پرورش عوامل هوش مصنوعی ، که می تواند شاهکارهای بسیار قابل توجهی را انجام دهد - حداقل در محیط از پیش تعریف شده و محدود یک بازی.

بگذارید اکنون توجه خود را به بازارهای مالی معطوف کنیم. Badea (2000) یکی از اولین تلاش های موفقیت آمیز برای استفاده از برنامه نویسی منطق القایی (ILP) برای ترکیبی از شاخص های فنی مشهور بر اساس داده های معاملاتی تاریخی است. نویسنده فرصت های تجاری ایده آل را مشخص می کند و آنها را به یادگیرنده ILP تغذیه می کند ، که در نتیجه استراتژی های معاملاتی با قوانین واضح و قابل شناسایی را به عنوان یک خروجی تولید می کند. هالپرین و فلدشتین (2018) براساس رویکرد خودآموزی ، روش کاملاً جدیدی را برای سیگنال ها پیشنهاد می کنند ، که می تواند پسوند مدل مشهور سیاه پوستر در نظر گرفته شود ، که یکی از مهمترین رویکردهای مدیریت نمونه کارها است زیرااز سادگی و تمرکز دقیق آن بر پویایی بازار. مدل یادگیری تقویت کننده نظری معکوس اطلاعات عقلانی (BRIT-ILL) که توسط هالپرین و فلدشتین (2018) تهیه شده است ، پویایی بازار و الگوهای ناشناخته را از داده های بازار سهام ضبط می کند.

امروزه ، چند تلاش امیدوارکننده برای استفاده از الگوریتم های بازی خود در تجارت وجود دارد. در سال 2018 ، ادوارد لو یک مدل یادگیری عمیق تقویت کننده Q-Trader را توسعه داد. 1 این مدل قرار بود به سودهای کوتاه مدت تجارت سهام برسد و در شاخص S& P 500 آزمایش شده است و از نظر آماری نتایج مثبت معنی داری دارد. با این حال ، از نظر تصمیم گیری طولانی مدت ، آنقدر مناسب نبود که در دوره های کوتاه مدت اعمال شود. بازرگان Q از مفهوم مهیج به نام Experience Replay استفاده می کند ، که بسیار شبیه به استراتژی Alphago است که توسط DeepMind تهیه شده است.

علاوه بر این ، ادبیات دانشگاهی تلاش مهیج دیگری برای اعمال استراتژی Alphago در بازارهای مالی ، 2 به ویژه در تجارت سهام و قیمت گذاری دارایی ، یعنی چگونگی تأثیر عملکرد مالی شرکت ها بر قیمت سهام ، ارائه می دهد. اگرچه این تحقیق هنوز در مراحل اولیه است و با توجه به عملکرد موفقیت آمیز گذشته آن (Alphago دارای بالاترین رتبه ممکن GO) سوالات باز بیشمار است ، بدون شک استراتژی های معاملاتی مبتنی بر تکنیک هایی مشابه با موارد استفاده شده در Alphago ، این کار را دارند. پتانسیل برای تأثیر چشمگیر در بازارهای مالی و استراتژی های معاملاتی بهینه. سیستم معاملاتی پیشنهادی به مشخصات شبکه عصبی عمیق نیاز دارد.

توجه به این نکته ضروری است که اکثر رویکردهای فعلی منحصراً روی بازار سهام متمرکز شده اند. به نظر می رسد سایر بازارهای مانند FX ، کالاها و بازارهای اوراق بهادار به طور قابل توجهی مورد بررسی قرار نمی گیرند و فضای کافی را برای تحقیقات و تجزیه و تحلیل بیشتر ارائه می دهند. پیش بینی بازار سهام در واقع دارای اصول محکم است ، به این معنی که مدل های پیش بینی بیشماری نقاط شروع جالب را ارائه می دهند.

علاوه بر این ، بازارهای FX و کالاها غالباً به عنوان محرک اقتصاد جهانی و تجارت بین المللی در نظر گرفته می شوند. قیمت کالاهای استراتژیک مانند نفت ، فلزات و گاز تأثیر گسترده ای بر اقتصاد از نظر تورم ، هزینه های دولت یا سرمایه گذاری مستقیم خارجی دارد. قدرت یا ضعف ارزهای عمده به میزان قابل توجهی بر تجارت بین المللی تأثیر می گذارد. از این رو ، تحقیق در مورد آنچه باعث می شود اقتصاد جهانی در چنین تحلیلی قریب الوقوع باشد. با این حال ، کاربرد موفقیت آمیز الگوریتم های خود بازی در کلیه کلاسهای دارایی یک دستاورد قابل توجه خواهد بود که ممکن است وضعیت فعلی تجارت را به طور کامل تغییر دهد.

علاوه بر این ، RL چند عامل می تواند به مدل سازی تصمیمات گرفته شده در چارچوب تئوریکی تئوری بازی کمک کند و از این رو روند را قابل درک ، شفاف و قابل توضیح می کند. الگوبرداری از رفتار عوامل هوش مصنوعی زیرا آنها تصمیم می گیرند که چگونه تحت عملکرد برخی از ریسک/پاداش رفتار کنند ، بنابراین فقط به فعالیت معاملاتی محدود نمی شوند بلکه به راحتی می توان در مورد تأیید اعتبار ، تعامل فروش/مشتری ، مدیریت ریسک ، مذاکرات مالی نیز استفاده کردو درایورهای ریسک سیستمیک (مانند گسترش اعتباری ، نوسانات ، اوراق قرضه حاکمیت ، ارزهای EM).

چالش های اصلی در استفاده از الگوریتم های بازی خود

ما چالش های اصلی را به سه دسته اصلی گروه بندی می کنیم: (i) چالش های داده (ب) چالش بازیکنان و (iii) مدل سازی و مسائل مربوط به شبیه سازی. ما یک مرور کلی از راه حل های موجود برای این سه موضوع ارائه می دهیم.

چالش های داده

تحقیقات دانشگاهی به دلایل متعدد به نوعی از بازارهای مالی دور مانده است. از یک طرف ، در دسترس بودن و انتخاب داده ها یک چالش اساسی است. از طرف دیگر ، بازارهای مالی ذاتاً هرج و مرج هستند و غالباً غیرقابل پیش بینی در نظر گرفته می شوند ، از این رو کارآمد است (موسسا ، 1979 ؛ میس و روگوف ، 1983 ؛ لیپتون-لیفشیتز ، 1999). در واقع ، بازارهای مالی به طور معمول توسط تعداد قابل توجهی از فرآیندها و عوامل وابسته به زمان تعیین می شوند ، که همچنین غیر ثابت هستند. از این رو ، ساختن یک مدل پیش بینی کافی قادر به ضبط همزمان همه عوامل ، فرآیندها و تکامل بازارها اغلب امکان پذیر نیست. این کار با تغییرات سریع که بازارهای مالی را توصیف می کند ، بیشتر سنگین می شود.

شایان ذکر است که پیچیدگی بالای بازارهای مالی و تعداد زیادی از رانندگان بالقوه صنعت ممکن است منجر به انتخاب مدل و موضوعات بیش از حد مناسب شوند. از طرف دیگر ، در دسترس بودن داده های تاریخی نیز یک چالش مهم است. بازارهای مالی حتی در مقیاس زمانی خرد به میلی ثانیه تغییر می کنند ، و بسیاری از عوامل کلان اقتصادی فقط در هفته ، ماهانه یا در برخی موارد با فرکانس سه ماهه در دسترس هستند. به عنوان مثال ، امروزه ، در بسیاری موارد ، به نظر می رسد که قیمت سهام بیشتر تحت تأثیر نویز روزانه غیرقابل اجتناب در پوشش رسانه ها قرار دارد تا عملکرد واقعی شرکت ها و بنابراین جداسازی سیگنال از سر و صدا یکی از مهمترین چالش های زمانی استبرخورد با داده های مالی.

علاوه بر این ، خطر عدم داشتن مجموعه داده های به اندازه کافی بزرگ برای آموزش مدلهای هوش مصنوعی نسبتاً زیاد است. بنابراین ، برای آموزش مدل ها ، ممکن است با انجام شبیه سازی داده های بیشتری تولید شود. سه روش تعیین شده برای دستیابی به این هدف عبارتند از: (i) استفاده از فرآیندهای تصادفی (Janke ، 2007) ، (ب) بازار را از طریق بازیکنان تشکیل می دهد که به خودی خود داده های بیشتری ایجاد می کنند و (iii) با استفاده از مدل های تولیدی مانند GANS (Alqahtani et al.، 2019).

حتی در تنظیمات محدود شده فوق ، مثلاً یک معامله گر حرکت ، این یک کار دشوار است. در وهله اول (یک فرآیند تصادفی) ، ما باید اطمینان حاصل کنیم که خصوصیات آماری داده های شبیه سازی شده با داده های تاریخی تراز شده و در هر نقطه از زمان در سراسر بازار سازگار است. در دومین (بازیکنان بازار خود را شبیه سازی می کنند) و نمونه سوم (مدل های تولیدی) ، همین امر صادق است. خصوصیات آماری داده های شبیه سازی شده باید با بازار تاریخی مطابقت داشته باشد ، باید به خودی خود سازگار باشد و نیاز به پیروی از منطقی اقتصادی داشته باشد - به طور خلاصه ، هر آنچه که شبیه سازی شده باشد نیاز به "نگاه و احساس" مانند یک بازار واقعی دارد.

چالش های مربوط به تعداد شرکت کنندگان

در اینجا ما چالش های مربوط به وضعیت خاص در بازارهای مالی را مورد بحث و تحلیل قرار می دهیم ، جایی که یا فقط یک بازیکن یا بی شمار آن داریم.

هنگام فکر کردن در مورد این چالش دوم ، ممکن است منطقی باشد که قیاس با ترمودینامیک آماری و ریشه های آن را به کار بگیرید. با شروع یک ذره با حرکت آزاد ، می توانیم مسیر آن را محاسبه کنیم. علاوه بر این ، ما می دانیم که تا زمانی که هیچ نیرویی بر روی آن عمل نمی کند ، وضعیت حرکت خود را تغییر نخواهد داد. این یک وضعیت نسبتاً کسل کننده است ، شبیه به یک معامله گر مجرد: او نمی تواند تجارت کند ، مهم نیست که چه تعداد دارایی قابل تجارت را در اختیار دارد ، فقط به این دلیل که کسی برای تجارت با آن وجود ندارد.

بگذارید ذره دیگری اضافه کنیم: اکنون ، ما هنوز هم می توانیم مسیرهای ذرات و حتی تعامل آنها را محاسبه کنیم. مشابه ، دو معامله گر ما می توانند در تعامل و تجارت باشند. با این حال ، نتایج در مورد ذرات کاملاً کسل کننده خواهد بود و احتمالاً در مورد دو معامله گر غیر موجود یا بسیار عجیب است. فقط وقتی ذرات بیشتر و بیشتر اضافه می کنیم ، چیزها جالب می شوند: اکنون ، دیگر هیچ فایده ای برای توصیف مسیرهای همه ذرات منفرد نیست ، اما یک رفتار متفاوت ظاهر می شود که می توانیم از طریق آمار مرتبط با آن در سطح بالاتری ضبط کنیمکل یکپارچه.

ما می توانیم فرض کنیم ، یا در واقع امیدواریم که اتفاق مشابهی هنگام شبیه سازی تعداد زیادی از معامله گران انفرادی رخ دهد: با تعامل همه معامله گران در بازار مجازی ، یک رفتار بازار سطح بالا ظهور می کند-اگر ما کارهایی را انجام داده ایم"درست" - کاملاً شبیه به بازار واقعی است. علاوه بر این ، اگر به حد تعداد نامحدود از معامله گران برویم ، از دیدگاه یک معامله گر منفرد (کوچک) ، همه معامله گران دیگر احتمالاً "مانند یک زنجیره" ، یعنی مانند "بازار" خواهند بود.

در نتیجه ، یک معامله گر/بازیکن واحد نباید بتواند تشخیص دهد که آیا بازاری که با او روبرو است بر اساس یک رویکرد از بالا به پایین (به عنوان مثال ، استفاده از فرآیندهای تصادفی) یا بر اساس یک رویکرد از پایین به بالا (به عنوان مثال ، با تعامل از تعامل ، شبیه سازی می شود. تعداد بیشماری از معامله گران مجرد). تا زمانی که بازیکن مجرد به هیچ وجه قابل توجه نباشد و بازار را جابجا کند ، این نتیجه گیری های جالب زیر را به ما می دهد:

(i) هنگام آموزش یک عامل هوش مصنوعی واحد در برابر بازار ، نباید تفاوت مفهومی ایجاد کند که آیا این بازار مبتنی بر داده های تاریخی واقعی است یا داده های شبیه سازی شده ، خواه از طریق فرآیندهای تصادفی یا یک اکوسیستم چند ترادریک: عامل AI تجربه خواهد کردبازار بی نهایت عمیق که محیط تجارت آن را دیکته می کند.

(ب) در مورد اکوسیستم شبیه سازی شده چند ترادریک ، ما در بازی خود نه یک یا دو بلکه تعداد قابل توجهی از عوامل AI به طور موازی تمرین می کنیم. این رویکرد می تواند در مورد شکل گیری استراتژی و بهینه سازی تجارت بسیار کارآمد باشد.

. کلیت بازرگانان ناگهان به "حرکت بازار" و "غیر بازار" تجزیه می شوند.

(IV) در مورد سیستم چند عاملی با تعداد کمی از کهن الگوهای بازیگران کلان (AMP) - مانند بزرگترین بانک های مرکزی (Fed، ECB، BOJ، BOC)، بزرگترین دولت های فدرال/ فراملی (ایالات متحده،EC، ژاپن، چین) و بزرگترین بازیگران بخش خصوصی (بانک های ایالات متحده، شرکت های آمریکایی، خانواده های ایالات متحده، بانک های اتحادیه اروپا، شرکت های اتحادیه اروپا) - رفتار حاشیه ای هر یک از این بازیگران به عنوان تابعی از بازار و داده های کلان می تواند مدل شود. سپس مدل AMP ها برای چند متغیره داده ها و رفتار جمعی گذشته کالیبره می شود. با این کار، AMP ها به عنوان شرایط مرزی بازار خارجی با توجه به سایر عوامل هوش مصنوعی (کوچکتر) عمل می کنند. مدلی با ساختاری شبیه به این می تواند برای پیش بینی هرگونه واکنش سیاسی یا بازار به اقدامات یکجانبه، به عنوان مثال، تغییر سیاست در تعرفه ها مفید باشد.

(v) مفهوم AMP همچنین می تواند برای پیش بینی الگوهای حرکت بازار مرتبط با ریسک مفید باشد (Papenbrock and Schwendner, 2015) که با انحلال معاملات حمل در تمام طبقات دارایی مشخص می شود، که منجر به کاهش شدید دارایی های پرخطر می شود. فرار سرمایه به اوراق قرضه دولتی با بالاترین امتیاز (برونر و همکاران، 2010) و کاهش ارزش ارزهای بازارهای نوظهور در برابر ارزهای تامین مالی USD، JPY، CHF، و EUR، افزایش اسپرد اعتبار و افزایش نوسانات به ویژه در سهام. واکنش "غیر خطی" بازارها توسط سیستم های مدیریت ریسک دوره ای تقویت می شود که نوسانات فعلی تحقق یافته را با نوسانات تاریخی بلندمدت مقایسه می کند و مجبور می شود موقعیت ها را در موقعیت های تحت فشار کاهش دهد (پکهام و همکاران، 2017). این سیستم های مدیریت ریسک هم در بانک ها در قالب ارزش در معرض خطر (شرطی) و هم در صندوق های سرمایه گذاری به شکل مفاهیم نوسان هدف رایج هستند (Jaeger et al., 2020).

از نتیجه گیری های بالا، سؤالات تحقیق بلافاصله خود را نشان می دهند:

- چه تعداد عامل باید شبیه سازی شود تا چیزی شبیه به یک بازار واقعی "عمل کند و احساس کند"؟

- آیا همه این عوامل هوش مصنوعی باید یکسان شروع شوند یا شرایط اولیه باید متفاوت باشد (کلاس ها یا سبک های مختلف عوامل هوش مصنوعی)؟

- چگونه باید با «محرکان بازار» برخورد کرد: آیا آنها باید به نحوی محدود شوند، کاملاً نامحدود، یا شاید حتی به طور برون زا داده شوند یا به طور قطعی مدل سازی شوند؟

- چگونه و تا چه حد باید به عوامل هوش مصنوعی داده های برون زا، به عنوان مثال، متغیرهای کلان، ارائه دهیم؟یا برعکس، آیا اصلاً می توان بازاری را شبیه سازی کرد که فقط داده های قیمت در دسترس نمایندگان باشد؟

شبیه سازی یک بازار مبتنی بر اقدامات بسیاری از عوامل هوش مصنوعی نیز در رابطه با درک پویایی بازار پیامدهای مهیج دارد و به طور بالقوه می تواند بینش بسیار فراتر از پیش بینی قوی و استراتژی های معاملاتی بهینه را ارائه دهد. از طرف دیگر ، رویکردهای ترکیبی ممکن است راهی برای کاهش پیچیدگی ارائه دهد. به عنوان نمونه ، ما می توانیم در مورد ارائه برخی از پارامترهای بازار (به عنوان مثال ، داده های کلان ، اخبار و مواردی از این دست) فکر کنیم ، همانطور که در حالی که عوامل هوش مصنوعی هنوز هم پویایی قیمت را با تجارت شبیه سازی می کنند.

سرانجام ، مجموعه ای از سبک های تجاری مبتنی بر قانون به عنوان عوامل که نه تنها سیگنال ها را تولید می کنند بلکه پیش بینی جریان دارایی های جهانی ناشی از این سبک های معاملاتی می توانند بینش های دیگری در مورد رفتار کلی بازار داشته باشند.

چالش های مربوط به مدل سازی و شبیه سازی

برای شبیه سازی یک مدل چند عامل ، چندین سیستم عامل مانند NetLogo ، Agent Sheet ، Ascape ، Repast ، Mason ، Anylogic ، Flame ، Swarm ، Starlogo (Souissi et al. ، 2018) وجود دارد که می تواند در متن استفاده شوداز این کار نیز

مهم نیست که کدام رویکرد را انتخاب می کنیم ، باید قوانین و الگوریتم هایی را که به طور معقول از بازار توصیف می کنیم ، استنباط کنیم. این در حال حاضر بسیار پیچیده است اگر ما فقط به داده های قیمت نگاه کنیم و احتمالاً پس از تصمیم گیری در مورد اطلاعات اضافی ، مانند داده های کلان یا جریان خبری ، غیرقابل کنترل می شویم.

به عنوان یک یادداشت جانبی ، ما اظهار داشتیم که حتی وقتی فقط به داده های تاریخی مراجعه می کنیم ، ارائه اطلاعات فراتر از قیمت ها به یک چالش تبدیل می شود. برای هر نقطه از زمان ، ما باید مجموعه کاملی از داده های موجود را درست در آن زمان تشکیل دهیم - یک کار تقریباً غیرممکن: پرونده شامل جریان های خبری را در نظر بگیرید.

این ادبیات چندین اثر را ارائه می دهد که از مدل سازی و شبیه سازی چند عامل استفاده کرده اند ، از جمله Ehrentreich (2003) ، Kumar et al.(2010) ، و Naciri و Tkiouat (2016). جدیدترین تلاش برای شبیه سازی چند عامل از بازار سهام توسط سوئیسی و همکاران ارائه شده است.(2018). یعنی ، نویسندگان یک بورس اوراق بهادار ساده شده را با سه نوع سرمایه گذار (صفر معامله گر هوشمند ، معامله گر بنیادگرایانه و معامله گران با استفاده از اطلاعات تاریخی در فرآیند تصمیم گیری) و یک نوع دارایی شبیه سازی می کنند ، و یک نوع دارایی را برای تجزیه و تحلیل تکامل حجم معامله شده در صرافی ها بسته بهنوع سرمایه گذاربه طور مشابه ، مانند بیشتر تحقیقات موجود ، سه عامل در سوسی و همکاران.(2018) مدل با یکدیگر در تعامل است و بر اساس تعدادی از قوانین تصمیم می گیرد. نتایج نشان می دهد که ثبات و عملکرد بازارهای مالی به شدت تحت تأثیر توزیع انواع معامله گران و معرفی مکانیسم های تقلید قرار می گیرد. سرانجام ، مشخص نیست که مجموعه کامل اطلاعات این است که بازیکنان بازار هنگام تصمیم گیری در مورد معاملات به دنبال آن هستند. علاوه بر این ، موضوع با توجه به کلاسهای دارایی های مختلف پیچیده تر می شود که در آن مجموعه ای کاملاً متفاوت از اطلاعات پیش بینی ها و اقدامات بازار را هدایت می کند ، یعنی در هر کلاس دارایی ، شرکت کنندگان در بازار با توجه به داده های در نظر گرفته شده ، به طور قابل توجهی متفاوت هستند. این مشاهدات ما را به اولین چالش ما ، یعنی بی نهایت و در قسمت ها ، فضای اطلاعات ناشناخته باز می گرداند. بنابراین ، مهم نیست که به چه روشی به وظیفه ارائه یک زمین بازی برای نمایندگان هوش مصنوعی (همانطور که بعداً خواهیم دید) ، با مراجعه به داده های تاریخی یا با شبیه سازی محیط بازار ، ما با یک پیچیدگی خیره کننده و با انتخاب های بسیاری باقی مانده است. برای ساختن زمین بازی در هر لحظه. یک راه حل احتمالی برای این امر ممکن است محدود کردن محتوای اطلاعات لازم با محدود کردن خود به سبک های خاص ، تعریف شده و به خوبی تعریف شده ، به عنوان مثال ، معامله گران حرکت ("فقط داده های قیمت") باشد. البته ، این سؤال مهم را مطرح می کند که دقیقاً محتوای اطلاعات مربوطه برای یک سبک تجاری خاص چیست و بلافاصله یکی از چالش های بعدی را ارائه می دهد: بی اطلاع از اطلاعات مربوطه و/یا به طور عمدی آن را به دلیل سادگی به خطر می اندازد یا حداقل به خطر می افتدتعصب کیفیت نتایج به دست آمده.

بحث و نتیجه گیری

توانایی هوش مصنوعی در بهتر از سایر روشهای شناخته شده معمولی ، آن را به یکی از مناطق سریع در حال رشد در دنیای در حال تغییر در ما تبدیل می کند. الگوریتم های بازی خود ، به عنوان منطقه ای از هوش مصنوعی ، دارای تعریف گسترده ای هستند که فضای قابل توجهی را برای استفاده از رویکردهای مختلف یادگیری ماشین ارائه می دهد. در اصل ، الگوریتم های خود بازی بر نحوه عملکرد عوامل در یک محیط متمرکز شده اند ، بنابراین برای به حداکثر رساندن برخی از عملکردهای پاداش تجمعی تعریف شده.

علیرغم اهمیت زیاد هوش مصنوعی برای مدیریت ریسک ، تجزیه و تحلیل داده های بزرگ ، ریسک اعتباری و تشخیص کلاهبرداری ، به نظر می رسد استفاده از الگوریتم های بازی خود در بازارهای مالی از نظر تحقیقات دانشگاهی و صنعت مرتبط نیست. استفاده از الگوریتم های بازی در تجارت بسیار چالش برانگیز است ، به مجموعه داده های بزرگ ، شبیه سازی های متعدد و سناریو نیاز دارد.

در این گزارش ، ما توضیحات مفصلی از روشهای موجود برای مقابله با چالش های داده ناشی از استفاده از تکنیک های هوش مصنوعی در بازارهای مالی ارائه می دهیم. علاوه بر این ، ما چالش های مربوط به تعداد شرکت کنندگان در بازار درگیر در بازارهای مالی و روشهای بالقوه مدل سازی آن را تجزیه و تحلیل می کنیم. علاوه بر این ، ما مقالات اصلی دانشگاهی را با استفاده از الگوریتم های بازی خود در کارهای تصمیم گیری مالی شناسایی می کنیم ، که می تواند به عنوان نقطه شروع برای تحقیقات گسترده تر استفاده شود.

از نظر کاربرد عملی الگوریتم های بازی خود ، دو برنامه اصلی وجود دارد که توسط شرکت های مشهور بلومبرگ و DeepMind انجام شده است. مورد دوم (توسعه دهنده Alphazero و Alphago) سعی در ایجاد یک سیستم معاملات اوراق بهادار برای سهام مشابه الگوریتم Alphago دارد.

علاوه بر این ، در هنگام ورود به کلاسهای دارایی به غیر از سهام ، مانند FX ، کالاها و بازارهای اوراق قرضه ، پتانسیل قابل توجهی برای تحقیقات بیشتر وجود دارد ، که به نظر می رسد به طور قابل توجهی مورد بررسی قرار گرفته اند ، یا هنگام فکر کردن در مورد چالش های پیش بینی مالی فراتر از تجارت ، مانند مثال ، تأیید اعتبارفرآیندها یا درایورهای ریسک سیستمیک (مانند گسترش اعتبار ، نوسانات ، اوراق قرضه حاکمیت ، ارزهای EM).

به طور خلاصه ، کاربرد عملی الگوریتم های بازی خود در بازارهای مالی و تجارت بدون شک یک کار چالش برانگیز است. با این حال ، مزایای آینده نگر از استراتژی های تجاری واقعاً خوب و سهم قابل توجه در تحقیقات دانشگاهی در مورد پیش بینی و تسهیل درک عمیق تر ، این موضوع را بسیار مرتبط می کند.

کمک های نویسنده

همه نویسندگان به طور مساوی در تحقیق ، نوشتن نسخه خطی ، خواندن و موافقت با نسخه منتشر شده از نسخه خطی مشارکت داشتند.

تضاد منافع

نویسندگان اعلام می کنند که این تحقیق در غیاب هرگونه روابط تجاری یا مالی که می تواند به عنوان یک تضاد احتمالی منافع تفسیر شود ، انجام شده است.

تصدیق

نویسندگان می خواهند از Innosuisse بخاطر تأمین اعتبار تحقیق و ALPHA SWISZERLAND AG به دلیل شریک تجاری در یک مطالعه امکان سنجی که تحت Innoscheck 39294. 1 Inno-ICT انجام شده ، تشکر کنند. علاوه بر این ، نویسندگان از علی هیرسا ، متیو دیکسون ، پل بیلوکون ، استفان استورم ، سعید آمین ، اعضای کمیته مدیریت هزینه (همکاری در علم و فناوری) عمل fintech و هوش مصنوعی در امور مالی و همچنین سخنرانان و شرکت کنندگان در مورد سخنرانان و شرکت کنندگان و شرکت کنندگان در مورد سخنرانان سپاسگزار هستند. پنجمین کنفرانس هزینه اروپا در مورد اطلاعات مصنوعی در امور مالی و صنعت ، که در سپتامبر 2020 در دانشگاه علوم کاربردی زوریخ ، سوئیس برگزار شد.