Artificiell intelligens AI Hedge Fund Index Strategy Profile

Artificiell intelligens AI Hedge Fund Index Strategy Profile

Kvantitativa hedgefonderstrategier har fått stort intresse från investerare under det senaste decenniet. Tillämpningen av växande datorkraft och tillgången till stora data har gjort det möjligt för dessa systematiska handelsmodeller att utnyttja marknadsinflytande som annars svårt att identifiera eller skörda med tanke på de implicita handelskostnaderna. Denna tillväxt har emellertid träffats med några headwinds på två viktiga konton; För det första har handelsmodeller som byggts med hjälp av backtest på historiska data ofta misslyckats med att leverera bra avkastning i realtid (som tidigare identifierade trender har brutit ned) och för det andra diffusionen av liknande kvantmodeller som har lett till att tränga i rymden och följaktligen deprimerade avkastningen från sådana strategier. Den senare av de två problemen behandlas i viss utsträckning genom användning av ännu snabbare bearbetningsmaskiner (tävling i högfrekventa handelsutrymmen) som medellöpning för att placera sina affärer framför publiken. tillämpningen av artificiell intelligens (AI) och maskininlärningsteori för att säkra fondkvoter.

Tillämpningen av AI i hedgefondbranschen är fortfarande i ett tidigt skede med vissa hedgefondsförvaltare som använder AI som en del av sin handelsprocess (behåller sin diskretionära kontroll över investerings- och riskhantering) medan andra, vad vi kallar ure AI hedge Fonder har outsourcat både affärs- och riskhanteringsaspekten till maskinen med minimal insats från fondförvaltaren. Denna variation i tillämpningen av AI i hedgefonderytan speglar dess utveckling även i andra industrier. till exempel transportsektorn där en tillförlitlig, självdriven bil ännu inte ramlar vägarna. Utmaningen kommer att ligga i att framgångsrikt visa maskinens förmåga i meningsfullt lärande, och i samband med hedgefonder, konsekvent och lönsamt för sina investerare.

Biten nedan tittar på hedgefondernas utveckling som utnyttjar artificiell intelligens och maskininlärningsteori i sin handelsprocess och avslutar med vår intervju med Yoshinori Nomura, chef för Simplex Asset Management, som delar muttrar och bultar om sin rena AI-strategi och hans syn på AI: s framtid i hedgefondsbranschen.

Figur 1 jämför Eurekahedge AI / Machine Learning Hedge Fund Index med traditionella quants (betecknad av Eurekahedge CTA / Managed Futures Hedge Fund Index och den undergrupp av systematiska trendföljare) och traditionella hedgefonder som fångats av Eurekahedge Hedge Fund Index. AI / Machine Learning Hedge Fund Index spårar 23 fonder historiskt (inklusive döda för att kompensera eventuella överlevnadsförhållanden i indexvärden) och som nuvarande spårar prestandan av 12 levande aktiva fonder. Som det framgår av figuren har AI / Maskininlärningssäkringar överträffat både traditionella kvartaler och den genomsnittliga hedgefonden sedan 2010, vilket gav en årlig avkastning på 8,44% under denna period jämfört med 2,62%, 1,62% och 4,27% för CTA, trend anhängare och den genomsnittliga globala hedgefonden respektive. För det mycket volatila året som slutade 2016, ökade AI / Maskininlärningsfonderna 5,01%, före den genomsnittliga globala hedgefonden som fick 4,48% och deras jämnåriga som visas i Tabell 1.

Figur 1: AI / Machine Learning Hedge Fund Index vs. Quants och traditionella hedgefonder

Tabell 1 sammanfattar nyckeltalstatistik för AI / Maskininlärning Hedgefonder i förhållande till sina jämnåriga. Viktiga takeaways inkluderar:

AI / Maskininlärningssäkringar har överträffat den genomsnittliga globala hedgefonden för alla år exklusive 2012.

Utan 2011 och 2014 har avkastningen för AI / Maskininlärning-hedgefonder överskridit de för traditionella CTA / Managed Futures-strategier och underperformar den systematiska utvecklingen efter följande strategier endast för 2014 då den senare realiserat starka vinster från korta energiterminer.

Under både de fem, tre och två åriga årstiderna har AI / Maskininlärningssäkringar överträffat både traditionella kvartaler och den genomsnittliga globala hedgefonden som levererar årliga vinster på 7,35%, 9,57% respektive 10,56% under dessa perioder.

AI / Maskininlärningssäkringar har också redovisat bättre riskjusterad avkastning under de senaste två och tre årens årliga perioder jämfört med alla peers som beskrivs i tabellen nedan, med Sharpe-förhållanden på 1,51 och 1,53 under båda perioderna. Alpha har i allmänhet varit positiv med 12 månaders alfa för året som slutade 2016 och kommer in på 0,38% och 0,78% i förhållande till CTA / Managed Futures-strategier och den genomsnittliga hedgefonden, vilket kanske pekar mot en kombination av förbättrad förmåga hos AI / maskininlärning modeller och överskridande (krympande alfa) i jämförbara strategier.

Figur 2: 12-månaders rullande alfa i förhållande till kvantiteter och traditionella hedgefonder

Sammanfattningsvis tittar Tabell 3 på utvecklingen av AI / Maskininlärningssäkringar och deras kamrater under perioder av marknadsstress under det senaste förflutna och analyserar möjligheten hos olika strategier att leverera positiv avkastning i flyktiga tider. Viktiga takeaways inkluderar:

AI / Maskininlärningssäkringar har varit i rött i tre av de 11 månatliga riskhändelserna som anges i tabellen nedan, minst bland koncernen. I jämförelse medförde den genomsnittliga globala hedgefonden förluster på sju av dessa 11 månader.

Med tanke på några av de idiosynkratiska riskhändelserna som identifieras i Tabell 3, såsom Trump-vinsten och Brexit, har AI-fonder publicerat en blandad rekord, men har gjort relativt bättre jämfört med deras jämställdhetsgrupp. En förbättring av AI-applikationen och dess inlärningsförmåga kan kanske ge ännu bättre resultat i framtiden, men som de senaste förluster i november 2016 (Trump win) visar finns det tydliga gränser för att förutsäga framtiden för maskinerna.

Tabell 3: AI / Maskininlärningens fonden returnerar under viktiga marknadsriskhändelser

Intervju med Yoshinori Nomura, chef för Simplex Asset Management Co., Ltd.

Simplex Asset Management Co, Ltd är en oberoende hedgefond och investment management firma i Japan grundades 1999. AUM är 507 miljarder JPY per september 2016.

Vänligen dela med våra läsare lite om din bakgrund, och i synnerhet vad ledde du till att starta en ren hedgefond för ren artificiell intelligens (AI)? När förstod du denna idé?

Jag har en magisterexamen i fysik vid Waseda University och har huvudroll i icke-linjär jämviktsstatistik som fungerade som inspiration bakom min investeringsstrategi. Efter grundskolan gick jag med i Nomura Research Institute, en samarbetspartner i Nomura Securities Group, där jag genomförde många data miningprojekt och krävde prognoser som projektkonsulent. Jag arbetade också för Accenture och Citigroup Global Markets innan jag gick med i Simplex Asset Management (SAM) 2008. I SAM tog jag över en portföljförvaltningsroll av en kvantdriven marknadsneutral strategi för Japan aktier som använde mycket traditionella multifaktormodeller och utfördes inte lika bra som ursprungligen förväntades. Så började jag undersöka varför simulerade tester inte fungerar och vad som ska göras så att jag kan lita på resultatet av simuleringen. Mina grundläggande lokaler var enligt följande: 1) modellen ska vara så enkel som möjligt, 2) det bör finnas vissa regleringsmodeller för prissättningsmodellen precis som fysik, 3) modellen måste ha viss förmåga att lära sig och anpassa sig till förändringarna i marknadsmiljön samtidigt som man behåller sin förutsägbara förmåga . Att skapa en ny matematisk modell tog många år med att använda fysikteorier, och dessutom användes AI / Machine Learning-metoder för att genomföra inlärnings- och justeringsfunktionen. Jag tror att det finns många människor som inte är helt nöjda med CAPM och multi-factor modeller som vetenskapliga prissättningsmodeller. Så jag försökte ambitiöst konstruera en sorts alternativ för att beskriva olika aspekter av verklig marknadsdynamik. Därför skapade jag den här rena AI-driven strategin.

Hur svårt var det att lansera en sådan nischstrategi som ligger rätt vid gränserna för fondförvaltningsindustrin?

Det tog några år att hitta en fröinvesterare efter att jag skapade strategin. Jag antar att det delvis berodde på att det fanns många investerare som hade förlorat pengar att investera i kvantstrategier före och dels för att ordet jag var för ny för de institutionella investerarna som bankerna skulle ge vidare till den interna investeringsutskottet. Det viktigaste var att det inte var någon riktig track record eller en liknande typ av AI-strategi att jämföra med. Därför, som jag nämner senare igen, var demonstration av alk forward test väsentligt viktigt för att övertyga investerare om fördelarna med mitt rena AI-erbjudande.

Vår forskning tyder på att det bara finns en handfull rena AI-hedgefonder där ute i branschen, med andra som använder begränsade aspekter av maskininlärningsteori till sina investeringsmodeller. Vad är AI-ansökans aktuella karaktär på hedgefondsutrymmet och vilka är de viktigaste utmaningarna för att komplicera antagandet bland systematiska strategier?

Aktuellt populärt utnyttjande av AI-teknik är en enkel substitution av mänskliga rutinuppgifter eftersom AI är snabb och exakt utan trötthet. Till exempel uppskattning av aktiekurspåverkan av nyhetsmeddelanden genom att jämföra föregångssituationer, läsa finansiella resultat eller analytikerrapporter för att hitta dold orsak mellan många företagsresultat, textutvinning av Twitter för att finna samband mellan aktiekurs och vissa ord etc. Dessa är bara en del praktiska avancerade teknologier, ett partiellt antagande av AI men kan inte integreras som en ren AI-strategi.

Å andra sidan kan traditionella systematiska spelare använda AI också. De övervakar vanligtvis många index för att förutsäga marknadsriktning och AI / maskininlärningsmetoder kan tillämpas för att hitta den bästa kombinationen av kartmönster av index för att förutsäga framtiden. Denna metod hänvisas ibland till vidence. Baserad teknisk analys Här är utmaningen. AI kan lätt hitta de bästa korrelationerna mellan mönster men de kan vara falska korrelationer som kan leda till stor förlust eftersom 1) En maskin lär inte någon betydelse av orsakssamband mellan index, 2) En människa kanske inte kan förstå vilken maskin lärt sig och utvärdera om det är meningsfullt eller inte, och 3) Det kan inte finnas någon anledning eller bevis för att vissa specifika index kan förutse framtiden i första hand. Därför är det inte överraskande alls om en ren AI-driven systematisk strategi inte fungerar bra. Åtminstone vet jag inte att någon akademisk forskning har löst denna fråga om eaningless learning

Hur har AI-driven Simplex Equity Futures Strategi övervinnat dessa utmaningar? Kan du dela några detaljer om din strategi och ett exempel på en AI-exekverad handel som framhäver överlägsenheten av maskininlärningsbaserad investering i förhållande till de traditionella systematiska strategierna.

För att undvika det ovannämnda meningslösa lärandeproblemet använde jag fysikteorier som ger prioritet betydelse för modellsvaret. En rörelsesekvation av pris beskriver den styrande dynamiken hos en marknad som TOPIX. momentum och genomsnittlig reversering som naturligt observeras när många investerare interagerar genom sin handelsverksamhet på marknaden. Ingångsdata som används för modellen är en enda tidsserie av historiskt pris som härrör från momentumindex och genomsnittligt reverseringsindex. För att justera rörelseekvationen till den nuvarande marknadsmiljön tillämpas AI / maskininlärningsmetoden.