Newswise — Искусственный интеллект (ИИ) часто рекламируется как серебряная пуля для решения сложных задач моделирования. Среди множества его применений он исследовался как инструмент управления рисками сложных инвестиционных продуктов — так называемых деривативных контрактов — в инвестиционно-банковской сфере. Несмотря на многочисленные положительные отзывы в этой области, высказывались опасения по поводу их практической применимости.

В новом исследовании, опубликованном в Журнал финансов и науки о данных группа исследователей из Швейцарии и США изучала, можно ли обучить агентов RL, обучающихся с подкреплением, хеджированию деривативных контрактов.

«Неудивительно, что если вы обучаете ИИ на смоделированных рыночных данных, он будет хорошо работать на рынках, которые отражают симуляцию, а потребление данных многими системами ИИ возмутительно», — объясняет Лорис Каннелли, первый автор книги исследование и исследователь из IDSIA в Швейцарии.

Чтобы преодолеть нехватку обучающих данных, исследователи склонны использовать точный рыночный симулятор для обучения своих агентов ИИ. Однако создание такого симулятора приводит к классической проблеме финансового инжиниринга: выбор модели для моделирования и ее калибровка, а также создание подхода на основе искусственного интеллекта, очень похожего на стандартные методы Монте-Карло, используемые десятилетиями.

«Подобный ИИ вряд ли можно считать свободным от моделей: это применимо только в том случае, если для обучения было доступно достаточно рыночных данных, а это редко случается на реалистичных рынках деривативов», — говорит Каннелли.

Исследование, проведенное в результате сотрудничества IDSIA и инвестиционного банка UBS, было основано на так называемых Deep Contextual Bandits, которые хорошо известны в RL своей эффективностью и надежностью данных. Основанный на реалиях деятельности реальных инвестиционных компаний, он включает требования к отчетности на конец дня и характеризуется значительно меньшими требованиями к обучающим данным по сравнению с традиционными моделями, а также способностью адаптироваться к меняющимся рынкам.

«На практике именно доступность данных и операционные реалии, такие как требования сообщать о цифрах риска на конец дня, являются основными факторами, определяющими реальную работу в банке, а не идеальную подготовку агентов», — поясняет старший автор. Олег Шер, который до назначения в IDSIA работал сотрудником нескольких инвестиционных банков. «Одной из сильных сторон недавно разработанной модели является то, что она концептуально напоминает бизнес-операции инвестиционной компании и, следовательно, применима с практической точки зрения».

Хотя новый метод прост, строгая оценка производительности модели показала, что новый метод превосходит эталонные системы с точки зрения эффективности, адаптируемости и точности в реалистичных условиях. «Как это часто бывает в реальной жизни, меньше значит лучше — то же самое относится и к управлению рисками», — заключает Каннелли.

###

Рекомендации

DOI

10.1016/j.jfds.2023.100101

Исходный URL-адрес источника

https://doi.org/10.1016/j.jfds.2023.100101

Информация о финансировании

Работа выполнена при поддержке проекта UBS LP-15403/CW-202427.

Журнал

Журнал финансов и науки о данных