Algoritme til at transformere investeringsbankvirksomhed med højere afkast

En forsker fra University of Bath har skabt en algoritme, der har til formål at fjerne tilfældighedernes elementer, partiskhed eller følelser fra investeringsbankbeslutninger, en udvikling, som har potentiale til at reducere fejl i finansiel beslutningstagning og forbedre finansielle afkast på globale markeder.

"Der er et globalt kapløb om at finde en levedygtig løsning til at skabe mere pålidelige og bedre ydende investeringsbeslutninger i finansiel handel. Vores model giver konsekvent højere afkast sammenlignet med andre, der er udviklet til dato, " siger Dr. Arman Hassanniakalager fra universitetets School of Management.

Hassanniakalager, som vil præsentere forskningen på Financial Management Association-konferencen i Glasgow i denne uge, siger, at hans model har vist sig at resultere i et 3% højere afkast end den benchmark amerikanske Federal Reserve Funds rente, baseret på beviser fra 12 aktiemarkedsindeks fra hele kloden. En forbedring på 0,5-1,0 % vil blive betragtet som væsentlig.

Søgen efter en almægtig investeringsalgoritme er steget de seneste år, og de tidlige resultater har været blandede. Udfordringen er at skabe et niveau af pålidelighed, der konsekvent overgår investeringsbankfolk og finansfolk, og et værktøj, der kan fungere lige godt i stigende og faldende markeder.

Den fortsatte udvikling af algoritmer og deres opfattede fordele vækker håb og optimisme hos mange på markederne. Men den stigende afhængighed af værktøjerne har også skabt en vis nervøsitet i de øverste lag af verdens finansielle systemer – og en vis skepsis fra dem, der tror, ​​at der altid vil være en rolle for den inspirerede menneskelige berøring.

Hassanniakalager, hvis ekspertise er i at udvikle ny kunstig intelligens og statistiske metoder til økonomisk beslutningstagning, sagde, at hans algoritme har nået det punkt, hvor den konsekvent overgår både konventionelle investeringsmetoder og algoritmiske værktøjer.

"Der er en masse teoretisk tænkning og forhåbninger omkring sådanne investeringsværktøjer, men nøglespørgsmålet er at løse, hvordan man får dem til at fungere i den virkelige verden. Vi tror, ​​vi har behandlet det spørgsmål, " sagde Hassanniakalager.

Algoritmen kan knyttes til kunstig intelligens, som vil lære af investeringsbeslutninger og finjustere sig selv automatisk. Han forestiller sig en black-box-løsning til investeringsforvaltere, som vil være i stand til at køre komplekse alternative investeringsscenarier i realtid.

Den primære anvendelse ville være i handelsrum, især inden for teknisk analyse, at vurdere, hvordan aktiemarkederne reagerer på virksomhedsnyheder eller ved at måle resultaterne af afledte instrumenter og tilbyde forskellige investeringsveje til ledere.

Værktøjet vil ændre beslutningsprocessen og potentielt selve markedslandskabet - dagene med flere skærme i handelsrum, og ledere, der søger at give mening i en stadig mere kompleks mængde af realtidsdata og historiske data, kan være talte.

Der kan endda være et spørgsmålstegn over fremtiden for beslutningstagere selv.

"Den, der lykkes med dette, har potentialet til at transformere de finansielle markeder og især investeringsbanker og aktiehandel. Der vil være vindere og tabere - det er ikke svært at forestille sig den radikale indvirkning på beskæftigelsen på de højeste bankniveauer, hvis investeringsbeslutninger i stigende grad automatiseres. , " siger Hassanniakalager.

Algoritmen, som Hassanniakalager beskriver som universel, kan have applikationer ud over de finansielle markeder. "Hvis du lærer, hvad der ændrer sig statistisk, du kan anvende det på andre felter, såsom genetik. Det er det smukke ved statistik, " han siger.

Hassanniakalager vil præsentere resultaterne af forskerholdet, som omfatter akademikere fra universiteterne i Glasgow og St. Andrews, fredag ​​den 14. juni på FMA International-konferencen på University of Strathclyde.