¿Cómo se aplican las prácticas de gestión de riesgos a los sistemas de negociación automatizada basados en ML/AI?

Question

Un problema potencial de los sistemas de trading automatizados, que se basan en el Machine Learning ( ML ) y/o la Inteligencia Artificial ( AI ), es la dificultad de evaluar el riesgo de una operación. Un algoritmo de ML/AI puede analizar miles de parámetros para llegar a una decisión de negociación y la aplicación de prácticas estándar de gestión de riesgos podría interferir con los algoritmos anulando la decisión del algoritmo.

¿Cuáles son algunas metodologías básicas para aplicar la gestión de riesgos a los sistemas de negociación automatizada basados en ML/AI sin obstaculizar la decisión de los algoritmos subyacentes?

Actualización:
Un sistema de ejemplo sería: Algoritmo de programación genética que produce agentes comerciales. El agente más rentable de la población se utiliza para producir una señal corta/larga (normalmente sin intervalo de confianza).

Answer 1

Los sistemas de ML/AI son susceptibles de sufrir una serie de riesgos que tradicionalmente no se discuten en la gestión de riesgos:

1. Lo que yo llamo "arbitraje backtest . En el proceso de generación y prueba de modelos automatizados, su aprendiz de máquina puede descubrir, explotar y concentrarse en irregularidades de su sistema de backtesting que no existen en el mundo real. Si, por ejemplo, su simulación de llenado es errónea, no ha contabilizado los costes de préstamo, ha olvidado tratar los dividendos adecuadamente, etc. Si las técnicas de búsqueda son lo suficientemente potentes, encontrarán estrategias que capturen estos "arbs" inexistentes.
2. Si se generan, prueban y perfeccionan secuencialmente muchos modelos de negociación, se encuentra el problema de sesgo de la minería de datos . Aquí se han utilizado los mismos datos para seleccionar simultáneamente el mejor modelo y estimar su rendimiento mediante un backtest. La estimación tendrá un sesgo positivo, y el tamaño del sesgo puede ser difícil de estimar si no se ha hecho un seguimiento cuidadoso de todas las estrategias probadas.
3. Los modelos de caja negra suelen estar sujetos a las no estacionariedades del "Variedad Grue y Bleen . Es decir, pueden comportarse de forma radicalmente diferente fuera de la muestra debido a la no estacionalidad de sus datos de entrada y a las discontinuidades en su procesamiento de los datos de entrada. Un ejemplo sería una estrategia de IA que primero comprueba si el VIX está por encima de 60, entonces negocia una subestrategia, de lo contrario negocia otra diferente. Su período de backtest puede contener pocos datos en el régimen de "más de 60", y puede encontrarse en dicho régimen.

Lamentablemente, muchos de estos problemas existen a nivel humano, y es poco lo que se puede hacer estadísticamente para detectarlos o corregirlos. Requieren una gran atención al proceso.

Answer 2

Los riesgos que conlleva el trading son siempre múltiples: incluyen la volatilidad del activo seleccionado, el apalancamiento y la concentración de la cartera, si existe un stop loss, una cobertura, etc. Además, la gestión del riesgo a menudo no está vinculada directamente al "modelo alfa" (por ejemplo, el VaR, el déficit y las pruebas de escenarios).

Por ejemplo, una forma muy conocida de dimensionar una posición es la fórmula Kelly :

$f^{*} = \frac{bp - q}{b}$

Esto no hace ninguna suposición sobre el modelo direccional que se utiliza para introducir la posición. Puede inferir los valores (por ejemplo, la probabilidad de ganar) de una simulación histórica, independientemente de si el modelo es de caja negra, caja gris o caja blanca.

Answer 3

Algunas tiendas outlet venden artículos ligeramente defectuosos. En este caso, el precio es ciertamente más barato, pero debes asegurarte de averiguar qué tiene de malo el producto (arañazos, roturas, etc.) antes de comprarlo.

Answer 4

El riesgo no está vinculado al proceso de decisión, sino a su inventario, independientemente de las señales que desencadenaron las compras y las ventas: puede controlar el inventario como de costumbre.

Si se trata de tener en cuenta el hecho de que se cambia de inventario más a menudo porque se utilizan señales informáticas, es más complejo. Tienes que controlar la dinámica de tu algoritmo de trading para estar seguro de que no va a tomar posiciones en un milisegundo que aumenten drásticamente tu riesgo.