Es ist schwer, den Aktienmarkt vorherzusagen! Kann TCS dieses Gefühl formeller machen?
Vor kurzem habe ich angefangen, ein wenig über Finanzen nachzudenken, und mich gefragt, wie Kenntnisse über TCS helfen könnten. Hedge-Fonds und Wertpapierfirmen scheinen ständig algorithmischen Handel, maschinelles Lernen und KI zu verwenden, aber TCS-Ergebnisse scheinen gering zu sein. Insbesondere kenne ich nur zwei Papiere:
Sanjeev Arora, Boaz Barak, Markus Brunnermeier und Rong Ge, Computerkomplexität und Informationsasymmetrie in Finanzprodukten , 2009.
Philip Z. Maymin, Märkte sind genau dann effizient, wenn P = NP , 2011.
Die erste Arbeit zeigt, dass Derivate die Kosten der Informationsasymmetrie (anstelle des gewünschten Ziels, sie zu reduzieren) für rechnergebundene Agenten erhöhen können. Das zweite Papier stellt die weit verbreitete Überzeugung effizienter Märkte in Frage, indem es zeigt, dass Markteffizienz zur Lösung von NP-schwierigen Problemen eingesetzt werden kann.
Gibt es Bücher / Umfragen oder wegweisende Artikel zu verwandten Themen? Insbesondere Dinge im Zusammenhang mit der Schwierigkeit, Märkte vorherzusagen oder anzunähern oder in solchen Märkten optimal (oder nahezu optimal) zu handeln?
Eine etwas metaere Frage: Warum scheint es eine Abwesenheit von Papieren zu geben? Gibt es kein Interesse oder werden alle Interessenten zu Quants, die sich hinter Nichtveröffentlichungsvereinbarungen verbergen?
Verwandte Frage
Algorithmisches Objektiv in den Sozialwissenschaften
Was ist die Komplexitätsklassifikation der Portfoliotheorie in der Finanzökonomie?
quelle
Antworten:
Die Frage, mit der Sie beginnen, bezieht sich auf die Vorhersage des Aktienmarkts, aber Sie scheinen allgemeinere Bedenken zu haben. Ich werde versuchen, Ihre Meta-Frage anzugehen; Ich entschuldige mich im Voraus für meine umfassenden Verallgemeinerungen.
Soweit ich das beurteilen kann, ist die akademische Informatik weit entfernt von den tatsächlichen Anliegen von Hedgefonds und Menschen, die versuchen, Märkte zu modellieren und vorherzusagen.
Die aktuellen Schwerpunkte der algorithmischen Spieltheorie sind für die Finanzpraktiker offensichtlich nicht relevant. Insbesondere werden Worst-Case-Ergebnisse überhaupt nicht als nützlich angesehen, und eine auf künstlichen Verteilungen basierende Durchschnittsfallanalyse scheint ebenfalls weitgehend irrelevant zu sein. Die einzige Möglichkeit, Informationen über tatsächliche Verteilungen zu erhalten, scheint jedoch darin zu bestehen, sich tatsächlich auf dem Markt zu engagieren und seine Informationen mithilfe einer Vielzahl von Lerntechniken zu aktualisieren. Dadurch entstehen chaotische Modelle, die sich dynamisch ändern und für die meisten Analysetypen nicht geeignet sind.
Beispielsweise lag ein Schwerpunkt in der Finanzierung auf dem Verständnis der Mikrostruktur von Handelsgeschäften . Die Marktmikrostruktur ist eine aufstrebende Eigenschaft der spezifischen Marktmechanismen auf niedriger Ebene, die vorhanden sind, z. B. wie häufig ausstehende Trades abgeglichen werden, welche Informationen nach Ansicht von Händlern im Orderbuch vorhanden sind, Techniken zur Verschleierung dieser Informationen, die Rollback-Mechanismen Bestehende vertragliche Vereinbarungen in Bezug auf die Abwicklung von Geschäften, Netzwerklatenz beim Empfang von Aktualisierungen über den aktuellen Status des Auftragsbuchs und viele andere Faktoren. Die Marktmikrostruktur ist ein hochreflexives System, sodass die für TCS typischen sauberen Modelle unerreichbar zu sein scheinen.
Die Marktdesign-Community versucht, Fragen wie diese zu beantworten (siehe z. B. Huang und Stoll und das kürzlich erschienene Papier von Kirilenko et al. Zum Flash-Crash ), scheint jedoch nicht viel mit TCS zu tun zu haben.
Das Finanzwesen wird zunehmend komplexer, da die IT die Märkte durchdrungen hat. Dies bedeutet, dass die meisten Märkte jetzt aus mehreren ineinandergreifenden Systemen bestehen, die möglicherweise nicht sinnvoll getrennt modelliert werden können. Da sich die Märkte dem kontinuierlichen Handel nähern, bin ich mir außerdem nicht sicher, ob die TCS-Berechnungslinse derzeit in der Finanzbranche allzu nützlich ist. Steuerungstheorie, grafische Modelle, Strömungsmechanik und viele andere Bereiche der angewandten Mathematik scheinen direkter von Nutzen zu sein.
TCS-Methoden könnten nützlich sein, aber man muss sich Mühe geben, um zu verstehen, was im Finanzbereich passiert, um einen Platz für die Hebelanwendung zu finden und um ein geeignetes mathematisches Toolkit zu erwerben. Persönlich würde ich gerne mehr Arbeiten nach dem Vorbild von Arora / Barak / Brunnermeier / Ge sehen, die sich mit tiefen Fragen befassen. Führt die Erweiterung der Freiheitsgrade von Finanzsystemen beispielsweise zu guten Ergebnissen für die Benutzer dieser Systeme? Oder dient das Hinzufügen von Komplexität hauptsächlich dazu, Vermittlern dabei zu helfen, asymmetrische Nullsummenspiele gegen die Benutzer einzurichten? Es gibt wahrscheinlich ein ordentliches komplexitätsbasiertes Argument, das entdeckt werden muss ...
Auf den Punkt gebracht: Sie haben nicht viel TCS / Finance-Forschung gesehen, weil es schwierig ist, TCS für die Finanzierung anzuwenden.
quelle
Ich denke, das Teilgebiet der algorithmischen Spieltheorie ist das, wonach Sie suchen. Schauen Sie sich die Online-Version eines kürzlich erschienenen Buches zu diesem Thema von N. Nisan (der hier zu Besuch ist!), T. Roughgarden, E. Tardos und V. Vazirani an. Von besonderem Interesse könnten die folgenden Kapitel sein:
[5] Kombinatorische Algorithmen für Marktgleichgewichte (von Vijay V. Vazirani)
[6] Berechnung von Marktgleichgewichten durch konvexe Programmierung (von Bruno Codenotti und Kasturi Varadarajan)
[17] Einführung in die Ineffizienz von Gleichgewichten (von Tim Roughgarden und Eva Tardos)
[26] Computergestützte Aspekte von Vorhersagemärkten (von David M. Pennock und Rahul Sami)
quelle
Von SSRN bezogen sich zwei Papiere auf die Komplexität der Portfoliooptimierung:
Walter Murray, Howard Howan Stephen Shek, Eine lokale Entspannungsmethode für das Problem der Portfoliooptimierung mit eingeschränkter Kardinalität , 15. Oktober 2011.
Marcos Lopez de Prado, Mehrperioden-Ganzzahlportfoliooptimierung mit einem Quantum Annealer , 6. Oktober 2015.
Von arXiv:
Dan A. Iancu, Marek Petrik, Dharmashankar Subramanian, Strenge Näherungen dynamischer Risikomaßnahmen , arXiv: 1106.6102.
Raphael Hauser, Vijay Krishnamurthy, Reha Tütüncü, Relative Robust Portfolio Optimization , arXiv: 1305.0144.
quelle
Wenn Aktien als Zufallsvariablen wie geometrische Brownsche Bewegungen modelliert werden, wird die Vorhersage vermutlich zu einem Problem der Statistiker.
Es gibt aber auch Marktpsychologie. Bei der technischen Analyse geht es vor allem darum, aus früheren Preisen zu extrapolieren. Wie schwer mag das sein - wie schwer ist es, die relevanten Muster zu erkennen, wenn es welche gibt?
Das Complexity Option Game lädt Sie ein, Ihre Fähigkeiten zu testen, um Muster bei Aktienbewegungen zu erkennen und zu kassieren, wenn eines erscheint, mit einer Auszahlung von bis zu 11 US-Dollar im Internet und einer öffentlichen Highscore-Tabelle. Und es ist ein Begleitpapier mit einigen vorläufigen Ergebnissen.
quelle