Tekoälypohjainen salkkumalli RMP arvioi kilpailevien ennustemallien ja salkkusuositusten downside riskiä suurteholaskennan menetelmin

Salkkumalli RMP (Recursive multi-period portfolio modeling) käyttää tekoälypohjaista suurteholaskenta-alustaa GHA (Genetic Hybrid Algorithm) sijoitussuositusten määrittämiseen. Algoritmi käyttää joukkoa parametreja osakemarkkinoiden ja fundamenttien historiallisen kehityksen tilastomatemaattiseen arvioimiseen sekä salkkuvalinnan ohjaamiseen. Hyvien parametrien tunnistaminen ja niistä johdettavien salkkustrategioiden downside-riskin määritys vaativat raskasta rinnakkaisprosessointia. Arvopaperilehteä varten suorittamassani OMXH 25-testissä parametrit on kuitenkin täsmennetty yksinkertaistetusti yhdellä prosessorilla. Tässä testissä ei myöskään määritetty salkkustrategian downside-riskiä.

(https://www.arvopaperi.fi/kaikki_uutiset/suomalaisprofessorin-salkkumalli-paihittaa-indeksin-6726842).

Parametrointia pitää seurata ja tarvittaessa päivittää. Mallia käyttävän pitää tuntea markkinat, seurata niitä, ja käyttää mallia oman intuition tukena.

RMP toimii kahdessa vaiheessa. Ensimmäisessä määritetään paras mahdollinen alkusalkku, toisessa alkusalkkua päivitetään testijakson kuluessa tapahtuvien hintamuutosten perusteella.

Historia- ja fundamentti-informaation perusteella lasketaan tilastollisesti tuottoennusteita valituille arvopapereille kilpailevilla huipputason vektoriaikasarja-algoritmeilla. Nämä algoritmit on ohjelmoitu, testattu ja tieteellisesti raportoitu lukuisissa arvostetuissa vertaisarvioiduissa lehdissä osana GHA-järjestelmän kehitystyötä.

Lyhyt testi ei vielä todista mallin yleispätevyyttä. Tähän tarvitaan kymmeniä tuhansia toistoja mm. bootstrapping-menetelmiä käyttäen kuten Stoxx50-sarjoja koskevassa testissä vuonna 2017. RMP-algoritmin johtaminen ja Stoxx50-datalla ajetut laajat testit on julkaistu European Journal of Operational Research  lehdessä. Suoritin ajot CSC - Tieteen Tietotekniikan Keskus OY:n Cray XC40 superkoneella 4096 ydintä käyttäen.

Verrattuna pankkien varainhoidossa yleisesti käyttämään Markowitz-pohjaiseen portfolioteoriaan RMP ottaa salkun koostumuksen lisäksi huomioon kaupankäyntikulut ja määrittää myös arvopapereiden osto- ja myynti- tai merkintä- ja lunastushetken. Staattisesta portfolioteoriasta poiketen se laskee myös mahdollisesti tarvittavan korkoinstrumenttien osuuden salkussa.

Monien rahoituksen tutkimuksessa käytettyjen monijaksoisten mallien laskenta epäonnistuu, kun salkun sijoitusavaruutta kasvatetaan. Tämä järjestelmä käsittelee ongelmitta suurtakin joukkoa sijoituskohteita ympäri maailman. Maailmassa jatkuvasti kehitettäviä kilpailevia aikasarjamalleja voidaan liittää tässä esitettyyn geneeriseen malliin esim. tarkoitusta varten kirjoittamani C++-pohjaisen liittymän kautta.

Artikkelissa esittämäni tilastotieteellisen todistusaineiston kanssa OMXH 25-testissä saadut tulokset kannustavat kehittämään järjestelmää edelleen. Haemme parhaillaan kumppaneita kaupallis-tieteelliseen jatkokehitykseen ja tuotteistukseen yhdessä Åbo Akademin kanssa.

Tekoälypohjainen suurteholaskenta-alusta GHA

Tässä esityksessä käytetty GHA-kirjasto tukee numeerista ongelmanratkaisua hyvin laajalla alueella sisältäen matemaattisen optimoinnin menetelmiä, suurtehopohjaista simulointia, tekoälypohjaisia tekniikoita ja niiden yhdistelyjä. Kirjasto on kirjoitettu tarkasti ANSI C kielellä ja tukikirjastot pääasiassa C++ ja F-kielillä (F77, F90, jne). Järjestelmä on yhdistettävissä korkean tason kieliin kuten rahoitustutkijoiden suosima R-kieli ja Matlab (Octave). Ydinkirjasto toimii Linux-ympäristössä yhdellä tai useammalla ytimellä ja on täysin skaalautuva kuten on osoitettu CSC:n mas siivisesti rinnakkaisilla superkoneilla CrayXC40 ja Taito-klusteri sekä Jugene-superkoneella (Jülich, Saksa). Rinnakkaiskoneilla ydinten välinen kommunikointi hoidetaan MPI-wrappereiden avulla. Mahdolliset rajoitukset skaalautuvuudessa riippuvat puhtaasti käsillä olevasta numeerisesta ongelmasta. Kirjasto tukee esimerkiksi klusterirakenteita joissa saman ongelman tai eri ongelmien osia ratkaistaan samanaikaisesti. Järjestelmään sisältyvän kiihdytinfunktion kautta voidaan liittää tehokkaita erityisratkaisijoita monimutkaisten poikkitieteellisten ongelmien ratkaisemiseen numeriikan eri aloilla kuten esimerkiksi:

   1. Tieteellinen laskenta

  • Vaikeita globaaleja optimointitehtäviä laatikkorajoitteilla
  • Haastavia laskennallisen fysiikan tehtäviä
  • Optimointi rajoitteilla, esim. disjunktiiviset epälineaariset sekalukutehtävät
  • Vektori-aikasarjamallit
  • Haasteelliset simulointitehtävät
  • Poikkitieteelliset HPC-tehtävät
  •  Aikasarja- ja optimointitehtävien integrointi

   2. Monijaksoiset yritysmallit

  • Paradigman muutos kohti holistista strategialähtöistä varantojen sekä tuotto- ja kassavirtojen hallinnointia
  • Suurteholaskentaan nojaava riskipinnan kvantifiointi

   3. Rekursiiviset salkkumallit

  • Kilpailevien vektoripohjaisten aikasarja-algoritmien ja salkkuformulointien integrointi
  • Salkkumallien haastaminen, valinta ja hienosäätö suurteholaskennan menetelmin tapahtuvan downside-riskin määrityksen avulla jatkuvana prosessina

Järjestelmä on osoittautunut ihanteelliseksi numeeriseksi työkaluksi akateemisessa/teollisessa tutkimus- ja kehitystoiminnassa.

GHA on kirjoittajan akateeminen elämäntyö (http://web.abo.fi/fak/tkf/at/ose/ralfostermark.html).

Muutamia laskenta-alustaan liittyviä lähteitä (lisää löytyy em. linkin takaa):

Östermark R (1999).: Solving irregular econometric and mathematical optimization problems with a genetic hybrid algorithm. Computational Economics 13:2, pp. 103-115.

Östermark R (2014): Solving difficult mixed integer and disjunctive non-linear problems on single and parallel processors. Applied Soft Computing 24, 385-405. (http://dx.doi.org/ 10.1016/j.asoc.2014.07.018).

Östermark R (2017): Massively parallel processing of recursive multiperiod portfolio models. European Journal of Operational Research 259, 344-366. (http://dx.doi.org/10.1016/j.ejor.2016.10.009).

Lahti A, Östermark R, Kokko K (2018): Optimizing atomic structures through geno-mathematical programming. Forthcoming in Communications in Computational Physics.

Copula-pohjaisia aikasarjamenetelmiä käyttävä R-kielellä toteutettu testi:

Mahamkhadam M, Stephan A, Östermark R (2018): Portfolio Optimization based on GARCH-EVT-Copula Forecasting Models. International Journal of Forecasting 34, 497-506.

 

Kommentit

Comment: 

Arvopaperin jutun perusteella asia jäi mulle melko epäselväksi. Tämä juttu selvensi aika paljon enemmän, että mitä kaikkea tässä on tehty.

Comment: 

Varmastikin hieno järjestelmä kyseessä. Toivottavasti tähän perustuva tekoälyä soveltava sijoitusrahasto tulee aikanaan saataville tavallisillekin osakesäästäjille.

Lisää uusi kommentti

You must have JavaScript enabled to use this form.

Suodatettu HTML

  • Rivit ja kappaleet päätetään automaattisesti.
  • Sallitut HTML-tagit: <a> <p> <h1> <h2> <h3> <h4> <h5> <h6> <img> <map> <hr> <br> <br /> <ul> <ol> <li> <dl> <dt> <dd> <table> <tr> <td> <em> <b> <u> <i> <strong> <font> <del> <ins> <sub> <sup> <pre> <address> <strike> <caption>
  • Www-osoitteet ja email-osoitteet muutetaan automaattisesti linkeiksi.

Plain text

  • HTML-merkit ovat kiellettyjä.
  • Www-osoitteet ja email-osoitteet muutetaan automaattisesti linkeiksi.
  • Rivit ja kappaleet päätetään automaattisesti.
To prevent automated spam submissions leave this field empty.
File attachments
Tiedostokoon on oltava pienempi kuin 150 KB.
Sallitut tiedostotyypit: txt jpg png.
CAPTCHA
Tällä kysymyksellä varmistamme että olet oikea inhimillinen käyttäjä (eikä koneellinen roskapostittaja)
Kuva CAPTCHA
Kirjoita kuvassa näkyvät merkit.