Negli ultimi anni le conversazioni, gli articoli di giornale, nonchè una certa cultura accademica hanno posto una enorme attenzione al tema del Machine Learning ed ovviamente tale strumento non poteva non toccare il mondo della finanza dove si trovano due catalizzatori importantissimi: una infinità di dati da poter analizzare ed i soldi.
Mi sono occupato di Machine Learning ed in particolare del suo elemento core l'Ottimizzazione (da un punto di vista matematico) da tempi remoti e non sospetti. E me ne sono occupato non attraverso l'utilizzo di funzioni builtin che puoi trovare dentro qualche libreria di Python o Matlab, R o Stata o sia anche C++ ma costruendomeli da me, come si dice in gergo from scratch. L'ho potuto fare grazie alla mia passione per i metodi Monte Carlo che mi hanno consentito di costruire algoritmi di ottimizzazione non lineare estremamente potenti ma e sopratutto aderenti alle esigenze del modello che si intende ottimizzare. Ebbene posso dire sin da adesso che, almeno nel mio caso, questi metodi di Machine Learning non hanno funzionato. Credetemi ho provato di tutto, ho posto ENORME attenzione a non incorrere nell'over fitting, ho estremizzato il codice sorgente per effettuare migliaia di cicli evitando di saturare la RAM, eppure i livelli di parametri che la mia mente stimava risultavano in una qualsiasi proiezione Forward migliori di qualsiasi altro set di parametri stimati dalla macchina dopo poderosi training set nel back testing. Era incredibile osservare che sebbene i set elaborati dalla macchina fossero almeno di un ordine di grandezza migliori dei miei nella specificazione dei dati passati quando si passava all'analisi forward, cioè nell'out sample quindi stiamo parlando di predizione, i miei parametri risultavano mediamente migliori del 30-35% rispetto a quelli della macchina.
Negli ultimi 16 mesi per lavoro e proprio per approcci Machine Learning ho avuto modo di entrare in contatto con numerose aziende che fanno uso di questi approcci da Amazon alla Roche, da Bet365 sino a molte start-up nel campo del fintech e mi sono fatto una idea della capacità del machine learning di essere utile. A mio avviso quando le tecniche di Machine Learning sono applicate in ambienti dove si sviluppano giochi cooperativi (vedi Amazon, case farmaceutiche etc etc) tali tecniche funzionano o cmq sono efficienti, quando invece tali tecniche sono applicate all'interno di ambienti dove si originano giochi in concorrenza e/o non cooperativi allora falliscono, come nei mercati finanziari. In questi ultimi casi il pattern individuato dalla macchina nel passato non si ripresenterà più nel futuro o cmq non si presenterà in futuro all'interno di certi sigma che l'analisi di sensitività dei parametri ha indicato essere la soglia entro cui il modello funziona.
Per la cronaca ho visitato società fintech che hanno preso poderose iniezioni di venture capital ma che ancora dopo anni non hanno guadagnato un euro, semmai l'hanno perso, ma che hanno bellissimi siti internet con descrizioni altisonanti e con un numero di strumenti adottati nell'analisi che rendono la descrizione stessa del loro operato una farsa. Non sanno infatti che l'utilizzo di centinaia di regole per l'analisi consuma altrettanti gradi di libertà rendendo tutto quel lavoro inutile. Eppure si sanno vendere benissimo.
Il mio safe harbor sono stati: un buon modello teorico, la statistica utile per la sua validazione e l'ingegneria finanziaria necessaria per controllare il rischio.
Mi sono occupato di Machine Learning ed in particolare del suo elemento core l'Ottimizzazione (da un punto di vista matematico) da tempi remoti e non sospetti. E me ne sono occupato non attraverso l'utilizzo di funzioni builtin che puoi trovare dentro qualche libreria di Python o Matlab, R o Stata o sia anche C++ ma costruendomeli da me, come si dice in gergo from scratch. L'ho potuto fare grazie alla mia passione per i metodi Monte Carlo che mi hanno consentito di costruire algoritmi di ottimizzazione non lineare estremamente potenti ma e sopratutto aderenti alle esigenze del modello che si intende ottimizzare. Ebbene posso dire sin da adesso che, almeno nel mio caso, questi metodi di Machine Learning non hanno funzionato. Credetemi ho provato di tutto, ho posto ENORME attenzione a non incorrere nell'over fitting, ho estremizzato il codice sorgente per effettuare migliaia di cicli evitando di saturare la RAM, eppure i livelli di parametri che la mia mente stimava risultavano in una qualsiasi proiezione Forward migliori di qualsiasi altro set di parametri stimati dalla macchina dopo poderosi training set nel back testing. Era incredibile osservare che sebbene i set elaborati dalla macchina fossero almeno di un ordine di grandezza migliori dei miei nella specificazione dei dati passati quando si passava all'analisi forward, cioè nell'out sample quindi stiamo parlando di predizione, i miei parametri risultavano mediamente migliori del 30-35% rispetto a quelli della macchina.
Negli ultimi 16 mesi per lavoro e proprio per approcci Machine Learning ho avuto modo di entrare in contatto con numerose aziende che fanno uso di questi approcci da Amazon alla Roche, da Bet365 sino a molte start-up nel campo del fintech e mi sono fatto una idea della capacità del machine learning di essere utile. A mio avviso quando le tecniche di Machine Learning sono applicate in ambienti dove si sviluppano giochi cooperativi (vedi Amazon, case farmaceutiche etc etc) tali tecniche funzionano o cmq sono efficienti, quando invece tali tecniche sono applicate all'interno di ambienti dove si originano giochi in concorrenza e/o non cooperativi allora falliscono, come nei mercati finanziari. In questi ultimi casi il pattern individuato dalla macchina nel passato non si ripresenterà più nel futuro o cmq non si presenterà in futuro all'interno di certi sigma che l'analisi di sensitività dei parametri ha indicato essere la soglia entro cui il modello funziona.
Per la cronaca ho visitato società fintech che hanno preso poderose iniezioni di venture capital ma che ancora dopo anni non hanno guadagnato un euro, semmai l'hanno perso, ma che hanno bellissimi siti internet con descrizioni altisonanti e con un numero di strumenti adottati nell'analisi che rendono la descrizione stessa del loro operato una farsa. Non sanno infatti che l'utilizzo di centinaia di regole per l'analisi consuma altrettanti gradi di libertà rendendo tutto quel lavoro inutile. Eppure si sanno vendere benissimo.
Il mio safe harbor sono stati: un buon modello teorico, la statistica utile per la sua validazione e l'ingegneria finanziaria necessaria per controllare il rischio.
Ultima modifica: