Table of Contents
Impacto futuro de la Inteligencia Artificial (AI)
Wikipedia:
En el mundo de la informática, Artificial Intelligence (AI), a veces llamada inteligencia de máquinas, es la inteligencia demostrada por máquinas, en contraste con la inteligencia natural mostrada por los seres humanos.
Si bien la inteligencia artificial (AI) se ha considerado durante mucho tiempo una tecnología potencialmente disruptiva, está empezando a evolucionar de manera que,en realidad, podría poner al revés toda la cadena de valor del sector financiero. Este cambio es una consecuencia del enorme potencial de la inteligencia artificial. Las tecnologías de AI se utilizan cada vez más para ofrecer nuevos productos al consumidor, mejorar las soluciones existentes, aumentar la eficiencia operativa de los procesos empresariales y explorar nuevos descubrimientos que conduzcan a ideas empresariales innovadoras.
La inteligencia artificial no describe una sola tecnología, sino la combinación de diferentes desarrollos tecnológicos. Estos incluyen la generación de textos y el procesamiento automático del lenguaje natural, el llamado razonamiento automático, métodos de pre-habilitación, aprendizaje automático, agentes autónomos e inteligentes. En busca de soluciones perfectas, todas ellas se han unido a lo que ahora llamamos inteligencia artificial. Describen habilidades que se asemejan o incluso superan a las de un ser humano. Pero a pesar de todas estas ventajas, no todos los aspectos de la inteligencia artificial han alcanzado el mismo nivel de madurez. Algunos de ellos necesitan décadas de desarrollo, incluyendo la llamada “inteligencia artificial fuerte” que eventualmente podría permitir a las máquinas imitar la inteligencia, plasticidad y comprensión del cerebro humano.
El efecto del Machine Learning en Finanzas
El aprendizaje automático en la industria financiera se basa en casos de uso de fracciones diferentes. En general, el machine learning en la industria es menor que lo que podrían imaginar los de afuera. Mucho antes que el término machine learnig fuera tan pronunciado en la industria. Por aquel entonces, uno diría que los medios de analizar datos y hacer predicciones serían complejos. Pero no es así, porque hay soluciones directas para resolver problemas que no requieren fórmula. A continuación se ofrecen algunos ejemplos de aprendizaje automático en la comunidad comercial:
GENERACIÓN DE SEÑALES Y PRUEBAS: El término “señal” representa el objetivo final de la negociación que es crear trade (comercio). Para crear señales a partir de datos pasados, los métodos de machine learning son importantes. En particular, el ajuste de los enfoques en las áreas de machine learning en torno a la validación y la importancia de las pruebas estadísticas son muy pertinentes. La diferencia entre el éxito y el fracaso es el resultado de equivocarse en la parte importante. La regresión lineal se puede utilizar para hacer predicciones reales.
INGENIERÍA DE CARACTERÍSTICAS: Aprender a no supervisar no es bueno para el comercio porque hay una necesidad de retroalimentación constante, el cual, es el vínculo entre las ganancias y las señales. Las características también se pueden diseñar individualmente utilizando cualquier herramienta de elección. La introducción de datos externos, por ejemplo, datos satelitales o modelo de economista para el comercio a gran escala y el uso de herramientas complicadas para incorporar los resultados en una estrategia comercial simple es el resultado de buenas estrategias.
TOMAR PRESTADO DE MÉTODOS DE RECONOCIMIENTO DEL HABLA: Aquí, desde el pasado se puede predecir el futuro. NLP y otras esferas similares de los enfoques de machine learning han resultado beneficiosas para el espacio comercial.
Precios de opciones, ejecución de operaciones de alta frecuencia, estrategia de cartera, gestión de riesgos, son cosas que no responden al machine learning. De manera que, se puede concluir que, el machine learning es relevante en el área de las finanzas, pero no como la gente piensa.
Una de las herramientas utilizadas para hacer predicciones en el trade cuantitativo es el machine learning, que es de gran ventaja en el mercado de valores. Un gestor de fondos sería un ejemplo de cómo hacer uso de esta herramienta para crear más alfa. En empresas cuánticas y algoritmos, el machine learning ha sido el gran tema de conversación en los últimos años.
EL APRENDIZAJE AUTOMÁTICO GANA POPULARIDAD EN EL TRADING ALGORÍTMICO
Los lenguajes de programación como C++, Python, R, etc. pueden ser útiles en la aplicación de técnicas de machine learning al trading. Los paquetes de machine learning son construidos dentro de la organización por empresas que los ponen a disposición de los usuarios libremente.
Dichos paquetes se han disparado recientemente y esto ha mejorado inmensamente el acceso a diversas técnicas de machine learning, así como también a satisfacer las necesidades del trading.
FUENTE:
Cómo funciona el algoritmo es una de las bases para clasificarlo. Un ejemplo son los algoritmos ML que se clasifican en función de su modo de trabajo. Por ejemplo, para construir un modelo de decisiones, se utilizan algoritmos de árbol de decisiones. Para encontrar la relación entre variables, se emplean algoritmos de regresión.
Algunos de éstos algoritmos son enlistados aquí:
1. Regresión lineal
2. Máquinas de Vectores de Soporte (SVM)
3. Aprendizaje profundo
4. Random Forests (RM)
5. K-vecino más cercano (kNN)
6. Regresión logística
7. Clasificación y árbol de regresión (CART)
Los ejemplos de algoritmos de ML dados anteriormente son empleados por las empresas de trade para diferentes propósitos. Entre los cuales se incluyen;
1.Para encontrar insumos óptimos para una estrategia
2. Utilizando enormes conjuntos de datos se puede analizar el comportamiento histórico del mercado
3. También es beneficioso para hacer predicciones comerciales, etc.
EJEMPLOS DE MACHINE LEARNING:
RECURSOS PARA ESTUDIAR MACHINE LEARNING
En el mundo de hoy, uno debe mantenerse al día con las nuevas tecnologías emergentes. El machine learning ofrece a los traders a tiempo completo la oportunidad de mejorar sus conocimientos. Los cursos de machine learning, hoy en día, están presentes en varias universidades muy renombradas en todo el mundo.
OTRAS ÁREAS DE ESTUDIO
Varios mercados, por ejemplo el de divisas, utilizan técnicas de machine learning. Conocer de programación, análisis técnico, estadísticas básicas, etc. también son útiles para cualquier trader que quiera mejorar sus operaciones utilizando la técnica de machine learning.
COMPETENCIAS DE MACHINE LEARNING
Esta competencia de machine learning está dirigido a mejorar el conocimiento de los traders. Hay muchos sitios que realizan estas competencias de ML. Las mismas, aunque no se dirigen directamente a la aplicación del Machine Learning en el trading, pone en juego diversos problemas que pueden resolverse a traves del ML. De esta forma, los participantes amplian su conocimiento de machine learning. Algunos ejemplos de estos sitios son: 1. CrowdAnalytics
2. kaggle
3. NUMERAI
4. Topcoder, etc.
FONDOS QUE UTILIZAN TÉCNICAS DE MACHINE LEARNING
El machine learning es utilizado para el trading de fondos establecidos como Citadel, Shaw, Fondos Medallion y así sucesivamente. El impacto de las técnicas de ML en el trading aun no es claro para la gente como así también el rol de las estrategias de machine learning en los fondos de manera general.
EL FUTURO DEL MACHINE LEARNING EN EL TRADING.
Recientemente, el trading automatizado se ha visto incrementado gracias a los avances de la tecnología y el trading electrónico. A nivel mundial, el machine learning ha sido adoptado por grandes y pequeñas firmas.
En este momento es fundamental para los traders adquirir conocimientos y comprender el machine learning a fin de mantener su productividad en el mundo del comercio. Existen también nuevos desarrollos en el soporte de machine learning por hardware.
Impacto futuro de la Inteligencia Artificial y el Machine Learning en las Finanzas
Sin embargo, ya hay tareas que hasta ahora, habían sido atribuidas sólo a la mente humana. Tareas que, ahora, ya son realizadas mediante inteligencia artificial – este es un proceso que refleja la sustitución del trabajo humano por maquinaria industrial. El sector financiero es un buen ejemplo para mostrar cómo IA ya está trabajando en diferentes niveles:
– Mejorando la experiencia del cliente y las relaciones con él a través de una mayor interacción humana con chatbots, agentes virtuales y sistemas inteligentes que puedan comunicarse con las personas y entre sí basados en la generación de textos gracias al procesamiento de lenguaje natural por máquinas.
– A través de una oferta demanda-orientada de servicios como Robo-Advisors, productos individualizados y el registro de nuevos clientes completamente en línea, basado en el machine learning – Mediante la automatización de procesos empresariales internos, incluyendo procesos mecánicos y cognitivos, replicando habilidades cognitivas humanas, como encontrar y entender el significado en una variedad de documentos, reconocer patrones ocultos y crear sistemas complejos.
– Mediante el uso efectivo de datos financieros, donde el machine learning puede ayudar a descubrir anomalías, combatir el crimen de “cuello blanco” y automatizar procesos en una infinita gama de especificaciones de productos financieros. ¿En qué áreas de los negocios financieros tiene mayor incidencia la inteligencia artificial? De hecho, el sector financiero está siendo colmado por la inteligencia artificial. La tecnología ha demostrado que, debido a su naturaleza disruptiva, tiene el potencial de cambiar los procesos financieros. Este cambio tiene muchas oportunidades y posibilidades: los proyectos de investigación pura resultan en el cambio real de los procesos empresariales más importantes.
El futuro de la Inteligencia Artificial
Lo que todavía no hemos visto es el verdadero potencial de la inteligencia artificial. En los próximos dos o tres años, nos veremos tapados de un enorme aumento de los procesos y aplicaciones. Las tecnologías ya están madurando para desafiar a los ejecutivos en las áreas que quieren utilizarlas para cambiar sus procesos de negocio. Esto puede tener éxito, por ejemplo, mejorando la experiencia del cliente y mejorando las relaciones, ofreciendo nuevos servicios y automatizando tareas que requieren habilidades humanas y cognitivas, además de explorar nuevas áreas para exponer conocimientos nuevos y ocultos. También es importante distinguir entre diferentes áreas: Hay ámbitos en los que la IA ya está bien desarrollada y en los que se logran éxitos rápidos y directos. Por otro lado, existen otras áreas que requieren un enfoque más exploratorio porque los riesgos son más altos, pero puede verse una potencialidad prometedora de resultados disruptivos.
Además de eso, el equipo de gestión también debe planificar cuidadosamente la estrategia de aplicación. Para ello, puede confiar en los talentos de su propia empresa, atraer a profesionales externos, colaborar con FinTechs, comprar productos de caja negra o proporcionar servicios de asesoramiento. Todas estas posibilidades también pueden realizarse en colaboración con equipos de análisis internos o de innovación, utilizándolos como zonas de juego o creando prototipos sobre la base de un proyecto piloto. Un ejemplo es GFT Innovation Lab, donde Fintechs, startups de tecnología e instituciones financieras trabajan juntas para explorar y diseñar diferentes aplicaciones de IA – tanto en el negocio como en algún nivel de tecnología – antes de integrarlas en su empresa. Además, los ejecutivos deben pensar e identificar las plataformas tecnológicas que mejor se adapten a su negocio y estrategia. Puede elegir desarrolladores internos o externos para crear capacidades básicas, utilizar una infraestructura de código abierto (como Hadoop o Tensorflow), externalizar productos de datos y software como un servicio a FinTechs, o acceder a soluciones basadas en la nube (como Amazon), IBM Watson, Google Cloud Platform y Microsoft Azure). Por último, los responsables deben iniciar este proceso identificando las áreas en las que se puede implementar la inteligencia artificial para cambiar los procesos de negocio.
Un fuerte cambio en el recurso humano a través de la Inteligencia Artificial
La inteligencia artificial no reemplazará completamente al personal actual – humano – pero cambiará, de manera importante, todos los recursos humanos. Un enfoque diferente traerá niveles sin precedentes de colaboración entre el hombre y la máquina. Toda tecnología disruptiva también trae consigo una ola de trabajos y tareas previamente desconocidas. Como a finales de la década de 1980, cuando la llegada de las computadoras costó miles de puestos de trabajo, una vez más nos enfrentamos a un cambio de los equipos a trabajos más exigentes, como las tareas que requieren un servicio al cliente muy bueno. Además, los algoritmos de Inteligencia Artificial deben ser revisados constantemente por equipos profesionales apoyados por tecnologías de IA más avanzadas. En resumen, las tecnologías de inteligencia artificial se pueden utilizar para automatizar e industrializar tareas muy intelectuales que antes sólo se pensaban gracias al cerebro humano. Por esta razón, tienen el potencial de revolucionar completamente la industria de servicios financieros. Todo esto es posible, sin importar las dificultades, los riesgos y las expectativas poco realistas y efímeras que cada nueva tecnología traiga consigo.
Es un experto en nichos financieros, operaciones a largo plazo y niveles técnicos semanales.
El campo principal de la investigación de Igor es la aplicación del aprendizaje automático en el comercio algorítmico.
Educación: Ingeniería Informática y Ph.D. en el aprendizaje automático.
Igor publica regularmente videos relacionados con el comercio en el canal de Youtube de Fxigor..
Para contactar a Igor escriba en:
igor@forex.in.rs