머신 러닝을 통한 헤징

헤지를 통해 거래 위험을 줄이는 방법에는 여러 가지가 있습니다. 펀드는 일반적으로 각 거래를 헤지하기 위해 선물과 옵션을 사용합니다. 보험과 마찬가지로이 안전망에는 대가가 따릅니다. AI 기반 전략을 사용하면 훨씬 저렴한 비용으로 포지션을 보호 할 수있는 방법이 있습니다.

McDonalds가 치킨 맥 너겟을 도입하기 전에는 치킨 가격에 대해 헤지해야했습니다. 닭고기 가격이 급등하면 더 이상 제품을 제공 할 수 없게됩니다. 얼마 후 한 금융 컨설턴트는 닭 사육과 관련된 두 가지 비용이라고 결정했습니다. 그것은 곡물과 물입니다.

식당이 고정 된 비용으로 닭고기를 계속 제공 할 수 있도록 회사는 곡물 옵션을 구매했습니다. 의식은 있었지만 곡물을 x 량 구매할 의무는 없다는 뜻입니다. 이를 통해 곡물 가격이 상승하더라도 McDonalds는이 옵션으로 위험으로부터 보호 할 수있었습니다.

McDonalds 기업 팀의 매우 현명한 조치 인 유일한 문제는 옵션 비용이 그들이 제공 한 닭고기의 전체 비용을 의미한다는 것입니다. 이것은 고유하지 않습니다. 헤징 전략은 항상 이익을 줄이면서 위험을 줄입니다.

머신 러닝이 현실화되었으므로 더 적은 비용으로 위험을 줄일 수있는 더 좋은 방법이 있습니까? 다이빙하기 전에 약간의 배경 지식이 필요합니다.

변동성은 불확실성을 나타냅니다. 헤지는 거의 더 나쁜 시나리오의 경우를 나타냅니다. 그것은 모두 보호를 포함하는 것이 아니라 일반적인 안전망입니다. 금융에서 위험은 투자에 대한 실제 수익이 예상 수익보다 낮을 가능성입니다. 이것은 더 나쁜 결과를 제외하고 위험 가치 (VaR) 또는 해당 기간 동안의 가능한 최대 손실로 측정됩니다.

한 사람이 건물을 $ 200,000에 구입하고 월 $ 1000에 임대 할 것으로 예상한다고 가정 해보십시오. 구매하기 전에 한 달에 $ 800 만받는 위험을 줄이는 방법을 원할 것입니다. 건물 소실 및 자산 파괴에 대한 보호는 보험을 통해 관리됩니다. 따라서 유일한 헤지 문제는 예상되는 임대료의 $ 200 차이와 임대료 시장 요율의 변화입니다.

가장 먼저 할 일은 데이터를보고 해당 부동산의 임대료가 $ 1000 미만으로 떨어질 가능성을 결정하는 것입니다. 이를 위해 사용할 지역별로 나열된 임대 데이터에 대한 많은 온라인 소스가 있습니다. 임대료가 투자 수익을 올리는 데 필요한 목표 금액 이하로 떨어질 가능성이있는 경우 헤지를 확보해야합니다.

예를 들어 부동산에 대한 대출이 15 년인 경우 연금으로 15 년 동안 월 $ 200를받을 수 있습니다. 그러나이 연금은 $ 20,000입니다. 이것은 월 $ 1000 미만의 생성 위험을 크게 줄이면서 전체 투자를 증가시킬 것입니다. 그것이 위험 헤징의 문제입니다.

실제 부동산 거래 인 경우 이러한 문제에 대한 몇 가지 옵션이 있습니다. 예를 들어, 필요한 임대료가 시장과 일치하도록 부동산 비용을 $ 200,000에서 더 적은 금액으로 협상하려고 할 수 있습니다. 또한 해당 건물의 임대 시장이 불안정한 경우 구매하지 않기로 결정할 수 있습니다. 그러나 이것은 헤지가 어떻게 작동하는지 보여주는 예시 일뿐입니다.

먼저 자연어 처리 또는 NLP를 고려하십시오. 이것은 기계가 글을 읽고 기초적인 결론을 내리는 기술입니다. 현재 많은 펀드에서 다양한 정량적 전략에 NLP를 사용하고 있습니다.

투자에 연구를위한 문서 처리가 필요한 경우 NLP는 개선 된 헤징 전략을 공식화 할 수 있습니다. 예를 들어 NLP 기반 시스템은 좋은 임차인의 기준을 충족하는 사람들의 수백만 개의 온라인 프로필을 처리 할 수 ​​있습니다. 이 정보를 사용하여 정시에 지불하고 2 년 이상 부동산에 머물 가능성이 가장 높은 사람들을위한 매개 변수 세트를 공식화 할 수 있습니다. 이러한 세입자를 확보하면 임대 부동산을 구매할 위험이 줄어 듭니다.

둘째, K-Nearest Neighbor 알고리즘 또는 KNN을 사용할 수 있습니다. 이것은 분류 된 데이터의 데이터베이스와 함께 작동하도록 설계된 기본적인 기계 학습 기술입니다. KNN은 비모수 적이므로 데이터 분포에 대해 어떠한 가정도하지 않습니다. 따라서 기본 데이터가 배포되는 방식에 대한 지식이 거의 또는 전혀 없을 때 잘 작동합니다. 시스템은 데이터베이스에서 카테고리 예시 만 수집합니다.

기능 유사성을 사용하여 KNN 시스템은 새 항목이 속하는 클래스를 결정합니다. 새 항목 이웃과 가장 밀접하게 일치하는 클래스를 할당하여이를 수행합니다. 현재 KNN은 사기 탐지를 위해 할당됩니다.

수익성있는 투자와 무익한 투자를 모두 취함으로써 데이터베이스 내에서 각 유형을 분류 할 수 있습니다. 과거의 각 투자는 높음, 평균, 낮음 카테고리 중 하나로 분류됩니다. 부동산 거래의 경우 변동성, 객실 수, 평방 피트, 우편 번호, 특수 기능, 재산 상태, 부지의 형태, 차고 수, 범죄율 등과 같은 매개 변수가 포함될 수 있습니다.

잠재적 자산을 취하면 KNN 시스템은 잠재적 인 수익이 높거나 평균이 낮거나 낮은 것으로 분류합니다. 예를 들어, 시스템은 부동산의 전반적인 상태, 방의 수 및 사각형 모양의 부지가 가장 많은 수익을 올린다고 결정할 수 있습니다. 따라서 부동산이이 기준을 충족하면 수익 잠재력이 높은 것으로 분류됩니다. 구매 위험을 n % 줄입니다.

이 시나리오는 전통적인 헤지가 아니라 자산 매수 및 매도 모두에 대한 잠재적 개선입니다. 목표는 비용을 가장 크게 줄이므로 헤지의 필요성을 없애는 것입니다.

마지막으로 Random Forest를 사용할 수 있습니다. 이것은 훈련 데이터를 사용하고 실행시 다수의 의사 결정 트리를 생성하는 기계 학습 전략입니다. 이는 각 결정 라인이 특정 결론에 도달하는 순서도와 유사합니다. 학습에 사용되는 데이터가 많을수록 나무가 더 깊어지고 발견 할 수있는 것보다 패턴이 더 모호해집니다.

Random Forests는 매개 변수의 중요도를 평가하는 데 사용되며 K-Nearest Neighbor 알고리즘과 유사하지만 학습 데이터 및 전체 사용 사례가 다릅니다. 일련의 매개 변수를 기반으로 샘플 클러스터를 발견하기위한 것입니다.

최선의 헤지를 결정할 때 특정 투자 유형에 대한 최상의 헤지 사례와 최악의 헤지 사례를 시스템에 가르 칠 수 있습니다. 따라서 투자를 투입하여 최상의 헤징 전략을 반환 할 수있는 시스템이 탄생했습니다.

결론

설명 된 세 가지 머신 러닝 전략 모두 특정 투자에 대해 개선 된 헤징 전략을 결정하는 데있어 단독으로 또는 결합 된 노력의 일부로 약속 될 수 있습니다. 그러나 사용 된 데이터만큼만 우수합니다. 사용할 올바른 데이터 세트를 결정하는 것은 머신 러닝에서 가장 어려운 부분입니다.

데이터에 대한 초점은 머신 러닝 시스템을 만드는 패러다임의 전환입니다. 논리 기반 알고리즘 대신 AI 소프트웨어를 작업하는 개발자는 모델 선택 및 학습 데이터에 집중해야합니다. 그러나 이러한 업적을 달성 할 수있는 사람은 이전에 실현되지 않은 새로운 전략을 열 수 있습니다.