مارکوس لوپز دِ پرادو

نیویورک، ۲۰۱۵. در آزمایشگاه داده‌های مالی شرکت AQR ، مردی با کت خاکستری و لهجه اسپانیایی به تخته نزدیک میشود. با گچ مینویسد: Finance is not physics. It’s a branch of data science . مالیه فیزیک نیست، شاخه« ».ای از علم داده است همه سکوت میکنند. او ادامه می‌دهد: پس وقت آن است که از ریاضی« ».دانانِ دنیای فیزیک، به دانشمندان داده تبدیل شویم این آغاز فصل جدیدی بود در دنیای کوانت‌ها: عصر یادگیری ماشین در بازار.

لوپز د پرادو برخالف بسیاری از هم نسالنش، به این باور رسید که بازار، سیستم بسته نیست. :او گفت هر بار که در بازار معامله می« کنی، مدل خود را تغییر می».دهی از دید او، بازار شبیه سیستم زنده ای از داده‌ها کرد، نه صرفاً آن را پیش »تعامل« ست که باید با آنبینی کرد. ۱. علم داده، نه اقتصاد سنتی او نقد تندی به مدل‌های قدیمی اقتصاد داشت. میگفت مدل‌های کالسیک مثل CAPM یا فاما-فرنچ، جهان را ساده‌تر از آنچه هست فرض می‌کنند. در حالی که داده‌های واقعی بازار، غیرخطی، نویزی و چندبعدی هستند. ۲. یادگیری ماشین، راه شناخت الگو‌های پنهان لوپز د پرادو یادگیری ماشین را وارد قلب تحلیل مالی کرد. او الگوریتم‌هایی طراحی کرد که نه تنها رفتار گذشته‌ی بازار، بلکه ساختار درونی و روابط پنهان میان دارایی‌ها را میآموزند. ۳. تحقیق علمی در وال استریت او بر خالف فرهنگ پنهانکاری در صندوق‌های کوانت، دانش خود را به استاندارد « صورت عمومی منتشر کرد تا علمی وال را باال ببرد. »استریت او گفت: دانش واقعی، وقتی ارزش دارد که به اشتراک گذاشته شود، نه فقط برای کسب سود، بلکه برای « ساختن سیستم‌های سالم ».تر دستاورد‌ها و نوآوری‌ها 1. Machine Learning for Finance – برای نخستینبار مدل‌های یادگیری عمیق را برای پیش بینی نوسانات و همبستگی دارایی‌ها به کار برد. 2. Fractional Differencing – تکنیکی که اجازه میدهد داده‌های غیرایستا را بدون از دست دادن حافظه تاریخی شان مدلسازی کنیم. 3. Meta -Labeling – روشی برای فیلتر کردن سیگنال‌های معامالتی بر اساس کیفیت آن‌ها ، انقالبی در طراحی سیستم‌های معامالتی مبتنی بر AI . 4. Hierarchical Risk Parity (HRP) – جایگزینی هوشمند برای مدل‌های سنتی مدیریت ریسک ( Markowitz ) که با ساختار سلسلهمراتبی دارایی‌ها کار میکند. تمام این نوآوری‌ها، امروز در ده‌ها صندوق سرمایهگذاری و الگوریتم معامالتی به کار میروند. بحران‌ها و دیدگاه اخالقی استفاده« لوپز د پرادو یکی از منتقدان اصلی در بازار است. »ی ناآگاهانه از یادگیری ماشین او بارها هشدار داده که الگوریتم‌های بدون فهم انسانی می‌توانند ریسک‌های پنهان سیستمیک ایجاد کنند. در مقاله ای نوشت: ما در حال ساخت ماشین « هایی هستیم که از ما سریعتر یاد میگیرند، اما هنوز نفهمیده ایم دقیقاً چه چیزی را یاد می ».گیرند به همین دلیل، او بر ترکیب سه عنصر تأکید دارد: علم، شفافیت، و اخالق در الگوریتم‌ها.

1. .داده، منبع حقیقت است 2. یادگیری ماشین، جایگزین شهود انسانی نیست، بلکه ادامهی آن است. 3. مدل‌های ایستا در جهانی پویا شکست می‌خورند. 4. علم باید در دسترس همه باشد، نه فقط صندوق‌ها. 5. .خطا بخشی از فرآیند یادگیری است، نه شکست 6. الگوریتم بدون اخالق، همان خطرِ جدیدِ والاستریت است. 7. .ریسک باید فهمیده شود، نه حذف 8. داده‌ها باید پیش از مدل، تمیز و ساختارمند باشند. 9. .بازار‌ها رفتار یادگیرنده دارند 01. آینده از تعامل انسان و ماشین ساخته میشود.