Как анализируют финансовые рынки
Как работает data science
Почему data science эффективен
Что нужно, чтобы применять data science
Станет ли data science панацеей для инвесторов
Постскриптум

Перед тем как приступить к Data Science, давайте разберемся с философией анализа финансовых рынков. Для этого мы ответим на три принципиальных вопроса:

Первый ответ очевидный. Мы анализируем финансовый рынок, чтобы затем его предсказать. Например, сегодня акции Apple котируются по $400, но анализ показывает, что через месяц цена достигнет $500. Мы легко превратим эту информацию в деньги. Купим Apple сейчас, продадим через месяц и заработаем 25% на вложенный капитал. Двенадцать таких операций в год и можно приобрести небольшой остров в Карибском архипелаге.

Естественно, в реальной жизни ситуация заметно сложнее. Идеального аналитического метода не существует. Точных предсказаний — тоже. Поэтому приходится оперировать вероятностями и мириться с тем, что прогнозы сбываются не все и не всегда.

За последние полтора века инвесторы придумали сотни подходов, чтобы предсказывать рынок. Одни методы имеют твердую научную базу, другие похожи на эзотерику. Но все они делятся на две большие группы:

Коротко пройдемся по каждой категории. Начнем с исторических данных:

Например, акции Apple в среднем росли на 10% после положительных квартальных отчетов. Сегодня, до открытия рынка вышел новый хороший отчет, и акции растут на 3%. Соответственно, мы купим их сейчас и продадим, когда рост достигнет 10%.

Конечно, не факт, что Apple продолжит следовать сценарию. Конкретно в этом случае, все может получиться иначе, и мы потеряем деньги. Но если история повторилась 15 раз подряд (или хотя бы 10 раз из 15), то лучше придерживаться тенденции. Это логично и, теоретически, повышает вероятность успеха.

Теперь посмотрим на логику заглядывания в будущее:

Например, в прошлые кризисы акции Apple падали и восстанавливались вместе с рынком. Однако, в прошлые кризисы не было нулевых ставок и бесконечного вливания денег в экономику. Теперь они есть, поэтому анализировать акции нужно с чистого листа.

Такой подход имеет основания (история действительно не всегда повторяется), но его трудно применить на практике. Во-первых, отсутствуют четкие ориентиры. Будущее вариативно, и его не получится загнать в здравый смысл или другую эфемерную модель. Слишком много слепых зон и неизвестных факторов. Пробуя их угадать, мы начнем тыкать пальцем в небо в надежде показать на звезду.

Во-вторых, даже если мы угадаем нужное направление, то не сможем оценить результат. Точнее не поймем — это мы умные или рынок благоприятный? Положиться на мозги еще можно, а вот на хороший рынок — очень не хочется. По крайней мере до тех пор, пока мы не научились заранее отличать хороший рынок от плохого.

Методы, основанные на исторических данных, такой проблемы не имеют. Есть прошлые результаты, есть конкретные цифры, есть возможность посчитать вероятности. Если на реальном рынке фактические цифры совпадают с ожидаемыми, значит метод работает. Если не совпадают — метод нужно менять или дорабатывать.

Таким образом, исторические данные придется анализировать в любом случае. Они дадут прочный фундамент и возможность оценить стратегию. Однако, анализировать историю можно по-разному. Например, плохой способ — это изучать графики и вручную искать закономерности. Лучше, но не идеально — придумать алгоритм и прогнать историю на компьютере. Самый передовой вариант — использовать data science.

Об этом поговорим дальше.

Data Science — это прикладная наука о данных. Она состоит из нескольких дисциплин, которые пришли из математики, статистики и информатики. Общий процесс исследования с применением data science выглядит так:

То есть конечный результат нашей работы — это компьютерный алгоритм, который принимает данные и предсказывает будущее. Чтобы было понятнее, мы разберем условный финансовый пример.

Задача:
Научиться предсказывать цену акций из индекса S&P 500.

Доступные данные:

Мы хотим получить волшебную машину, которая примет четыре типа данных на входе и предскажет цену акций на выходе. Давайте сделаем схему, чтобы наглядно изобразить процесс.

Сначала мы собираем и обрабатываем данные. Это важный шаг, с которого начинается data science. Затем мы скармливаем обработанные данные в математическую модель и используем статистические методы, чтобы найти взаимосвязи. Если взаимосвязи между данными сложные, то мы подключаем искусственный интеллект и анализируем их на более глубоком уровне.

Например, мы анализируем, как финансовые результаты влияют на котировки акций из индекса S&P 500. Тоже самое делаем с аналитическими рекомендациями. Затем смешиваем отчеты с рекомендациями и повторяем процедуру. Таким образом мы находим статистически значимые закономерности.

Далее на основе закономерностей мы создаем предиктивную модель. В нее мы скармливаем новые финансовые отчеты и аналитические рекомендации, а в ответ получаем прогноз ценовой динамики. Этот прогноз мы применяем на практике. То есть в торговле на бирже.

Исторические котировки, финансовая отчетность и ожидания аналитиков — не единственная информация, которую используют при создании прогнозных моделей. Существует много вариантов входных данных. Они начинаются с привычных финансовых метрик и заканчиваются Google-запросами или Twitter-комментариями.

Фактически, в качестве почвы для анализа можно использовать любые достоверные данные. Если внутри данных есть статистически важные закономерности, то методы машинного обучения их выявят. Если закономерности отсутствуют, то мы тоже это узнаем. После чего перейдем к следующему датасету или к следующей гипотезе.

Данные анализируют давно и различными способами. Поэтому основные методы аналитики (затейливые словосочетания, которые вы прочли на предыдущей картинке) придуманы несколько десятилетий назад. Штука в том, что они не работали на практике до недавнего времени. Эти методы хорошо справлялись с теоретическими задачами, но упирались в сложность расчетов в реальных условиях.

Проблему решил технический прогресс. Появились новые компьютеры, и они осилили сложные вычисления. Затем появился data science — он стал продуктом технологических изменений. Data science воспользовался увеличением вычислительной мощности, впитал несколько математических областей и автоматизировал сложные процессы. В результате мы получили аналитический завод, который обрабатывает больше данных, ищет больше взаимосвязей и делает работу быстрее.

Эффективность data science держится на трех китах:

Таким образом, data science решает старую задачу анализа данных. Но делает это на принципиально новом технологическом уровне. Если сказать метафорично, то с помощью data science мы пересели с лошади на машину.

Что это значит в применении к финансовым рынкам? А то, что раньше мы придумывали торговые стратегии и неделями тестировали исторические данные. Сегодня мы ускоряем процесс в несколько раз. Одновременно с этим мы повышаем его эффективность.

Чтобы эффективно применять data science на практике, требуются три ключевых ингредиента:

Если мы говорим про финансовые рынки, то также пригодятся знания в финансах. Как минимум общее понимание темы, как максимум — знание корпоративных финансов, количественных финансов, теории управления портфелем, деривативов.

Естественно, один человек такой объем дисциплин не осилит. Поэтому лучше сформировать команду, где каждый отвечает за свое направление. Например, финансист помогает собрать и обработать информацию, а data science-аналитик анализирует данные и строит прогнозную модель.

Data science позволяет построить предиктивную модель на основе прошлых данных. Хорошая новость в том, что data science — это лучший способ изучить историю, причем с серьезным запасом. Плохая новость в том, что история остается историей. Если мир изменился, а мы не обновили датасет, то прогнозы сломаются. Если исторические данные неполные или неверные, то прогнозы тоже будут неполными или неверными.

Поэтому называть data science панацеей — перебор. Методы data science не превратят свинец в золото и не создадут непогрешимый хрустальный шар. Однако, они помогут качественно проанализировать информацию и принять математически взвешенное решение.

Если вам понравилась статья и вы хотите применить data science на практике, то предлагаем начать с IPO. Почему с IPO? Потому что мы делаем большое исследование, к которому вы можете присоединиться. Для этого вам не нужно знать математику или уметь программировать. Достаточно пройти по ссылке, изучить информацию и поддержать нас, если подход и идея вам нравятся.