Marcos López de Prado (чуть больше 40 лет) — «квант года» в 2019, официально рулит триллионом долларов на Ближнем Востоке — один из крупнейших стабилизационный фондов в мире (Абу Даби). Неофициально — хз, он не раскрывает других частных контрактов. К сожалению, своим личным доходом и финансами никогда не хвастается.
Самый популярный автор научных статей по финансам в мире, профессор Корнельского университета по машинному обучению в финансах. Исследователь в лаборатории Беркли. Работал у Клифа Аснесса в AQR, сейчас у него — и своя компания по услугам разработки машинных моделей фондам, и активное управление чужими фондами.
Начинал карьеру как трейдер и чистый квант, потом постепенно перешел в машинное обучение. Все эти годы совмещал свои проекты с чистой наукой и преподаванием.
Свой первый фонд (13 миллиардов под управлением) вместе с клиентами и патентами продал Аснессу, после чего на эти деньги запустил свою собственную компанию True Positive Technologies. Сразу нанял команду из 20 исследователей и инженеров, которые занимаются и наукой, и практикой. Уверен, что только в командной и совместной работе можно добиться успеха в финансах.
Управляет как своими деньгами, так у чужими. По самым скромным оценкам, несколько триллионов долларов суммарно. AQR был для него лишь «стартовой площадкой» для более серьезных проектов. Сейчас он, допустим, занимается и квантовыми вычислениями, в том числе, и видит в этом будущее. По его словам: «Если для предсказания погоды нам требуются кластеры из десятков тысяч машин, то с хера ли мы считаем, что можно играть на рынке без этого?»
Опубликовал много реально интересных и ценных статей. Попутно активно разбирал чужие работы в финансах, где убедился, что большая часть научных работ именно в финансах — ошибочные. Любит об этом рассказывать с примерами. И причиной, по его мнению, является не только сложность проведения независимых экспериментов, но и отсутствие рисков публикации некорректных данных. В той же медицине, допустим, статьи даже 20-летней давности потом пересматриваются, корректируются и удаляются, чего мы не наблюдаем в финансах.
Автор двух книг по машинному обучению в финансах (Advances in Financial Machine Learning и Machine Learning for Asset Managers) — рекомендую хотя бы по верхам пробежать, чтобы понимать суть. Есть еще другие книги в соавторстве, но эти — самые интересные с точки зрения новичка в теме.
Поскольку много варится именно в этой тематике, понимает риски оверфиттинга моделей, о чем непрерывно говорит. По его мнению и опыту, «в лоб» ИИ в финансах не работает. То есть цены прогонять через модели смысла нет. Есть смысл искать не-ценовые факторы (сантимент, спутниковые фотографии, и так далее). Еще лучше, если использовать машинное обучения для оптимизации уже существующих моделей.
Автор концепции «Deflated Sharpe Ratio» — повышение требований к модели при накоплении количество экспериментов, поскольку каждый последующий прогон данных повышает вероятность оверфиттинга.
В его компании работа устроена так, что люди могут получать доступ к данным только с учетом количества попыток доступа. Соответственно, если сотрудник приходит со свежей моделью, и при этом видно, что он данные гонял в хвост и гриву — она будет либо отклонена вообще, либо будут значительно снижены ожидания по прибыльности и риску.
Много рассказывает про причины провалов других основанных на искусственном интеллекте фондов. Но не в коня корм: тот же Эрни Чен успешно слил, хотя и являлся пионером в этой отрасли. Об этом я чуть позже подробнее расскажу.
Хотя и занимается машинным обучением, уверен, что все это должно иметь в своей основе именно психологические модели поведения игроков на рынке. То есть начинать нужно с гипотезы из реального рынка, а машинным обучением ее лишь проверять и «допиливать». Еще можно использовать машину для анализа и визуализации данных с целью поиска ранее неизвестных гипотез.
Вообще, уделяет много внимания именно визуализации данных. Считает, что правильный график, визуальная категоризация и геометрия дают больше информации о рынке, чем любая машинная модель. Показывал, допустим, наглядный граф перетока денег на рынке сырой нефти и нефтепродуктов. И это граф был построен именно машинным обучением с помощью категоризации.
Его сайт: quantresearch.org (рекомендую заглянуть, поскольку не все его видео есть на YouTube). Иногда еще полезно посмотреть за его активностью на Linkedin — там он иногда выхватывает интересные темы из новостного потока.
Его лекции и интервью смотреть и слушать интересно и легко, как молодого профессора в вузе: говорит медленно и понятно. По делу.
Свежие комментарии