Neurale netværk skal øge forståelsen for finansielle markeder

Neurale netværk skal øge forståelsen for finansielle markeder

Et nyt forskningsprojekt på Aarhus Universitet vil lade bayesianske neurale netværk hjælpe med at modellere, analysere og forstå handelsadfærd i finansverden. Forskerne bag forventer, at teknologien kan revolutionere vores forståelse for finansielle data

For første gang nogensinde vil et hold af forskere og eksperter i kunstig intelligens benytte såkaldte bayesianske neurale netværk (BNN), en subgenre af algoritmer inden for deep machine learning, til at analysere, modellere og forstå kausale sammenhænge inden for handel på de globale finansielle markeder.

BNN er et kvantespring i anvendelsen af digitale værktøjer til moderne, multidimensionel analyse af komplekst og ustruktureret finansdata, hvor typiske økonometriske metoder ofte kommer til kort:

”Folk, der arbejder med økonometri og økonomi, går meget op i sandsynlighedsfordeling. Der kan de maskinlærings-teknikker, man har benyttet indtil nu, ikke følge med, for de formår ikke at favne finansverdenens faktiske kompleksitet. Her kan BNN revolutionere vores forståelse af finansielle data, fordi algoritmen kan fortælle os om sandsynligheden for et givent udfald,” siger Martin Magris, postdoc på Institut for Ingeniørvidenskab og en del af forskningsgruppen Machine Learning and Computational Intelligence under lektor Alexandros Iosifidis.

Bayesianske neurale netværk er en slags maskinlæringsmodel udstyret med hvad, der kan beskrives som en form for sund fornuft. BNN kombinerer traditionelle træningsdata fra maskinlæring med allerede integreret statistisk viden og erfaring om det pågældende domæne.

På den måde bliver maskinen i stand til at levere information relateret til sandsynlighedsfordelinger på baggrund af ganske omfangsrigt og komplekst data, og dermed forbedre økonometriens modelleringsprocesser, analyser og indsigt i kompleksiteten af de finansielle markeder markant.

”Finansielle markeder er i dag baseret fuldstændig på computere og algoritmer. Der er mere brug for maskinlæringsteknikker til at gennemskue data end nogensinde før. Projektet her vil give målbare forbedringer i forhold til state-of-the-art teknologier anvendt til behandling af højfrekvent finansiel data inden for volatilitetsmodellering, forudsigelse af aktiers prisbevægelser og analyse af indbyrdes afhængighed mellem aktiepriser,” siger Martin Magris.

Forskningsprojektet, der går under navnet BNNmetrics, er ledet af Martin Magris og støttet af Marie Sklodowska-Curie Actions-programmet under EU’s rammeprogram for forskning og innovation, Horizon 2020, med 2,8 mio. kr.

- lb