¿Es razonable predecir el futuro (como el precio de la acción) utilizando datos del pasado?

Answer 1

Esta es un área importante de la ciencia de datos donde el aprendizaje automático se aplica a datos de series de tiempo.

Lo mejor para ilustrar con un ejemplo:

Lo importante a entender sobre el aprendizaje automático es el concepto de función de pérdida . Basándonos en el par de entrada / salida dado, intentamos construir un modelo que prediga la salida dada la entrada. Si los datos se describen mediante una distribución compleja, es posible que no podamos encontrar los modelos exactos que pueden hacer esto, pero lo que intentamos hacer es minimizar la pérdida entre el valor real y el valor predicho. Si la pérdida es suficientemente menor para una gran cantidad de datos bien distribuidos (por ejemplo, durante un período de 10 años, que suele ser un ciclo de mercado), nuestra confianza aumenta de que nuestro pronóstico estará dentro de la pérdida observada en los datos anteriores.

De todos modos, para los mercados financieros, nos importa tener razón más veces de lo que estamos equivocados, en lugar de estar en lo correcto todo el tiempo, lo que puede ser imposible porque no podemos tener en cuenta todos los factores que determinan la producción. Esto se traduce en una estrategia que puede traer beneficios.

La integración de estos pronósticos en nuestro proceso de toma de decisiones para cualquier tipo de datos de series de tiempo nos permite cuantificar los riesgos involucrados, en lugar de tomar decisiones sobre una sensación visceral que puede ser totalmente errónea.

Answer 2

Esto es difícil de responder bien: él es tu tutor, por lo que puede estar esperando que aprendas que esto puede ser una mala idea sin decírtelo de antemano. He hecho cosas así con los estudiantes con los que realmente he estado involucrado. Si ese es el caso, realmente no debería plantearlo ni siquiera responder a tu pregunta, pero, bueno, no puedo saberlo con certeza.

He estudiado este tipo de datos, bueno, mucho. Lo primero que me gustaría señalar es que las personas no necesariamente aprenden de errores pasados. Especialmente si no saben lo que realmente está pasando (y es difícil saber qué está pasando realmente, por ejemplo, el mercado de valores). Y la gente a menudo es irracional.

Lo segundo que me gustaría decir es que el mercado de valores, en estos días, es mucho menos predecible que el pasado. Irónicamente, esto se debe a más información, incluso si esa información es irrelevante, mal entendida o simplemente información “incorrecta”, ya sea que sea errónea intencionalmente o no.

Tómese el tiempo inmediatamente después de Brexit: los mercados habrían caído. Sin embargo, cayeron más de lo que tendrían si, por ejemplo, no hubiera habido una tormenta de tweets sobre cómo se hizo ahora el Reino Unido.

Y eso es sólo un ejemplo obvio . Algunas cosas no son obvias.

Lo tercero que mencionaré es que hay una impredecibilidad inherente en nuestra especie. Lo hemos sabido desde hace mucho tiempo. Sin embargo, no podemos saber, para una persona determinada, cómo reaccionarán a una idea o problema dado o lo que sea con cierto grado de certeza, incluso si hemos estudiado a esa persona durante años. Tal vez no durmieron bien y son irritables. Tal vez están reflexionando sobre algún punto en el pasado. Las estadísticas (y esto es en gran medida un aprendizaje automático basado en estadísticas) nos pueden decir lo que es cierto en promedio o en conjunto. Sin embargo, con la capacidad de una persona para iniciar una tormenta de tweets que puede afectar mucho las cosas … no todas las personas pueden hacer esto, por supuesto. Pero: si un ingeniero decide abandonar una empresa justo antes de una presentación y dañar a la compañía en el proceso, ese desconocido podría tener un gran impacto en la compañía. Lo que podría tener un gran impacto en la industria y, por lo tanto, en todo el mercado. ¿Quién sabe? Este ejemplo es algo artificial, y es muy poco probable que cause efectos duraderos, pero, bueno, el mercado es un sistema caótico que está muy afectado por cosas que no conocemos completamente. Una mariposa a medio mundo de distancia no hace realmente una tormenta que pueda ver fuera de mi ventana, pero podría contribuir a ella de alguna manera que no puedo medir.