Повече от 66% от изследваните инвеститори проучват възможността за интегриране машинно самообучение за работата си, а други 15% то тях вече прилагат подобни техники за изграждане на портфолиото си и управление на риска, посочва стратегът от Morgan Stanley Вишванат Тирапатур, предаде Zero Hedge.
"Това е индикация за значителна промяна на настроенията на трейдърите", пише той. "Значението на квантовите техники очевидно расте и все по-често се използват сложни квантови техники в инвестиционния анализ, а не просто в количественото или факторното инвестиране."
Самата Morgan Stanley също си партнира с квантови анализатори и учени по данните и интегрира решения, свързани с изкуствения интелект и машинното самообучение, за да генерира проучвания, които не биха били възможни преди години. Те са публикували четири анализа, за да покажат до какви резултати може да се достигне благодарение на съвременните технологии.
От банката откриват, че компаниите от глобалния индекс MSCI, в които има по-голямо полово равенство, имат по-добре представящи се акции. "Те се представят по-добре дори и когато данните се коригират спрямо размера, дивидентите, доходността и риска", пише Тирапатур.
Квантовите техники са позволили на Morgan Stanley системно да анализира езика в докладите за пазарите. Те са проучили 135 хил. от собствените си анализи, публикувани в периода между януари 2013 и май 2019 г. и откритията им показват, че когато документите са разглеждани позитивно, те довеждат до по-добро представяне на пазарите в последствие.
От банката създават и алгоритъм, чрез който колосалните доклади за емитирането на публични облигации на местните власти в САЩ, които често са над 120 хил. думи, се анализират и инвеститорът получава информация къде може да се очаква добро представяне или дори фалити.
Morgan Stanley изгражда и алгоритъм, наречен Random Forest, базиращ се на две системи за машинно самообучение, чрез който се оценява значението на различни фактори за това дали плащанията по неквалифицираните ипотеки ще бъдат обслужвани. "Нашите стратези групираха ипотечните заеми в категориите "бързи" и "бавни" въз основа на кривите на предварително плащане, след което използваха Random Forest, за да им помогне да разберат повече с каква скорост ще бъдат изплатени те."