Стремление к доходности выше среднего — это то, чем многие занимались на протяжении многих лет, но большинству из них не удавалось делать это последовательно. С появлением квантовых моделей в финансах, казалось, появился проблеск надежды на поиск последовательно работающих стратегий. Хотя они работали какое-то время, их эффективность начала снижаться по мере того, как все больше людей внедряли их, и стало труднее найти альфу. Маркус Ким, основатель Qraft Technologies, был одним из таких трейдеров, которые увидели эту тенденцию и решили, что ИИ — лучший ответ на нее. Qraft Technologies, основанная в 2016 году, является продуктом мечты Маркуса. Искусственный интеллект Qraft — это решение, которое поддерживает четыре ETF:  QRFT ,  AMOM ,  HDIV и  NVQ . Они даже попали в заголовки благодаря своевременным сделкам Tesla, добавлению акций мемов и позиционированию весов портфеля для уменьшения  просадок.

Внутри предполагаемого черного ящика Хотя было бы проще использовать существующие платформы ИИ и просто применить их к торговой стратегии, Qraft создала весь ИИ с нуля. Сделав это, Qraft создала искусственный интеллект, специально предназначенный для инвестиций. Поэтому команда хорошо осведомлена о возможностях и улучшениях, в которых нуждается модель. Данные — это топливо для ИИ. Как и в автомобильном двигателе, вы заливаете плохое топливо, и вы можете получить плохие результаты. ИИ ничем не отличается, и, как и высокопроизводительный двигатель, ему требуется высокоэффективное топливо. Финансовые данные могут быть довольно запутанными и вызывать проблемы со статистическими моделями.

Кирин API — это собственное решение Qraft, созданное для того, чтобы убедиться, что данные предварительно обработаны для точного и безошибочного тестирования на исторических данных. Как только данные готовы, они переходят в модель ИИ. Это может показаться загадочным и может привести к некоторому скептицизму. Однако ИИ Крафта мало чем отличается от человека. Разница в том, что он может обрабатывать триллионы возможностей в течение нескольких часов. Он может принимать как традиционные структурированные данные (макроданные, цена, факторы и т. д.

), так и неструктурированные данные, такие как патенты и отраслевые метки. Неструктурированные данные иллюстрируются экспериментом Qraft с метками секторов. Текущие отраслевые лейблы не учитывают современные корпорации, которые ведут бизнес в нескольких секторах. Например, работает ли Amazon в сфере логистики, программного обеспечения, данных или розничной торговли? Определение правильного сектора или комбинации секторов может привести к более точным мультипликаторам и оценкам. Для этого Qraft AI может использовать NLP (обработку естественного языка), чтобы точно определить, к какому сектору или отрасли может принадлежать фирма. Кроме того, он позволяет использовать смешанные метки секторов, что позволяет использовать взвешенные комбинации меток секторов для фирмы. Мы считаем, что этот подход будет полезен, поскольку важность определенных активов, таких как нематериальные активы, может быть важнее в контексте оценки технологической фирмы, чем розничной компании.

Структурированные данные можно фильтровать с помощью Kirin API, который пытается точно определить качество данных, исключая данные, которые считаются неактуальными. Затем эти «высококачественные данные» добавляются в платформу  Alpha Factory, которая состоит из  Factor Factory и  Strategy Factory. Факторная фабрика использует данные из Kirin API для определения факторов, соответствующих пользовательским параметрам, установленным инженерами. К таким факторам относятся традиционные линейные факторы, такие как  отношение P/B,  рыночная капитализация.и другие часто используемые финансовые показатели, а также нелинейные факторы, такие как нематериальные активы. Мы считаем, что нелинейные факторы имеют преимущество перед традиционными линейными факторами из-за их способности оценивать такие факторы, как нематериальная стоимость, макроэкономические тенденции и различные дополнительные факторы. Эти нелинейные стратегии можно комбинировать с традиционными линейными стратегиями, чтобы найти более точную стоимость ценных бумаг, создавая комплексную стратегию, которая уравновешивает как нелинейные, так и линейные факторы.

Идентифицированные альфа-факторы на Фабрике факторов затем собираются в портфель на Фабрике стратегий, который может обрабатывать все возможные комбинации факторов, определенных на Фабрике факторов. Затем он стремится создать наилучший вес для каждого фактора и определить акции с этими свойствами. При оценке отдельных акций учитывается маркировка секторов с помощью NLP, указанного выше. Factor Factory создает окончательный список акций, учитывая, что идентифицированные факторы, как ожидается, дадут  альфа- значение. После этих процессов ИИ составляет то, что, по его мнению, является лучшим потенциальным портфелем. Это включает в себя портфель акций, которые он чувствует лучше всего, а также вес каждой акции. Этот портфель обновляется в ETF во время ежемесячной перебалансировки.

В то время как модель, ограничения и выбор времени перебалансировки делаются людьми, ИИ является окончательным лицом, принимающим решения для портфеля. .