AI: сложность моделей, торговля и развитие эффективности рынка

Сводка

В статье рассматривается, как недорогие системы AI, аппроксимирующие сложные взаимосвязи, могут изменить то, как торговые стратегии учитывают информацию в ценах. Эффективность рынка рассматривается через равновесные процессы цен; убеждения инвесторов, сложность их моделей и оптимизированных стратегий используются для различения уровней эффективности.

Авторы обсуждают, как более широкий доступ к мощным аппроксимационным моделям может затруднить извлечение прибыли для трейдеров с менее эффективными моделями. Они также утверждают, что одних объяснений на основе равновесия недостаточно, чтобы описать изменение эффективности на адаптивном рынке с взаимодействующими участниками, и указывают на динамику вне равновесия как на проблему. Представленный текст носит концептуальный характер: в нём описаны система идей и исследовательская задача, но нет эмпирических результатов, конкретных правил торговли или доказательств того, что внедрение AI обязательно повышает эффективность рынков. Выводы зависят от заявленных условий и от того, как представлены модели, убеждения и адаптация.

Ключевые идеи

• Торговые стратегии передают информацию в цены, связывая качество моделей с эффективностью рынка.
• Недорогие аппроксиматоры AI могут поддерживать более сложные стратегии и сокращать возможности для менее эффективных трейдеров.
• В статье уровни эффективности рынка различаются с помощью равновесных процессов цен и убеждений инвесторов.
• На адаптивных рынках с множеством взаимодействующих агентов возможен выход из равновесия, что усложняет стандартный анализ эффективности.
• В предоставленном описании изложена концептуальная дискуссия без эмпирических результатов или конкретной торговой стратегии.

Теги

# How low-cost AI universal approximators reshape market efficiency


# How low-cost AI universal approximators reshape market efficiency









The efficient market hypothesis (EMH) famously stated that prices fully reflect the information available to traders. This critically depends on the transfer of information into prices through trading strategies. Traders optimise their strategy with models of increasing complexity that identify the relationship between information and profitable trades more and more accurately. Under specific conditions, the increased availability of low-cost universal approximators, such as AI systems, should be naturally pushing towards more advanced trading strategies, potentially making it harder and harder for inefficient traders to profit. In this paper, we leverage on a generalised notion of market efficiency, based on the definition of an equilibrium price process, that allows us to distinguish different levels of model complexity through investors' beliefs, and trading strategies optimisation, and discuss the relationship between AI-powered trading and the time-evolution of market efficiency. Finally, we outline the need for and the challenge of describing out-of-equilibrium market dynamics in an adaptive multi-agent environment.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.