แม้ว่าฉันจะเรียนคณิตศาสตร์ประยุกต์ในระดับปริญญาตรี แต่โลกของ AI ก็ยังรู้สึกเหมือนเป็นเวทมนตร์ AlphaGo หรือ AlphaStar ดูเหมือนเป็นเวทย์มนตร์เมื่อพวกเขาเอาชนะผู้เล่นมืออาชีพที่เป็นมนุษย์ในเกมของพวกเขา เมื่อ LLM แสดงฉากผาดโผนที่น่าทึ่ง ฉันก็รู้สึกเหมือนถูกทิ้งไว้ข้างหลัง หลังจากออกจากงาน 100 ชั่วโมงต่อสัปดาห์ ในที่สุดฉันก็มีเวลาเรียนรู้วิธีการเป็นพ่อมด อาจเป็นพ่อมดนักสู้สองคลาสเพราะฉันอยู่ไกลจากอาชีพทางธุรกิจมากเกินไป
ดังนั้นฉันจึงเริ่มใช้ python IDE (pyCharm) ของฉันและเริ่มโมเดลการเรียนรู้เชิงลึกครั้งแรกของฉันหลังจากผ่านคลาส cat vs non-cat ของ Andrew Ng บน Coursera อย่างรวดเร็ว ฉันรู้ว่า LLM กำลังโกรธมากในตอนนี้ แต่ฉันอยากเป็นพ่อมดตัวจริง และฉันไม่กลัวที่จะเริ่มต้นในฐานะเด็กฝึกงาน ตอนนี้ฉันแค่ต้องการโครงการที่สามารถสร้างรายได้และไม่เกี่ยวข้องกับการขายวอลเปเปอร์หรือแก้วที่สร้างโดย Midjourney
โครงการที่จะสร้างรายได้ (หวังว่านะ!):
อัตรากองทุน Federal Reserve Funds (อัตราเฟด) ในคำอธิบายที่เข้าใจง่ายคือวิธีที่ Federal Reserve ควบคุมอัตราดอกเบี้ยในปัจจุบันในสหรัฐอเมริกา เมื่อ Federal Reserve ชี้แนะอัตราดอกเบี้ยของรัฐบาลกลางให้สูงขึ้น อัตราดอกเบี้ยทั่วสหรัฐอเมริกาจะเพิ่มขึ้น และพันธบัตรส่วนใหญ่และสินทรัพย์จำนวนมากก็ลดราคาลง ดังนั้นโมเดลการเรียนรู้เชิงลึกที่คาดการณ์การเคลื่อนไหวครั้งต่อไปของอัตราดอกเบี้ยกลางอาจนำไปสู่การทำเงินในตลาดตราสารหนี้
ก่อนอื่นฉันค้นหาข้อมูลใน Google เพื่อหางานวิจัยที่คล้ายกัน สิ่งที่น่าสนใจก็คือ การวิจัยที่มีอยู่ดูเหมือนจะมุ่งเน้นไปที่ข้อมูลที่สะอาด แทนที่จะเป็นสิ่งที่สมเหตุสมผล นักวิจัยบางคนปฏิบัติต่ออัตราดอกเบี้ยเป็นอนุกรมเวลาและคาดการณ์โดยอิงจากอัตราดอกเบี้ยในอดีต นักวิจัยบางคนใช้ NLP เพื่อประมวลผลความรู้สึกของ Twitter หรือรายงานการประชุมของ Fed เพื่อเป็นแนวทาง นักวิจัยบางคนใช้ข้อมูลทางเศรษฐกิจแต่มุ่งเน้นไปที่สิ่งที่หาได้ง่ายโดยไม่จำเป็นต้องทำความสะอาด
ความหวังของฉันเพิ่มขึ้น เนื่องจากนักวิจัยดูเหมือนจะเพิกเฉยต่อวิธีที่ Fed ตัดสินใจในการสร้างแบบจำลองของตน แม้ว่าฉันแน่ใจว่ากองทุนป้องกันความเสี่ยงที่เป็นความลับมากกว่าหนึ่งโหลมีแบบจำลองที่ยอดเยี่ยมที่พวกเขาไม่ได้แบ่งปันบนอินเทอร์เน็ต คณะกรรมการตลาดกลางกลาง (FOMC) พูดคุยอย่างชัดเจนเกี่ยวกับวิธีการตัดสินใจแต่ละครั้งโดยพิจารณาจากสภาพแวดล้อมทางเศรษฐกิจ เงินเฟ้อ และการว่างงานในปัจจุบัน นอกจากนี้ ประธาน รองประธาน และประธาน Fed ของนิวยอร์กยังเป็นสมาชิกที่มีอิทธิพลมากที่สุด และภูมิหลังของพวกเขาอาจส่งผลต่อการตัดสินใจ
การสร้างแบบจำลอง:
ดังนั้นฉันจึงใช้เวลาสองคืนในการสร้างไฟล์ข้อมูลที่มีคุณสมบัติ 17 อย่าง และถือว่า 825 เดือนที่ผ่านมาแต่ละเดือนย้อนหลังไปถึงปี 1954 ถือเป็นการตัดสินใจที่เป็นอิสระ คุณลักษณะต่างๆ จะขึ้นอยู่กับสิ่งที่ FOMC มุ่งเน้นอย่างเปิดเผย ตลอดจนการศึกษาและอายุของสมาชิก FOMC ที่มีอิทธิพลมากที่สุดสามคน ฉันลบผู้ที่เป็นสมาชิก FOMC ออกไปเนื่องจากในขณะที่ Paul Volcker เป็นคนเจ้าเล่ห์และ Alan Greenspan เป็นคนเจ้าอารมณ์ แต่ก็จะไม่ส่งผลกระทบต่อการตัดสินใจเรื่องอัตราในปี 2023
หลังจากโยนคีย์บอร์ดไปที่หน้าจอเป็นเวลาหนึ่งสัปดาห์ ฉันก็ทำให้โมเดลใช้งานได้! ชนิด.
ประการแรก แบบจำลองของฉันสามารถคาดการณ์ได้ว่า FOMC จะเปลี่ยนอัตราดอกเบี้ยเลยหรือไม่
ความแม่นยำในการทำนายว่าอัตราดอกเบี้ยจะเปลี่ยนแปลงหรือคงที่อยู่ที่ 67%
ที่สำคัญหากทำนายว่าอัตราดอกเบี้ยจะเปลี่ยนไปความแม่นยำคือ 79%!
เอาล่ะ ตอนนี้เข้าสู่ส่วน "ประเภท" แล้ว
หลังจากรู้ว่าอัตราดอกเบี้ยจะเปลี่ยนไปความแม่นยำในการทำนายทิศทางใดเพียง 69% โดยมีความแปรปรวนสูงจากผลการฝึกอบรม เหตุผลที่ผมบอกว่า “เท่านั้น” ก็เพราะว่านักธุรกิจที่ทันสมัยควรรู้ชัดเจนว่าอัตราดอกเบี้ยควรเคลื่อนไหวไปในทิศทางไหน หากมีการตัดสินใจย้าย/ไม่ย้ายแล้ว
เอาล่ะ สำหรับกรณีที่โมเดลทำนายทิศทางได้อย่างถูกต้อง: มีเพียง 24% ของการคาดการณ์เท่านั้นที่อยู่ใน 12.5bps (หรือ 0.125 เปอร์เซ็นต์จุด) ของข้อมูลจริงในการพัฒนา อันนี้คือสาเหตุที่หายไป!
บทสรุป:
ความแม่นยำ 79% เมื่อแบบจำลองคาดการณ์ว่าอัตราดอกเบี้ยจะเปลี่ยนแปลงก็ไม่เลว ส่วนที่ยอดเยี่ยมคือแบบจำลองของฉันทำนายประกาศล่าสุดโดยสมาชิก FOMC สองสามรายได้อย่างถูกต้องว่าอัตราจะคงที่ ฉันจะต้องเพิกเฉยต่อส่วนทิศทางและโทรด้วยวิธีที่ล้าสมัย สิ่งหนึ่งที่ฉันอาจเปลี่ยนแปลงคือการลบข้อมูลเก่าบางส่วนออก เนื่องจากวิธีที่ Federal Reserve ดำเนินการในปี 1960 นั้นแตกต่างจากปี 1980 และต่อจากปัจจุบันอย่างมาก
