RAISON использует систему с применением технологий искусственного интеллекта AKIL.IO, созданную в МИП при Университете ИТМО. Это первое применение AKIL.IO в сфере инвестиций. Расскажите про саму систему и про то, где она применялась ранее?
Разработка системы ведется уже седьмой год – в нынешнем составе команды мы работаем над ней третий год. Идеологом архитектуры и модели системы был тогда еще студент Университета ИТМО – Алексей Мартынов, и потом уже вокруг этой идеологии сформировалась наша команда, которая сейчас состоит преимущественно из выпускников Университета ИТМО. Сам продукт – это распределенная информационная система с применением технологий искусственного интеллекта, которая решает прикладные задачи. Среди них – сбор данных, обработка, расчеты, постановка задач и другие.
Получается, AKIL.IO – это самообучающаяся среда, которая способна собирать и анализировать данные, находить решения поставленных задач, достигать целей, выстраивая цепочку шагов в зависимости от поставленных условий. Все это может быть применено к любой области знаний: от задачи по математике за пятый класс до расчета нагрузок на системы электросетей.
AKIL.IO может быть полезен и для разработчиков, поскольку значительно упрощает процесс решения задач в разработке конечного продукта. Так, например, мы сейчас готовим решение на базе AKIL.IO для разработчиков ПО – DPE Studio – для размещения в Windows Store.
Как уже используется система?
Все зависит от предметной области применения. Это и логистические проекты, контроль перемещения, работа с грузопотоками, пассажиропотоками, обработкой и выдачей неких рекомендаций, анализа связей между компаниями. Применение AKIL.IO возможно и на режимных объектах, включая движущиеся, например, корабли (контроль обязательных перемещений людей в рамках замкнутого периметра).
AKIL.IO уже используется в системах организации мероприятий – у нас есть совместный проект с одним из наших клиентов, – компанией DataForum. Продукт представляет собой программно-аппаратный комплекс для проведения мероприятий с обратной связью по перемещению посетителей и с последующей обработкой. Используя данный комплекс, мы понимаем, какие посетители и в течение какого времени слушали конкретного спикера, в каких помещениях посетитель находился и по какому маршруту перемещался.
На выходе мы получаем довольно интересную аналитику, которую можно использовать, например, в маркетинге. Предположим, на мероприятии на выступление спикера пришли 200 человек, но только 35 прослушали доклад одного из спикеров целиком. Возможно, именно этим 35 гостям и стоит отправить материалы, которые могут их заинтересовать – тут на усмотрение организатора уже, что дальше делать с этой информацией.
По этому направлению предварительная проработка в России достаточно трудоемка, особенно, юридические аспекты, и в то же время в большинстве стран Европы незаметный контроль присутствия людей применим во многих случаях – для госучреждений это уже практически норма. Сам передатчик сигнала – RFID-метка – спокойно помещается в листок бумаги. Например, в рамках мероприятия эта метка находится в бейдже. Также, AKIL.IO применялся в проекте datafabric.cc – для поиска взаимосвязей между компаниями, индивидуальными предпринимателями и аффилированными с ними объектами.
Как вы стали работать над инвестиционным проектом RAISON, который вы презентовали в Швейцарии?
Все довольно просто – наши будущие партнеры по проекту прочитали нашу статью на Forbes и предложили сотрудничество. Поскольку мы беремся за интересные для нас проекты, которые обогащают наш продукт новыми экспертными данными, за результаты и успешность реализации которых в конечном счете мы отвечаем в полном объеме, в скором времени договорились об условиях сотрудничества и приступили к реализации.
Конкретно в этом случае для нас это междисциплинарный проект. Наша система AKIL.IO и все имеющиеся наработки в области искусственного интеллекта – это только часть проекта, технологическая основа. Важная составляющая – экспертное мнение для обучения системы именно со стороны предметной области, а именно – профессиональные квалифицированные инвестиционные управляющие, в том числе команда международного инвестиционного фонда Threesixty Elements S.A., который успешно ведет свою деятельность не только со стандартными портфельными инвестициями, но и с криптовалютными проектами.
В проекте RAISON мы анализируем данные, используя свои наработки в области сентимент-анализа новостного поля: мы используем социальные медиа и структурированные биржевые новости, новости рынка и так далее. У нас есть целый набор источников.
Второй набор данных – факты. Мы оперируем списком активов из S&P 1000 акций американского рынка и топ 30 криптовалют по объему рынка. Для каждого из исследуемых активов формируется матрица каналов с временными шагами изменения курса в один день, неделю и месяц за последнюю половину жизни компании, но не более пяти лет.
Помимо курса в список исходных каналов данных включаем также такие показатели, как Revenue, Revenue per share, Gross profit, EBITDA, total cash, total debt, debt/equity, Operating Cash Flow, P/E (price/earnings ratio), P/S (Price/sales ratio), Market Cap, Trade Daily Volume, Avg. yearly trade Daily volume, forward dividend yield, 52 week (low-high), EPS, Beta, 5 Year Average Dividend Yield. Также значимый результат для прогнозирования окажет использование в анализе факторов влияния, полученных из агрегированного новостного и социального контента – упоминания, сгруппированные по частоте, эмоциональной окраске и смысловой нагрузке.
После предварительной обработки и нормализации данных на входе мы получаем трехмерную матрицу содержащую данные обо всех исследуемых нами активах, что в частности позволяет нам рассматривать состояние рынка в целом и в будущем выявлять взаимосвязи между отдельными активами.
Во время основного этапа обработки данных мы применяем в несколько итераций композицию из convolutional neural network (CNN) и Max Pooling Layer на каждом из каналов данных в отдельности для снижения размерности входящих данных и выделения характеристик более высоких порядков.
На последнем этапе для формирования портфелей мы выбираем из всего списка активов только часть согласно сформированной вручную модели инвестирования и распределяем активы в группы по их риск-профилю, назначенному оператором системы. Непосредственно сам процесс принятия решений о формировании портфелей и выборе активов производится с использованием Markov decision processes (MDPs) и Reinforcement learning (RL). MDPs уже нашел применение в моделировании принятия решения в ситуациях, где результаты частично случайны и частично под контролем лица, принимающего решения.
Один из основных параметров – точность прогнозирования. 80% – это то к чему стремимся на начальном этапе, а впоследствии, планируем достигнуть – 90-95%.
Если резюмировать, какие проблемы решает разработка?
Проект решает проблему аналитики и рекомендации по улучшению финансового состояния пользователя на основе исторических данных как с точки зрения инвест-рекомендаций формирования портфеля криптовалют, так и рекомендаций рефинансирования ипотечного займа или сокращения расходов на ресторан, например.
Кем создавался проект?
Авторство идеи, безусловно, принадлежит нашим коллегам из Threesixty Elements S.A. , после объединения в команду проекта мы ее уже доработали, сделав это как со стороны экспертизы инвестиций, так и в области искусственного интеллекта. Сейчас над разработкой трудится объединенная международная команда, сформированная под проект (матричная структура управления).
Что ожидает проект RAISON в будущем? Как вы планируете его развивать в перспективе?
Мы введем дополнительный функционал – советник на основе искусственного интеллекта для фондов, ICO. Помимо прогнозов у нашей команды есть дорожная карта на три года, как минимум. Например, в 2019 году запланировано получение лицензии банка с европейской юрисдикцией для проведения операций.
Вы сказали, что пользователь получит конечный продукт в виде мобильного приложения. Как в таком случае им пользоваться?
Идея в том, чтобы пользователь получил конечный продукт, который бы использовал в своей повседневной жизни – это интеграция всего финансового мира нашего пользователя в одно приложение. Прийти к продукту в формате мобильного приложения, которое давало бы возможность оперативно взаимодействовать с финансовым миром – от инвестиционных возможностей до оплаты услуг и товаров криптовалютой.
Что уже удалось протестировать?
Мы сейчас формируемся, поэтому у нас этап апробации. Например, тестируем прогнозы и выстраиваем модели поведения. В декабре у нас первый раунд ICO, задача после успешного прохождения первого раунда – это создание MVP-модели (минимального жизнеспособного продукта). И мы сейчас стоим перед этими задачами и понимаем, как их решать.
На конференции в Давосе вы вызвали живой интерес у профессиональной общественности. Расскажите, какие отзывы вы собрали? Почему проект так интересен?
Предполагалось, что конференция будет более медийная, но ближе к делу выяснилось, что будет живой интерес к технической части. Пришлось организовываться и ехать туда общей командой.
На конференцию приехали ребята из Германии, из Англии, из Швейцарии и из разных городов России, и мы выступили на конференции профессионального сообщества по криптовалютам и инвестициям в этой области. Живой отклик вызвал и сам проект, и именно подключение искусственного интеллекта к решению такого рода задач.
Специалисты в этой области сейчас только появляются, и, естественно, интересно, как это все работает в реальности – нейроэволюция, эволюционные алгоритмы, доказательная база. У нас несмотря на то, что мы работаем преимущественно в России и с российскими проектами, как оказалось, довольно передовой опыт именно применения этих технологий на практике. К слову сказать, мы были приятно удивлены, когда несколько руководителей компаний, которые там присутствовали, сообщили, что не просто знают о выпускниках Университета ИТМО, но и очень рады иметь некоторых в своих командах.
Рынок только формируется, а есть ли уже аналогичный опыт разработок, на который можно было бы ориентироваться?
Надо понимать, что тут используется несколько трендовых технологий, которые сейчас развиваются, и рынок так или иначе только формируется. Это нейросети, искусственный интеллект, машинное обучение и блокчейн. Мы как раз работаем с этой комбинацией, но в инвестиционной сфере, которая существует давно.
Если все же взглянуть на сегодняшний инвест-рынок, есть робо-эдвайзеры, которые работают на математических алгоритмах, – это класс «финансовых консультантов», которые предоставляют финансовые консультации по созданию и управлению инвестиционным портфелем с минимальным вмешательством человека, если грубо, то – это диверсификация активов в портфеле клиента в зависимости от изначально поставленных инвестиционных целей с сохранением оптимального соотношения риск/доходность.
Нейросети в нашем случае работают более сложно, потому что учитывают не только конкретную ситуацию, но и ее исторический пласт данных, а также новостной шум из авторитетных источников и множество других факторов, влияющих на принятие решения. А совмещение Markov decision processes (MDPs) и Reinforcement learning (RL) позволит значительно ускорить обучение и добиться в перспективе стабильного результата.
