Vi använder liknande algoritmer som Open AI och ChatGPT
Vårt uppdrag på NeuroQuant är att göra AI-baserad kvantitativ analys mer tillgänglig för privatinvesterare samt fondförvaltare och finansanalytiker. Konkurrensen på börsen ökar och som privatinvesterare har vi motståndare såsom stora hedgefonder och investmentbanker som har stora resurser med tillgång till kvant tekniker och data scientists.
Vi såg därför ett behov för privatinvesterare att dels få hjälp med analysarbetet samt men också erbjuda dem tillgång till kraftfulla verktyg som är AI och kvantbaserade dvs liknande verktyg som hedgefonder och investment banker har.
Skapa prognos på aktier med AI
Ett av NeuroQuant’s AI-verktyg använder sig av Deep-learning som bygger på Transformers liknande de algoritmer som Open AI, ChatGPT använder sig av.
Med vårt verktyg Forecaster-Feature Analysis så kan man hitta mönster och samband mellan olika dataserier så kallade tidsserier som finns tillgängliga på NeuroQuants plattform. Med verktyget kan man också göra framtidsprognoser dvs en prognos på utvecklingen på marknaden exempelvis OMXS30 index eller valfri aktie eller annat tillgångsslag.
På plattformen får man tillgång till bland annat djupinlärningsalgoritmen Temporal Fusion Transformers (TFT) som är en avancerad maskininlärningsalgoritm som är utformad för att prognostisera tidsserier. Det är en djup inlärningsalgoritm som bygger på transformer-arkitekturen och är utformad för att hantera tidsseriedata med hög dimensionalitet och komplexa mönster. TFT-tekniken har visat sig vara effektiv vid prognostisering av olika tidsseriedata, inklusive utvecklingen av börsindex.
Så hanterar AI finansiell data
Finansiella tidsserier såsom exempelvis kursdata på aktier eller andra marknader är en typ av tidsseriedata som är mycket komplex och har många faktorer som påverkar dess utveckling, inklusive makroekonomiska faktorer, politiska händelser och nyheter. TFT-tekniken kan hantera denna typ av komplexa tidsseriedata och identifiera de viktigaste faktorerna som påverkar utveckling.
Det har visat sig att TFT-algoritmens har bra förmåga att hantera olika typer av finansiella tidsserier som kan vara mycket volatila. TFT-tekniken kan hantera denna typ av data och identifiera mönster och trender som kan användas för att skapa prognos på framtida utveckling av börsindex. TFT-tekniken kan också hantera brusiga och oregelbundna tidsseriedata som kan vara svåra att hantera med traditionella prognosmetoder.
TFT-tekniken har god förmåga att hantera flera tidsskalor samtidigt. Kursdata på aktier är en typ av tidsseriedata som kan ha flera tidsskalor samtidigt, inklusive timmar, dagar, veckor och månader. TFT-tekniken kan hantera denna typ av data och identifiera mönster och trender på olika tidsskalor samtidigt. En annan fördel med TFT-tekniken är dess förmåga att hantera autoregressiva samband. Autoregressiva samband uppstår när den nuvarande utvecklingen av en tidsserie är beroende av tidigare värden av samma tidsserie. En aktiekurs är en typ av tidsseriedata som kan ha autoregressiva samband. TFT-tekniken kan hantera denna typ av samband.
Sammanfattningsvis ger deep-learning algoritmer flera fördelar jämfört med traditionella tekniska analysmetoder när det gäller att prognostisera finansiell kursdata. NeuroQuants deep-learning algoritmer kan hantera stora datamängder, identifiera komplexa mönster och samband och anpassa sig till förändringar på de finansiella marknaderna.