Vom Finanzmodell zum ML-Modell [Teil 2]: Wichtige Python Bibliotheken

Wie lassen sich mathematische Finanz- oder Risikoformeln in Machine-Learning Modelle übersetzen?

In diesem Artikel stellen wir zwei Python-Bibliotheken vor mit denen man benutzerdefinierte mathematische Formeln zu Optimierungs-, Validierungs- oder Automatisierungszwecken in ML-Modelle umwandeln kann.

Sowohl das ML als auch die Finanzbranche verwenden mathematische Funktionen, die auch Modelle genannt werden, um eine gewünschte Kennzahl aus einer Reihe bekannter Eingabevariablen zu berechnen oder zu schätzen. Im Finanzbereich gibt es viele vordefinierte mathematische Formeln, die sich entweder aus akademischen Konsens oder aus regulatorischen Anforderungen ableiten. Daher sind sie oft sehr streng und präzise festgelegt. Im ML hingegen bieten Modelle mehr Flexibilität durch lernbare Parameter und steuerbare Hyperparameter. Um die beste Kombination aus Finanz- und ML-Modellen zu erhalten, möchten wir Ihnen zwei Python-Bibliotheken vorstellen, die Ihnen helfen, Ihre Finanzmodelle in optimierbare und validierbare ML-Modelle umzuwandeln.

Statmodels-API ist eine bekannte Open-Source-Bibliothek, die klassische Statistik- und ML-Modellierung im Stil einer kommerziellen Statistiksoftware bietet. Dazu gehören Zeitreihen- und Paneldatenanalyse sowie Modellberichte. Durch die Auswahl eines ML-Modelltyps und einer nutzergeschriebenen Formel, kann man mit der Statsmodel-API das beste ML-Modell zur Optimierung und Validierung eines Finanzmodells finden. Diese Methode ist einfach anzuwenden und liefert auch einen Modellbericht; sie ist jedoch durch die Anzahl der gegebenen ML-Modelltypen in der Bibliothek begrenzt.

Eine fortgeschrittenere Option ist SciPy, eine Open-Source-Bibliothek mit vielen wissenschaftliche und technische Anwendungen. Wenn man mehr daran interessiert ist, selbst komplexe Modelle fast ohne Einschränkungen (aber auch ohne Modellbericht) zu erstellen, hilft das Curve-Fit-Feature aus Scipy. Das Curve-Fit-Feature erfordert, dass man sein finanzmathematisches Modell als Python-Funktion schreibt, was wiederum mehr benutzerdefinierte Parameter und nichtlineare Transformationen erlaubt. Die Bibliothek ermöglicht dann eine Auswahl aus verschiedenen Optimierungsalgorithmen zum Erlernen eines komplexen, mathematischen Modells.

Somit müssen Finanz- und ML-Modelle nicht getrennt bleiben, sondern ML kann verwendet werden, um Finanz- und Risikoformeln zu lernen, die normalerweise nicht zum Umfang üblicher ML-Bibliotheken gehören.