Agnieszka Wiertel pracuje jako niezależna konsultantka UX. Od roku równolegle testuje strategie inwestycyjne oparte na ML, korzystając z narzędzi dostępnych bez licencji instytucjonalnej.
Skąd w ogóle pomysł, żeby samodzielnie to testować?
Pracuję z danymi na co dzień, więc temat nie był mi obcy. Ale impulsem był konkretny artykuł o tym, że modele oparte na gradientowym wzmacnianiu zaczęły bić klasyczne strategie buy-and-hold na rynkach europejskich w latach 2022-2023. Postanowiłam sprawdzić, czy to działa poza papierem.
Jak wyglądał Twój proces na początku?
Przez pierwsze trzy miesiące w ogóle nie inwestowałam realnych pieniędzy. Budowałam model w Pythonie, używałam biblioteki scikit-learn i danych z Yahoo Finance. Testowałam różne zestawy cech: wskaźniki techniczne, dane makroekonomiczne, sentyment z nagłówków prasowych.
Okazało się, że sentyment mediów jako osobna zmienna był słabym predyktorem. Dopiero połączony z danymi o wolumenie transakcji zaczął dawać sensowne sygnały. To był moment, w którym zrozumiałam, że ML w inwestowaniu to praca z kombinacjami, nie z pojedynczymi zmiennymi.
Co zmieniło się w ostatnim roku, jeśli chodzi o dostępne narzędzia?
Pojawiły się gotowe API do pobierania danych alternatywnych, wcześniej dostępnych tylko dla instytucji. Dane o aktywności satelitarnej, logistyce, nastrojach konsumentów. Koszt dostępu spadł z kilku tysięcy dolarów miesięcznie do kilkudziesięciu.
Dla freelancera to zmiana jakościowa. Możesz budować modele, które rok temu wymagały zaplecza dużej firmy.
Czy to się opłaca finansowo?
Za wcześnie na jednoznaczną odpowiedź. Mój model działa lepiej niż indeks w spokojnych miesiącach, gorzej podczas nagłych korekt. Uczę się na bieżąco i nie traktuję tego jako pewnego źródła dochodu.