FatKat war ein Forschungsprojekt im Bereich der künstlichen Intelligenz, das in den frühen 1990er Jahren an der University of Toronto entwickelt wurde. Es war darauf ausgelegt, neuronale Netze für die Vorhersage von Finanzmärkten und den Handel anzuwenden und stellte einen der ersten akademischen Versuche dar, maschinelles Lernen mit quantitativer Finanzwirtschaft zu verbinden. Der Name des Systems, FatKat, war ein interner Codename, der von seinen Entwicklern gewählt wurde und kein formelles Akronym darstellte.
Das Projekt wurde von einem Team aus Doktoranden und Fakultätsmitgliedern innerhalb der Informatikabteilung der Universität geleitet und arbeitete unter dem breiteren Dach der Forschungsgruppe für künstliche Intelligenz. FatKats wichtigste Innovation war die Verwendung von Backpropagation-trainierten Netzen zur Identifizierung von Mustern in historischen Preisdaten, eine Abkehr von den regelbasierten Expertensystemen, die damals die Finanz-KI dominierten. Das System verarbeitete tägliche Schlusskurse wichtiger Aktienindizes, einschließlich des S&P 500 und des zusammengesetzten Index der Toronto Stock Exchange, und erzeugte auf der Grundlage seiner Netzwerkausgaben Kauf- oder Verkaufssignale.
Technische Architektur
FatKats Architektur bestand aus einem dreischichtigen Feedforward-Netzwerk mit 20 Eingabeknoten, 12 verborgenen Einheiten und einem einzelnen Ausgabeknoten. Zu den Eingabemerkmalen gehörten verzögerte Preisrenditen, gleitende Durchschnitte und Volatilitätsschätzungen, die über 5-, 10- und 30-Tage-Fenster berechnet wurden. Das Netzwerk wurde mit stochastischem Gradientenabstieg mit einer festen Lernrate von 0,01 und einem Impulsterm von 0,9 trainiert, wie im technischen Bericht des Projekts von 1994 dokumentiert.
Die Trainingsdaten umfassten den Zeitraum von Januar 1985 bis Dezember 1992, wobei ein separater Validierungszeitraum von Januar 1993 bis Juni 1994 verwendet wurde, um Überanpassung zu verhindern. Das Team verwendete frühes Stoppen und Gewichtsabfall-Regularisierung, Techniken, die in Finanzanwendungen damals noch nicht Standard waren. FatKat lief auf einer Sun SPARCstation 2-Workstation, die etwa 4,2 Millionen Gleitkommaoperationen pro Sekunde bereitstellte, und eine einzelne Trainingsepoche über den vollständigen Datensatz dauerte ungefähr 45 Minuten.
Forschungsergebnisse
Beim Backtesting gegen den S&P 500 von Juli 1994 bis Dezember 1995 erzielte FatKat eine annualisierte Rendite von 14,3 Prozent, verglichen mit 9,8 Prozent für eine Buy-and-Hold-Strategie im gleichen Zeitraum. Allerdings blieb der mittlere quadratische Fehler des Systems bei Out-of-Sample-Daten hoch, und seine Transaktionskosten, die auf 0,5 Prozent pro Handel geschätzt wurden, reduzierten die Nettoperformance auf 11,2 Prozent jährlich. Der Abschlussbericht des Projekts, der 1996 veröffentlicht wurde, stellte fest, dass FatKats Vorhersagegenauigkeit in Zeiten hoher Marktvolatilität, insbesondere während der Anleihenmarktkrise von 1994, erheblich abnahm.
Trotz dieser gemischten Ergebnisse zeigte FatKat, dass neuronale Ansätze statistisch signifikante Signale aus finanziellen Zeitreihen extrahieren konnten. Der Code und die Dokumentation des Projekts wurden später in einen Graduiertenkurs über computergestützte Finanzwirtschaft an der Universität integriert, und mehrere Teammitglieder wechselten anschließend zu quantitativen Hedgefonds in Chicago und New York.
Vermächtnis und Einfluss
FatKats Einfluss reichte über die akademische Welt hinaus. Sein Ansatz zur Feature-Engineering, insbesondere die Verwendung von Rolling-Window-Normalisierung, wurde in einem Papier von 1998 von Forschern bei Bell Labs zitiert, die neuronale Methoden für die Wirtschaftsprognose untersuchten. Das System antizipierte auch spätere Entwicklungen bei generativen Modellen für die Marktsimulation, obwohl es die Transformer-Architektur vermisste, die in den 2010er Jahren entstehen sollte.
Das Projekt wurde 1997 eingestellt, als sein Hauptfakultätsberater an die Stanford University wechselte. Es wurde nie eine kommerzielle Version von FatKat veröffentlicht, und sein Quellcode wurde nie öffentlich gemacht. Der technische Bericht von 1994 und der Abschlussbericht von 1996 bleiben jedoch über die Bibliotheksarchive der Universität zugänglich und werden gelegentlich in modernen Übersichten über KI in der Finanzwirtschaft referenziert.
Vergleich mit zeitgenössischen Systemen
FatKat war zeitgleich mit mehreren anderen frühen Finanz-KI-Projekten, darunter eine von Fujitsu gesponserte Initiative in Japan, die genetische Algorithmen für die Portfoliooptimierung verwendete, und ein System von NEC, das Fuzzy-Logik auf den Währungshandel anwendete. Im Gegensatz zu diesen regelbasierten oder evolutionären Ansätzen machte FatKats Abhängigkeit von gradientenbasiertem Lernen es anpassungsfähiger an sich ändernde Marktbedingungen, aber auch anfälliger für Überanpassung. Seine bescheidenen Rechenanforderungen, die auf einer einzelnen Workstation liefen, standen in scharfem Kontrast zu der spezialisierten Hardware, die in modernen Handelssystemen verwendet wird, doch sein Kernprinzip des Lernens aus historischen Daten bleibt grundlegend für zeitgenössische quantitative Finanzmodelle.