Numerai یک روش ارزیابی سیگنال جدید به نام True Contrition را منتشر کرده است. سهم واقعی با درمان NUMERAI به عنوان یک سیستم هوش مصنوعی پایان به پایان محاسبه می شود. با محاسبه شیب بازده نمونه کارها بهینه شده با توجه به NMR که بر روی سیگنال با استفاده از لایه های بهینه سازی محدب متفاوت قرار گرفته است ، Numerai اکنون می تواند سطح و انگیزه کند و سیگنال هایی را ایجاد کند و بزرگترین کمک های اطلاعاتی را به صندوق محافظت ما تبدیل کند. عملکرد Numerai در حال حاضر خوب است (نسبت شارپ ما در 12 ماه گذشته 2. 54 است) اما سهم واقعی این پتانسیل را دارد که Numerai را به عنوان اولین صندوق پرچین "نوع IV" تبدیل کند.

مقیاس کارداشف

مقیاس کارداشف پیشنهادی توسط اخترفیزیست اتحاد جماهیر شوروی ، نیکولای کارداشف ، راهی برای درجه بندی تمدن های پیشرفت فناوری بر اساس انرژی آنها است. یک تمدن نوع I می تواند تمام انرژی در سیاره خود را مهار کند. یک نوع II می تواند تمام انرژی موجود در منظومه شمسی خود را مهار کند در حالی که یک تمدن نوع III می تواند تمام انرژی موجود در کهکشان خود را مهار کند.

مقیاس کارداشف هیچ نقشه ای عملی برای ایجاد این تمدنها ندارد اما در نظر گرفتن فناوری هایی که انواع مختلفی از تمدن ها به آن نیاز دارند ، زمینه حاصلخیز را برای آزمایش های فکری ایجاد می کند. به عنوان مثال ، برای تبدیل شدن به یک تمدن نوع II ، ما باید چیزی مانند کره Dyson اختراع کنیم تا تمام انرژی را از خورشید خود ضبط کنیم. به منظور تبدیل شدن به یک تمدن نوع III ، ما به این فناوری برای روبات های خود تکیه بر ما نیاز داریم تا کهکشان را بپردازیم.

مقیاس کارداشف برای صندوق های تامینی

بنابراین آیا مقیاس کارداشف برای صندوق های پرچین وجود دارد؟چه چیزی می تواند سطوح مختلف پیشرفت تکنولوژیکی در صندوق های تامینی را از هم جدا کند؟

ما می توانیم از هر صندوق پرچین به عنوان تجارت برخی از سیگنال های پیش بینی بازار سهام که باید با بازده آینده در سهام در ارتباط باشد ، فکر کنیم. اگر سیگنال پیش بینی بازده آینده باشد ، بهترین سهام برای خرید در یک سیگنال بالاترین مقادیر سیگنال را دارد و بهترین سهام برای کوتاه ترین آنها کمترین میزان را دارد. برای صندوق های محافظت کمی ، سیگنال آنها مستقیماً از مدلهای ریاضی آنها خارج می شود.

من می خواهم مقیاس زیر کارداشف را برای صندوق های تامینی پیشنهاد کنم که بر اساس کیفیت سیگنال آنها ، صندوق های تامینی را درجه بندی می کند:

یک صندوق پرچین نوع I سیگنال دارد که پیش بینی بازده های بعدی قبل از هزینه های معاملاتی است.

یک صندوق پرچین نوع II سیگنال دارد که پیش بینی بازده های بعدی پس از هزینه های معاملاتی است.

یک صندوق پرچین نوع III دارای سیگنال است که می تواند برای ایجاد تغییرات سودآور در بهترین صندوق پرچین در سیگنال جهان استفاده شود.

یک صندوق پرچین نوع IV دارای سیگنال است که آنقدر خوب است که از هیچ سیگنال دیگری نمی توان برای ایجاد تغییرات سودآور در آن استفاده کرد.

یک صندوق محافظت از نوع I توانایی پیش بینی حرکات قیمت آینده را دارد. با این حال ، این پیش بینی ها نمی توانند از سودآوری استفاده کنند زیرا هزینه های معاملاتی مانند هزینه های تأثیر بازار باعث از بین بردن سود می شود. صندوق های محافظت از نوع II می توانند پس از هزینه ها درآمد کسب کنند و بنابراین فرضیه بازار کارآمد را نقض می کنند.

نوع III جایی است که همه چیز جالب می شود ، بنابراین اجازه دهید یک صندوق پرچین نوع III را با یک مثال توضیح دهم. فرض کنید ما می توانیم بهترین صندوق پرچین جهان را شناسایی کنیم و فقط بگوییم که این فناوری های رنسانس است. فرض کنید در برخی از جهان های جایگزین ، مدیرعامل دو سیگما (یکی دیگر از صندوق های پرچین) تصمیم گرفت تنها کاری که او می خواست انجام دهد بهبود سیگنال رنسانس بود. او تصمیم می گیرد دو بهترین سیگنال سیگما را به رنسانس بدهد - پیش بینی بالاترین کیفیت سهام آنها. او دو سیگنال بهترین سیگما را به سرور FTP بارگذاری می کند که رنسانس هم اکنون می تواند ببیند و از آن استفاده کند. حال اگر رنسانس تصمیم بگیرد سیگنال خود را به حدی خوب است که هیچ راهی برای استفاده از دو سیگنال سیگما برای ایجاد تغییرات سودآور در معاملات خود وجود ندارد ، پس دو سیگما صندوق پرچین نوع III نیست. اما اگر راهی برای رنسانس وجود داشته باشد تا از دو سیگنال سیگما برای ایجاد تغییرات سودآور در معاملات خود استفاده کند ، دو سیگما یک صندوق پرچین نوع III است. حتی اگر رنسانس هنوز 96 ٪ از همان معاملات را که معمولاً بدون سیگنال سیگما انجام می دهند ، انجام دهد ، 4 ٪ از تغییرات تجاری سودآور که سیگنال رنسانس را بهبود می بخشد ، برای ایجاد دو صندوق پرچین نوع III کافی خواهد بود.

صندوق پرچین نوع III بسیار سخت تر از صندوق پرچین نوع II است زیرا یک صندوق پرچین نوع II فقط باید معاملات سودآور را در بازار انجام دهد در حالی که یک صندوق پرچین نوع III باید تغییرات سودآوری را در سیگنالی ایجاد کند که در حال حاضر ایجاد می کندمعاملات بسیار سودآور در بازار.

یک صندوق پرچین نوع IV سیگنالی دارد که هیچ کس نمی تواند تغییرات سودآور را ایجاد کند. یک صندوق پرچین نوع IV فقط بهترین صندوق پرچین در جهان نخواهد بود ، این یک صندوق پرچین خواهد بود که هیچ سیگنال شناخته شده دیگری در هیچ کجای جهان نمی تواند با سیگنال آن برای بهبود آن ترکیب شود.(در مثال بالا ، اگر دو سیگما یک صندوق پرچین نوع III تحت تغییرات تجاری رنسانس باشد ، رنسانس یک صندوق پرچین نوع IV نخواهد بود.) یک صندوق پرچین نوع IV لزوماً با دقت پیش بینی بازار سهام ، یک سیگنال کامل را تجارت نمی کند ، آنفقط به معنای سیگنالی است که تجارت می کند برای همه آنچه در حال حاضر شناخته شده است حداکثر خوب است. این همه سیگنال های شناخته شده را کاملاً یکپارچه کرده است.

صندوق پرچین نوع IV مانند یک اطلاعات فوق العاده بیگانه برای بازار سهام خواهد بود. این کمی شبیه به بهترین نسخه ممکن از بازی Alphazero DeepMind است که در آن هیچ تغییری در بازی خود توسط انسان (یا نسخه های قدیمی Alphazero یا Alphago) وجود ندارد.

من فکر نمی کنم صندوق پرچین نوع IV هنوز وجود داشته باشد. اما من بنیانگذار نوع جدیدی از صندوق پرچین به نام Numerai هستم و چند سال گذشته را صرف دنبال یک آزمایش فکر کرده ام: خصوصیات لازم صندوق پرچین نوع IV چیست و آیا می توان آن را ساخت؟

خواص لازم صندوق پرچین نوع IV

واضح است که صندوق پرچین نوع IV باید به سرعت و به طور خودکار بر روی هر سیگنال جدیدی که آنها را از داشتن یک صندوق پرچین نوع IV باز می دارد ، سوار کند. اگر یک صندوق پرچین نوع IV وجود داشته باشد ، این بهترین صندوق پرچین خواهد بود ، بنابراین نمی توان هیچ گونه صندوق های تامینی نوع III را که سیگنال های آنها توسط صندوق پرچین نوع IV جذب نمی شود ، وجود داشته باشد. یک صندوق پرچین نوع IV باید بتواند هر سیگنال نوع III را فوراً جذب کند یا آنها یک صندوق پرچین نوع IV نباشند. به همین دلیل ، یک صندوق پرچین نوع IV نیاز به یک سیستم باز دارد که در آن می توان سیگنال های جدید را توسط هر کسی بارگذاری کرد تا همه تغییرات در معاملات را که قادر به ایجاد سودآوری هستند ، انجام دهد.

رنسانس ، دو سیگما یا هر صندوق پرچین دیگر برای آن موضوع ، طرح های سازمانی قبل از مسدود شده ، قبل از مسدود کردن را بسته اند که نمی توانند یک صندوق پرچین نوع IV درست مانند طراحی سازمانی Citibank ایجاد کنند ، نمی تواند بیت کوین ایجاد کند. صندوق پرچین نوع IV در واقع یک نوع کاملاً جدید خواهد بود. ممکن است کمی بیشتر از دو سیگما شبیه بیت کوین به نظر برسد و احساس کند.

البته ، یک ملک آشکار از صندوق پرچین نوع IV این است که برای خرید پول کافی برای خرید تمام سیگنال های نوع III باید به اندازه کافی ثروتمند باشد. اگر دو سیگما می تواند در معاملات صندوق پرچین نوع کاندیدای IV ، تغییرات سودآور ایجاد کند ، پس آن صندوق پرچین نوع چهارم باید سرمایه را برای ایجاد انگیزه در دو سیگما برای تعطیل کردن تجارت خود به طور کلی و در عوض سیگنال های خود را به صندوق پرچین نوع IV بفروشد. در واقع گرفتن دو سیگما برای روشن کردن سیگنال آنها بسیار گران خواهد بود. شاید حتی رنسانس نتواند به صندوق پرچین نوع IV تبدیل شود حتی اگر واقعاً می خواستند یکی باشند.

صندوق پرچین نوع IV باید یک مکان بازار آزاد برای خرید سیگنال باشد. Numerai در حال حاضر چنین سیستمی است. هرکسی می تواند با استفاده از داده های مبهم یا سیگنال های Numerai با استفاده از داده های خود ، سیگنال هایی را به Numerai ارسال کند. Numerai پول زیادی ندارد ، اما ما حدود 150 میلیون دلار در رمزنگاری خودمان ، NMR داریم ، که Numerai را در حال حاضر بالاترین رقابت علمی داده های پرداخت شده در جهان و بزرگترین خریدار سیگنال های بورس در اینترنت می کند.

با یک روش باز برای سیگنال های پردازنده و cryptocurrency برای تشویق مردم به ارسال سیگنال های جدید ، ممکن است به نظر برسد که Numerai دارای خواص مناسبی برای تبدیل شدن به یک صندوق پرچین نوع IV است.

یک فرض پنهان

اما یک فرض طولانی و وحشتناک در این خط استدلال وجود دارد که از دید پنهان است. این نوع فرضیه ای است که در آزمایش های فکری از دست رفته اما در واقعیت عملی نشان داده می شود. و در اینجا این است: این Numerai ایده ای خواهد داشت که چگونه برخی از سیگنال های جدید سیگنال خوب موجود ما را بهبود بخشد.

Numerai در حال حاضر هزاران سیگنال ارائه شده توسط دانشمندان داده ما را در مورد آنچه ما مدل متا می نامیم ، ترکیب می کند. بنابراین با توجه به یک سیگنال جدید ، چگونه می دانیم که می توانیم آن را در این گروه بزرگ سیگنال ها در حال حاضر بگنجانیم و آیا این گنجاندن باعث ایجاد تغییرات سودآور در استراتژی تجارت می شود؟بدون یک راه حل فن آوری خوب برای این سؤال ارزیابی سیگنال غیرممکن است بدانید که آیا سیگنال از نوع III است و بنابراین رسیدن به نوع IV غیرممکن است.

با گذشت سالها در Numerai ، ما مجبور شدیم یاد بگیریم که چگونه در ارزیابی سیگنال خوب شویم. ما از زمان تأسیس Numerai پیشرفت های زیادی در ارزیابی سیگنال انجام داده ایم. به عنوان مثال ، ما MMC و Staking را راه اندازی کردیم که دانشمندان داده Numerai NMR را در مدل های خود قرار می دهند تا ثابت کنند که آنها معتقدند مدل های آنها از نمونه کار خواهد کرد (تعمیم). هر دو MMC و Staking کیفیت سیگنال ها را در Numerai بهبود بخشیدند.

اما ما هرگز مشکل ارزیابی سیگنال را حل نکرده ایم. ما نمی توانیم تعیین کنیم که آیا در پایان سیستم پایان ما آیا سیگنال با توجه به مدل متا موجود ما از نوع III بوده است یا خیر. اما امروز ما در حال اعلام سیستم جدیدی هستیم که سالها در ساخت آن به نام True Complistation صرف کرده ایم که مشکل ارزیابی سیگنال را حل می کند.

ارزیابی سیگنال با ضریب اطلاعات

به نظر می رسد طبیعی است که فرض کنیم سیگنال هایی با همبستگی زیاد با بازده سهام آینده احتمالاً در مدل متا Numerai مفیدترین هستند. به همین دلیل ، Numerai سالها را صرف پرداخت پرداخت به دانشمندان داده ها بر اساس میزان خوب بودن آنها در تولید سیگنالهایی با همبستگی قوی با اهداف Numerai (که مانند بازده باقیمانده است) است. اما این انگیزه سیگنال های نوع I را تحریک می کند ، و سیگنال های پاداش بر اساس همبستگی آنها با اهداف ، نمایش دقیقی از این نیست که این سیگنال واقعاً در بازگشت نمونه کارها پس از بهینه سازی Numerai نقش داشته است. پاداش کاربران بر اساس همبستگی آنها با اهداف ، به سادگی جزئیات بسیار مهمی مانند: همبستگی سیگنال با سایر سیگنال ها ، اثرات متقابل آن با مدل متا موجود یا صدها پارامتر بهینه سازی نمونه کارها را که Numerai برای تبدیل مدل متا استفاده می کند ، نادیده می گیرد. سیگنال به یک نمونه کارها متعادل از چند صد سهام.

واضح است که ما به یک روش ارزیابی سیگنال نیاز داریم که همه جزئیات موجود در سیستم را به خود اختصاص می دهد تا بتوانیم ارزیابی کنیم که آیا یک سیگنال می تواند تغییرات سودآور را برای Numerai ایجاد کند.

ارزیابی سیگنال پایان به پایان

برای پایان دادن به پایان ، ما باید از هر جنبه ای از چگونگی تأثیر یک سیگنال و سهام NMR مرتبط با آن سیگنال بر پرتفوی نهایی ساخته شده توسط بهینه ساز Numerai تأثیر بگذاریم.

همانطور که در نمودار بالا مشاهده می کنید ، Numerai ابتدا سیگنال های تولید شده توسط مدل های یادگیری ماشین دانشمندان داده را ترکیب می کند. ما این کار را با محاسبه میانگین وزن سهام هر سیگنال انجام می دهیم تا مدل متا با وزن سهام ایجاد شود. دانشمند داده ای که مقدار زیادی از NMR را در مدل خود قرار می دهد ، در مدل متا با وزن سهام وزن بیشتری خواهد داشت.

مدل متا با وزن سهام هنوز فقط سیگنال پیش بینی هاست~5000 سهام جهانی. هنوز هم باید با صدها محدودیت در معرض خطر (مانند بازار ، کشور و بخش خنثی سازی خطر) به یک نمونه کارها واقع بینانه تبدیل شود ، و این همان مرحله بهینه سازی است. هنگامی که بهینه ساز یک سبد فرضی واقع گرایانه ایجاد کرد که تمام محدودیت های ریسک را برآورده می کند ، Numerai می تواند بازده های بعدی نمونه کارها را مشاهده کند.

برای ارزیابی صحیح سیگنال ، باید تأثیر سیگنال را در کل سیستم فوق از سیگنال گرفته تا مدل متا با وزن سهام تا بازده یک سبد پس از بهینه سازی در نظر بگیریم. و این همان کاری است که سهم واقعی انجام می دهد.

سهم واقعی

به عبارت ساده ، سهم واقعی پاسخ به این سؤال است: اگر یک دانشمند داده کمی بیشتر روی مدل خود قرار دهد (از این طریق وزن آنها را در مدل متا با وزن افزایش می دهد) ، تغییر در نمونه کارها پس از بهینه سازی چه خواهد بود؟

برای کسی که در امور مالی کمی است ، می توانید از سهم واقعی به عنوان یک ویژگی پیشرفته سیگنال فکر کنید.

برای کسی که در یادگیری ماشین است ، نمودار فوق در مورد نحوه کار Numerai ممکن است به نظر می رسد که یک معماری شبکه عصبی باشد. و اگر تا به حال شبکه های عصبی ایجاد کرده اید ، ممکن است تعجب کنید که آیا می توانید شیب بازپرداخت نمونه کارها را با توجه به سهام برگردانید. این دقیقاً همان چیزی است که سهم واقعی است.

اما چگونه شیب از طریق لایه بهینه سازی نمونه کارها محاسبه می شود؟

همانطور که معلوم است ، این کار با استفاده از تکنیک های جدید تهیه شده توسط استفان بوید از دانشگاه استنفورد ، براندون آموس از فیس بوک Ai et al (به مقاله آنها مراجعه کنید: لایه های بهینه سازی محدب متفاوت)

با استفاده از cvxpylayers ، می توانیم بهینه سازی نمونه کارها محدب تعریف شده CVXPY را به عنوان یک لایه در یک مدل Pytorch درج کنیم. این به ما امکان می دهد تا شیب بازده نمونه کارها بهینه شده را با توجه به مقادیر سهام محاسبه کرده و سهم واقعی هر سیگنال ارسال شده به Numerai را تعیین کنیم.

عواقب سهم واقعی

با ساخت و ساز نمونه کارها با کمک واقعی ، اندازه سهام ، اصالت مدل و استحکام سیگنال همه در نسبت های دقیقی که در واقع برای تولید بازده در اوراق بهادار واقع گرایانه مهم هستند که Numerai در واقع می تواند تجارت کند ، در نظر گرفته می شود.

سیگنالهایی که اصلی هستند و به Numerai کمک می کنند تا متفاوت و سودآورتر با آنچه در غیر این صورت خواهیم داشت ، بالاترین پاداش NMR را بر روی سهام خود دریافت می کنند ، و بنابراین تمایل به داشتن وزن بزرگتر و بزرگتر در مدل متا با وزن دارند. این بازخورد پاداش برای هر دانشمند داده در Numerai نیز مهم است زیرا آنها اکنون می توانند مدل های خود را بهبود بخشند تا سهم واقعی خود را به حداکثر برسانند.

Numerai با مشارکت واقعی ، یک حلقه بازخورد ایجاد می کند که به منظور ایجاد مداوم ایجاد و ارسال سیگنال ها ایجاد می شود که باعث ایجاد تغییرات سودآور در صندوق پرچین ما می شود و تمام سیگنال های دیگر را جدا می کند. هر دور از Numerai مانند پاس دیگر از بازگشت به سیستم در سیستم سایبرنتیک کلی Numerai خواهد شد. بازخورد و تصحیح خطا از طریق لایه ای از مدل های AI توزیع شده ، یک لایه ضرب و شتم blockchain ، یک مدل متا و بهینه سازی محدب پخش می شود. به عبارت دیگر ، با هر دور از Numerai ، ما یک قدم نزدیکتر به سمت صندوق پرچین نوع IV می شویم.

نشانه های اولیه از سهم واقعی

Staking در مورد سهم واقعی از 9 آوریل آغاز می شود اما در ضمن ما سهم واقعی را برای هر کاربر در Numerai برای آخرین بار به دست آورده ایم~2 سال.

نتایج نشان می دهد پتانسیل زیادی برای سهم واقعی به عنوان یک متریک ارزیابی سیگنال جدید در Numerai.

به عنوان مثال ، بسیاری از دانشمندان داده مانند Lance_A_LOT با رده های سهم بسیار واقعی بسیار بالایی وجود دارند اما در معیارهای دیگر مانند همبستگی با هدف ، رتبه های بسیار پایین تری دارند. واضح است که حداقل در دوره اخیر ، Lance_A_LOT مدلی داشت که بیشترین کمک به Numerai را می داد اما به دلیل سهم آنها به درستی پاداش نمی گرفت.

HB یک مهندس در آزمایشگاه پیشرانش جت ناسا است که در مأموریت Clipper Europa و یک دانشمند داده Numerai مدت طولانی کار می کند. HB چندین مدل ارسال شده به Numerai دارد اما مدلی که او بیشترین NMR را در آن قرار می دهد (765 NMR به ارزش 22،000 دلار) نسبت به سایر مدل های خود سهم واقعی بسیار کمتری دارد. برخی از بهترین مدل های وی از نظر سهم واقعی هیچ مشکلی برای آنها ندارند به این معنی که این مدل های عالی در مدل متا وزن صفر دارند و به هیچ وجه پاداش نمی گیرند.

دانشمندان داده با امکان شروع به کار در مشارکت واقعی ، شروع به انتقال سهام خود به مدلهایی با بالاترین سهم واقعی مورد انتظار می کنند. در این سیستم دینامیکی ، از آنجا که دانشمندان داده مانند HB و Lance_A_LOT سهام خود را برای کسب سهم واقعی تر تنظیم می کنند ، هیچ دلیلی وجود ندارد که باور کنیم مدل متا با وزن سهام Numerai نمی تواند به طور قابل توجهی باهوش تر شود.

با زمان بهتر

البته ، ما نمی دانیم که آیا به نوع IV خواهیم رسید یا خیر. اما انتظار دارید که آیا ما در مسیر تبدیل شدن به نوع IV قرار داشتیم؟من فکر می کنم نکته کلیدی که باید به دنبال آن باشید ، افزایش عملکرد در معرض خطر افزایش با زمان و AUM است.

صندوق های پرچین با گذشت زمان بدتر می شوند. چقدر غمگیناین اتفاق به دلیل پوسیدگی سیگنال اتفاق می افتد (سیگنال تجارت یک صندوق پرچین با زمان کارآمدتر شدن بازار با گذشت زمان بدتر می شود) و محدودیت های ظرفیت (استراتژی معاملاتی که با 10 میلیون دلار عالی کار می کرد ، اصلاً 100 میلیون دلار کار نمی کند).

اما Numerai تاکنون با گذشت زمان بدتر نمی شود - این بهتر می شود ، و این یک نشانه بسیار خوب است.

در طول دوره در نمودار ، صندوق پرچین Numerai AUM تقریباً از حدود 7 میلیون دلار تا 64 میلیون دلار (هنوز زود) است. پوسیدگی سیگنال ما به مرور زمان و رشد AUM باید با گذشت زمان به عملکرد آسیب برساند اما بازده تنظیم شده ریسک ما (نسبت شارپ) با گذشت زمان همچنان افزایش می یابد. و این به این دلیل است که در همین مدت ، Numerai از 300 مدل STAKED به بیش از 4000 مدل Staked در مدل متا رفته است. Numerai پوسیدگی سیگنال ندارد ، ما جوان سازی سیگنال ثابت داریم - مدل متا هر هفته با آخرین سیگنال ها بازسازی می شود.

آنچه در مورد این افزایش مداوم در ریسک تنظیم شده ما قابل توجه است بدون اینکه کاربران Numerai بازخورد صحیحی را در مورد مدل های خود دریافت کنند ، یعنی بدون سهم واقعی ...

• درباره جزئیات فنی سهم واقعی از دانشمند ارشد Numerai در این پست در مجمع Numerai اطلاعات بیشتری کسب کنید.
• در Numercon ، کنفرانس ما در سانفرانسیسکو در اول آوریل 2022 به ما بپیوندید.
• با ارسال به سیگنال های Numerai و Numerai ، مدل متا را بهبود بخشید.
• درباره صندوق پرچین Numerai بیشتر بدانید.

با تشکر از شما از نبوغ در Midjouey برای هنر جلد AI تولید شده.(سریع اینجا این بود: "کره سایبرنتیک بنفش در وال استریت")

*محاسبات نسبت شارپ بر اساس بازده ناخالص هزینه ها است و نرخ بدون ریسک 0 ٪ را فرض می کند.

اطلاعات نسبت شارپ ارائه شده تاریخی است و راهنمایی برای عملکرد آینده نیست. سرمایه گذاران باید بدانند که از دست دادن سرمایه گذاری امکان پذیر است. هیچ نمایندگی ای ارائه نمی شود که هر سرمایه گذار به سود یا ضرر مشابه با موارد نشان داده شده دست می یابد.