Хедж фондовете са в застой и са изправени пред нарастващ натиск да оправдаят таксите си. Може ли изкуственият интелект да помогне в тази ситуация?

Все повече хедж фондове слагат парите зад идеята, че едно от разклоненията на изкуствения интелект - машинното самообучение - може да ги върне на върха. Съществуват, разбира се, и проблеми - внедряването на технологията е трудно, скъпо и може да донесе провал.

Какво е машинното обучение?

Машинното обучение или самообучение е софтуерна програма, която търси за редовно появяващи се модели в огромно количество данни - толкова огромно, че и най-недоспалият анализатор не може да си представи. След това програмата започва да тества своите хипотези, изградени на база на първия етап, в дори по-голямо количество данни.

Какво може да ви каже един сателитен кадър на паркинг на някой мол? Ами ако е комбиниран с данните за продажбите на магазина?

Ако изпълнителният директор на дадена компания или определен служител на някоя банка използва някоя специфична дума, това може ли да повлияе върху цените на активите?

Какво е приложението на машинното обучение?

Водите се пробват от всякакви играчи - както малки, така и големи риби, пише Нишант Кумар за Bloomberg. В проучване с тази насоченост 58% от мениджърите са заявили, че машинното самообучение ще има или средно, или голямо въздействие върху световната индустрия. Гигантите при хедж фондовете Bridgewater Associates и Man Group Plc, както и Highbridge Capital Management и други вече разработват машинно обучение или поне инвестират в него. Други фирми като Renaissance Technologies и Two Sigma отдавана използват технологията.

JP Morgan също скоро ще се включи, като инвестира в хедж фондове, които използват технологията.

Трудно ли може да се направи?

Намирането на правилни модели не е толкова трудно, но намирането на такива, които работят надеждно в реалния свят, е трудно. Много трудно. Финансовите данни са много "шумни" - пазарите са непрекъснато подвижни, а мощните инструменти за боравене с тях изискват много дълбоко разбиране и талант, който не се среща често. Следователно рискът винаги е налице, когато говорим за алгоритмично търгуване.

Какъв точно е проблемът?

Проблемите са няколко, тълкува Кумар. Ако оставите програмите да блуждаят постоянно и свободно през световните данни, те не винаги могат да намерят най-смислените неща. Например зависимостта, че БВП на САЩ и индексът S&P 500 имат склонността да се увеличават или съответно спадат пропорционално в зависимост от честотата на убийствата в Англия.

Затова алгоритмите се специализират и разработчиците им добавят много и различни параметри, за да получат търсения резултат, така че проблемът да бъде решен. Това обаче също може да доведе до провал.

Какви са другите усложнения?

Допълнителните усложнения също са доста. Едно от тях - как да се убедят инвеститорите да инвестират в "черни кутии". Програмистите знаят кои данни програмата за машинно обучение анализира, но начинът, по който се достига до крайния резултат, е мистерия. Друго усложнение - ако хората не са наясно с това как компютърът взима определени решения, то кой ще бъде отговорен, когато нещо се обърка. Всъщност вече има подобен съдебен прецедент - през месец април 2020 година ще започне първият случай за това как хора отиват на съд за загуби за инвестиции, предизвикани от автономни машини.

Неуспех

Много от алгоритмите стават неефективни по време на така наречените "предишни тестове" или бектестове - когато прогнозите на тези алгоритми, които се базират на исторически данни, не могат да се репликират с помощта на нов набор от данни. Или пък например ако служителите в дадена фирма не разбират правилно или напълно какъв е ефектът, който използваният алгоритъм улавя, те може да не знаят кога точно да го изключат.

Ами сега накъде?

Засега изглежда, че проблемът не е в инвеститорите, а по-скоро в машините. Очевидно е, че машинното обучение все още не е разтърсило света. Фондът Man AHL Dimension, който използва стратегии с машинно обучение, успя да достигне до средна годишна възвръщаемост от 1.1% за последните 3 години до месец март, в сравнение с почти 5% средна печалба при хедж фондовете. Според последните данни индексът на Eurekahedge AI Hedge Fund, който следи хедж фондовете, използващи стратегии с изкуствен интелект, е върнал средно годишно 7.1% за 5 години до месец май. За сравнение, за същия период S&P 500 носи възвръщаемост от 9.65% с реинвестирани дивиденти.