Люди против ИИ: кто лучше зарабатывает на финансовых рынках

Искусственный интеллект (ИИ) теперь близко соответствует или даже превосходит людей в тех областях, которые ранее считались недосягаемыми. К ним относятся шахматы, аркадные игры, го, беспилотные автомобили и многое другое. Этот быстрый технический прогресс также оказал огромное влияние на индустрию финансовых услуг. Все больше и больше руководителей в этом секторе заявляют (явно или неявно), что они управляют «технологическими компаниями с банковской лицензией».

Также наблюдается быстрое появление и рост индустрии финансовых технологий (FinTech), где технологические стартапы все чаще бросают вызов существующим финансовым учреждениям в таких областях, как розничные банковские услуги, пенсионное обеспечение или личные инвестиции. Таким образом, ИИ часто появляется в закулисных процессах, таких как кибербезопасность, борьба с отмыванием денег, проверки «знай своего клиента» или чат-боты.

Фото: https://www.simplilearn.com/

Среди стольких успешных случаев явно отсутствует один: ИИ зарабатывает деньги на финансовых рынках. В то время как простые алгоритмы обычно используются трейдерами, алгоритмы машинного обучения или ИИ гораздо реже используются при принятии инвестиционных решений. Но поскольку машинное обучение основано на анализе огромных наборов данных и поиске в них закономерностей, а финансовые рынки генерируют огромные объемы данных, такое совпадение кажется очевидным. В новом исследовании, опубликованном в International Journal of Data Science and Analytics, мы пролили свет на то, чем ИИ лучше людей в вопросе зарабатывания денег.

Некоторые специализированные инвестиционные компании, называемые Quant (что означает «количественные») хедж-фонды, заявляют, что используют ИИ в процессе принятия инвестиционных решений. Однако они не публикуют официальную информацию о производительности. Кроме того, несмотря на то, что некоторые из них управляют миллиардами долларов, они остаются нишевыми и небольшими по сравнению с размером более крупной инвестиционной индустрии.

С другой стороны, академические исследования неоднократно сообщали о высокоточных финансовых прогнозах, основанных на алгоритмах машинного обучения. Теоретически они могут превратиться в очень успешные основные инвестиционные стратегии для финансовой отрасли. И все же, похоже, этого не происходит. Так в чем причина такого несоответствия? Это укоренившаяся культура менеджеров или что-то связанное с практическими аспектами инвестирования в реальном мире?

Финансовые прогнозы AI

Мы проанализировали 27 рецензируемых исследований академических исследователей, опубликованных в период с 2000 по 2018 год. В них описываются различные виды экспериментов по прогнозированию фондового рынка с использованием алгоритмов машинного обучения. Мы хотели определить, можно ли воспроизвести эти методы прогнозирования в реальном мире.

Наше непосредственное наблюдение заключалось в том, что в большинстве экспериментов параллельно запускалось несколько версий (в крайних случаях до сотен) их инвестиционной модели. Почти во всех случаях авторы представляли свою наиболее эффективную модель в качестве основного продукта своего эксперимента — это означало, что лучший результат был отобран, а все неоптимальные результаты были проигнорированы. Этот подход не будет работать в реальном мире управления инвестициями, где любая заданная стратегия может быть реализована только один раз, и ее результатом является однозначная прибыль или убыток — отменить результаты невозможно.

Фото: https://www.everest.ua/

Использование нескольких вариантов, а затем представление наиболее удачного из них в качестве репрезентативного было бы вводящим в заблуждение в финансовом секторе и, возможно, считалось бы незаконным. Например, если мы запустим три варианта одной и той же стратегии, в одном из которых проигрыш -40 %, другой -20 %, а третий – выигрыш 20 %, а затем продемонстрируем только выигрыш в 20 %, очевидно, что этот единственный результат искажает производительность фонда. Должна быть протестирована только одна версия алгоритма, которая будет репрезентативной для реальной инвестиционной установки и, следовательно, будет более реалистичной.

Модели в рассмотренных нами работах достигли очень высокого уровня точности, около 95%, что является признаком огромного успеха во многих сферах жизни. Но в прогнозировании рынка, если алгоритм ошибается в 5% случаев, это все равно может быть настоящей проблемой. Это может быть катастрофически неправильно, а не незначительно неправильно — стирание не только прибыли, но и всего основного капитала.

Мы также отметили, что большинство алгоритмов искусственного интеллекта оказались «черными ящиками» без какой-либо прозрачности в отношении того, как они работают. В реальном мире это вряд ли вызовет доверие инвесторов. Это также может быть проблемой с точки зрения регулирования. Более того, в большинстве экспериментов не учитывались торговые издержки. Хотя они уменьшались в течение многих лет, они не равны нулю и могут составлять разницу между прибылью и убытком.

Ни в одном из рассмотренных нами экспериментов не учитывались действующие финансовые правила, такие как законодательная директива ЕС MIFID II или деловая этика. Сами по себе эксперименты не были связаны с какой-либо неэтичной деятельностью — они не стремились манипулировать рынком, — но в них отсутствовала конструктивная особенность, явно гарантирующая их этичность. На наш взгляд, алгоритмы машинного обучения и ИИ при принятии инвестиционных решений должны соответствовать двум наборам этических стандартов: обеспечение этичности ИИ как таковой и обеспечение этичности принятия инвестиционных решений с учетом экологических, социальных и управленческих соображений. Это помешает ИИ инвестировать, например, в компании, которые могут нанести вред обществу. Все это означает, что ИИ, описанные в академических экспериментах, были невозможны в реальном мире финансовой индустрии.

Люди лучше?

Мы также хотели сравнить достижения ИИ с достижениями профессионалов в области инвестиций. Если бы ИИ мог инвестировать так же, как люди, или даже лучше, это могло бы предвещать огромное сокращение рабочих мест.

Фото: http://nasledie.ru/

Мы обнаружили, что несколько фондов с искусственным интеллектом, данные об эффективности которых были раскрыты в общедоступных источниках рыночных данных, в целом показали низкие результаты на рынке. Таким образом, мы пришли к выводу, что в настоящее время есть очень веские доводы в пользу аналитиков и менеджеров-людей. Несмотря на все их несовершенства, эмпирические данные убедительно свидетельствуют о том, что люди в настоящее время опережают ИИ. Это может быть отчасти из-за эффективных умственных сокращений, которые люди используют, когда нам нужно принимать быстрые решения в условиях неопределенности.

В будущем это может измениться, но нам все еще нужны доказательства, прежде чем переходить на ИИ. И в ближайшем будущем мы считаем, что вместо того, чтобы противопоставлять людей ИИ, мы должны объединить их. Это означало бы встраивание ИИ в инструменты поддержки принятия решений и аналитические инструменты, но оставить окончательное инвестиционное решение команде людей.

Авторы:

Барбара Жаклин Саакян, профессор клинической нейропсихологии Кембриджского университета;

Фабио Куццолин, профессор искусственного интеллекта Оксфордского университета Брукса;

Войтек Бучински, кандидат наук / консультант, Кембриджский университет.