1. Obecný dopad umělé inteligence a strojového učení na trading
Umělá inteligence (AI) umožňuje strojům zastoupit lidi. V osmdesátých letech stály v popředí výzkumu AI expertní systémy a fuzzy logika. S klesajícími náklady na výpočetní výkon se stalo ekonomicky únosné využívat stroje k řešení rozsáhlých optimalizačních úloh. Díky pokroku v hardwaru i softwaru se dnes umělá inteligence soustředí na neuronové sítě a další metody učení, jimiž identifikuje a analyzuje prediktory — označované také jako příznaky či faktory — které mají ekonomickou hodnotu a dají se spolu s klasifikátory využít k vývoji ziskových modelů. Tento typ aplikace AI se často označuje jako strojové učení (ML).
Metodiky pro tvorbu obchodních strategií založených na AI, jak na krátkých časových rámcích, tak pro dlouhodobější investování, získávají na popularitě a několik hedgeových fondů je v této oblasti obzvlášť aktivních. Široké přijetí této nové technologie však postupuje pomalu, a to z řady důvodů — tím nejdůležitějším je, že AI vyžaduje investice do nových nástrojů a lidské odbornosti. Většina fondů používá fundamentální analýzu, protože právě tu manažeři studují v rámci svých MBA programů. Hedgeových fondů, které spoléhají čistě na umělou inteligenci, je málo. Přestože využití AI mezi retailovými obchodníky roste, většina traderů dál spoléhá na metody zavedené v polovině dvacátého století, jako je klasická technická analýza — jsou totiž snadno pochopitelné a jednoduše se používají.
Je třeba zmínit, že AI a ML se uplatňují i mimo vývoj obchodních strategií, například při stavbě algoritmů vyhledávajících likviditu nebo při doporučování portfolií klientům. Jak se aplikace AI prosazují, klesá počet lidí zapojených do obchodních a investičních rozhodnutí, což se promítá do trhů i cenových pohybů. Na spekulace o celkových důsledcích této nové technologie pro odvětví je příliš brzy, ale rozšířené používání AI může vést k efektivnějším trhům s nízkou volatilitou po dlouhá období, střídaným periodickými skoky volatility v důsledku změn režimu. Je to možné proto, že se sníží vliv subjektivní lidské interpretace informací i s ní spojený šum. To se ovšem musí teprve prokázat v praxi.
2. Dopad AI a strojového učení na generování alfy
Ti, kdo technologii AI rozumějí a vědí, jak zvládat její rizika, budou mít v raných fázích jejího přijímání příležitost. Jedním z problémů obchodních metod založených na AI je, že mohou produkovat modely horší než náhoda. Pokusím se vysvětlit, co tím myslím: klasická technická analýza je ztrátová obchodní strategie, protože techniky založené na grafických formacích a indikátorech čerpají své výnosy z rozdělení s nulovou střední hodnotou, a to ještě před započtením transakčních nákladů. Někteří tradeři se přirozeně ocitají v pravém chvostu rozdělení, což vyvolává mylný dojem, že tyto strategie mají ekonomickou hodnotu. Na trzích s futures a na Forexu je dlouhodobá ziskovost těžko dosažitelná bez ohledu na přístup, protože tyto trhy jsou nastaveny tak, aby odměňovaly tvůrce trhu. Dík náhodě však mohou někteří tradeři na trzích s pákou dosáhnout velkých zisků v krátkém čase. Svůj úspěch pak nepřipisují štěstí, ale své strategii a schopnostem.
S AI a ML přicházejí další efekty, například kompromis mezi vychýlením a rozptylem. Zkreslení z data miningu může vést k metodám přeučeným na historická data, které na nových datech selžou, nebo k technikám příliš zjednodušeným, jež nezachytí klíčové signály s ekonomickou hodnotou obsažené v datech. Tento kompromis plodí taktiky horší než náhoda a zápornou šikmost v rozdělení výnosů těchto traderů, a to ještě před zahrnutím transakčních nákladů. V období po kvantitativním uvolňování to vytváří ziskový potenciál pro velké fondy a investory. Až však budou AI tradeři horší než náhoda z trhu vytlačeni a zůstanou jen ti se solidními modely, boj o zisky se přiostří. Je příliš brzy předpovídat, zda v tomto souboji zvítězí AI tradeři, nebo velcí investoři.
Rád bych se také věnoval častému nedorozumění v tomto oboru: někteří lidé se domnívají, že hodnota spočívá v použitých ML algoritmech. To není správně. Skutečná hodnota tkví v použitých prediktorech, často označovaných jako příznaky či faktory. ML algoritmy nemohou najít zlato tam, kde žádné není. Problém je, že většina specialistů na ML používá stejné prediktory a snaží se iterativně stavět modely tak, aby dosáhli nejlepších výsledků. Tento postup podkopává zkreslení z data miningu a nakonec selhává. Stručně řečeno, zkreslení z data miningu vzniká z riskantní praxe opakovaného používání týchž dat s mnoha modely, dokud nejsou výsledky na trénovacích a testovacích vzorcích uspokojivé. Podle mého výzkumu v této oblasti platí, že pokud jednoduchý klasifikátor, jako je binární logistická regrese, s daným souborem prediktorů nefunguje dobře, je vysoce pravděpodobné, že žádná ekonomická hodnota neexistuje. Úspěch tedy závisí na feature engineeringu, který je vědou i uměním zároveň a vyžaduje znalosti, zkušenosti a inspiraci k vymýšlení příznaků s ekonomickou hodnotou — a toho je schopen jen nepatrný zlomek odborníků.
3. Dopad umělé inteligence a strojového učení na technickou analýzu
Musíme rozlišovat mezi klasickou a kvantitativní technickou analýzou, protože do této kategorie spadají všechny přístupy opírající se o analýzu cenových a objemových řad. Tradiční technická analýza — grafické formace, základní indikátory, teorie price action a podobně — byla neúčinná od samého počátku. Až na několik nedokonalých pokusů omezeného rozsahu publikace vychvalující tyto přístupy jen zřídka zveřejňovaly jejich dlouhodobá statistická očekávání; místo toho nabízely pouhá ujištění, že při dodržení toho či onoho pravidla se objeví ziskový potenciál. Protože tržní zisky a ztráty sledují statistické rozdělení, vždy se našli lidé, kteří své štěstí připisovali těmto přístupům. Kolem těchto postupů zároveň vyrostl celý průmysl, protože se daly snadno naučit. Mnozí bohužel uvěřili, že mohou vydělávat tím, že budou taktiky používané všemi ostatními ovládat lépe, a výsledkem byl obrovský přesun bohatství od těchto naivních traderů k tvůrcům trhu a dalším dobře informovaným profesionálům.
Začátkem devadesátých let někteří tržní specialisté zjistili, že s těmito jednoduchými taktikami obchoduje velké množství retailových traderů. Někteří postavili algoritmy a expertní systémy s AI, které formace předvídaly a následně obchodovaly proti nim, čímž vytvářely volatilitu, kterou retailoví tradeři — někdy označovaní jako slabé ruce — nedokázali ustát. V širším smyslu lze selhání tradiční technické analýzy vystopovat k vymizení silné sériové korelace z trhů počínaje devadesátými lety. Byla to především silná sériová korelace, která vytvářela falešný dojem, že tyto postupy fungují. Až na několik výjimek se dnešní trhy vracejí k průměru, což činí jednoduché nástroje technické analýzy neúčinnými. Naproti tomu některé nástroje kvantitativní technické analýzy, jako jsou modely návratu k průměru a statistické arbitráže, i ML algoritmy využívající příznaky s ekonomickou hodnotou, často fungují efektivně.
Vzhledem k široké škále modelů a k tomu, že většina z nich zůstává utajena, se tento druh arbitráže v případě AI a ML pravděpodobně opakovat nebude; zásadním problémem této nové technologie však není konfirmační zkreslení jako u klasické technické analýzy, nýbrž zkreslení z data miningu.
Sledování trhu a zírání do grafů podle mého názoru zastarává. Budoucnost tradingu spočívá ve zpracování informací v reálném čase, vývoji modelů a jejich validaci. Hedgeový fond budoucnosti se nebude opírat o analýzu grafů. Někteří v tom pokračují, protože stojí na rozcestí, kde se staré způsoby střetávají s novými. Mnoho traderů, kteří AI neznají, bude mít v budoucnu problém obstát v konkurenci a stáhne se.
4. Vítězové a poražení nové obchodní technologie
Využití umělé inteligence způsobí v tradingu revoluci v mnoha ohledech — a už se to děje. Investoři možná brzy zjistí, že jakmile skončí současný trend vytvořený kvantitativním uvolňováním, budou střednědobé výnosy mnohem nižší, než čekali. Pokud tato situace nastane, budou se investoři muset uchýlit k tradiční metodě: najít schopného finančního poradce, který doporučí složení portfolia a vybere akcie, jež porostou na hodnotě. V některých případech bude poradcem program umělé inteligence a celý proces proběhne online.
Tradeři se s touto novou technologií musí seznámit. Většina z nich se stále potýká se zastaralými přístupy a doufá, že „nakupování poklesů" bude fungovat a přinášet zisky ještě pár let.
Jedním z problémů je morální hazard, který centrální banka živila přímou podporou finančních trhů v uplynulých osmi letech. Mnoho traderů a investorů dnes věří, že medvědí trhy jsou nemožné, protože centrální banka tu bude od toho, aby jejich ztráty přenesla na všechny ostatní, zatímco zisky jim ponechá. Většina účastníků trhu je proto na příští velkou změnu tržního režimu nepřipravená a může utrpět katastrofální ztráty.
Ke studiu strojového učení, umělé inteligence a tradingu existuje řada online zdrojů. Nejlepší cestou k učení je pustit se do několika praktických úloh. Domnívám se však, že většina traderů se přizpůsobit nedokáže. Kombinace schopností nutných k pochopení a nasazení AI vyřadí 95 procent traderů zvyklých kreslit čáry do grafů a sledovat klouzavé průměry.
Investoři by si měli udělat vlastní průzkum a vyhledat radu profesionálního finančního poradce, který se v těchto novinkách orientuje. Každý investor má jedinečný profil averze k riziku, takže nelze dávat plošná doporučení. Brzy se objeví záplava robo-poradců a vybrat takového, který odpovídá konkrétním požadavkům a cílům, může být obtížné.
Pro každého, kdo ML a AI a jejich uplatnění v tradingu a investování nezná, může být přínosnější obrátit se na profesionála znalého oboru než se rovnou pouštět do čtení knih a článků — k tomu se lze vrátit, jakmile si osvojí základy.