1. Kunstig intelligens og machine learnings generelle indvirkning på trading
Kunstig intelligens (AI) gør det muligt for maskiner at overtage menneskers plads. I 1980'erne var ekspertsystemer og fuzzy logic i front inden for AI-forskningen. Da prisen på computerkraft faldt, blev det økonomisk muligt at bruge maskiner til at løse store optimeringsproblemer. Takket være fremskridt inden for hardware og software fokuserer AI i dag på neurale netværk og andre læringsmetoder til at identificere og analysere prædiktorer — også kaldet features eller faktorer — som har økonomisk værdi og kan bruges sammen med klassifikatorer til at udvikle profitable modeller. Denne type AI-anvendelse omtales ofte som machine learning (ML).
Metoder til at bygge AI-baserede handelsstrategier, både på korte tidshorisonter og til langsigtet investering, bliver stadig mere populære, og enkelte hedgefonde er særligt aktive på området. Alligevel går den brede udbredelse af den nye teknologi trægt af flere årsager — den vigtigste er, at AI kræver investeringer i nye værktøjer og menneskelig ekspertise. Størstedelen af fondene bruger fundamental analyse, for det er, hvad forvalterne lærer på deres MBA-uddannelser. Der findes ikke mange hedgefonde, der udelukkende bygger på kunstig intelligens. Selvom AI-brugen blandt private er stigende, holder de fleste tradere fast i metoder fra midten af det tyvende århundrede, såsom klassisk teknisk analyse, fordi de er lette at forstå og bruge.
Det er værd at bemærke, at AI og ML også anvendes uden for strategiudvikling, for eksempel til at bygge algoritmer, der finder likviditet, og til at anbefale porteføljer til kunder. I takt med at AI-anvendelserne vinder frem, falder antallet af mennesker, der deltager i handels- og investeringsbeslutninger, hvilket påvirker markederne og prisbevægelserne. Det er for tidligt at spå om den nye teknologis samlede konsekvenser for branchen, men udbredt brug af AI kan føre til mere effektive markeder med lav volatilitet i lange perioder, efterfulgt af periodiske volatilitetsudsving som følge af regimeskift. Det er muligt, fordi indflydelsen fra menneskers subjektive fortolkning af information vil blive mindre — og det samme vil den tilhørende støj. Men det mangler stadig at blive bevist i praksis.
2. AI og machine learnings indvirkning på alfa-generering
De, der forstår AI-teknologien og ved, hvordan man håndterer dens farer, får en mulighed i de tidlige faser af udbredelsen. Et problem ved AI-baserede handelsmetoder er, at de kan levere modeller, der er dårligere end tilfældigheder. Lad mig prøve at forklare, hvad jeg mener: Klassisk teknisk analyse er en tabende handelsstrategi, fordi teknikker baseret på grafmønstre og indikatorer henter deres afkast fra en fordeling med et gennemsnit på nul — endda før transaktionsomkostninger. Nogle tradere befinder sig naturligt i fordelingens højre hale, hvilket giver det fejlagtige indtryk, at disse strategier har økonomisk værdi. På futures- og valutamarkederne er langsigtet profitabilitet svær at opnå uanset tilgang, fordi disse markeder er indrettet til at belønne market makere. Men på grund af held kan nogle tradere opnå store gevinster på gearede markeder på kort tid. Bagefter tilskriver disse tradere deres succes strategien og evnerne — ikke heldet.
Med AI og ML kommer der yderligere effekter til, såsom afvejningen mellem bias og varians. Datamining-bias kan resultere i metoder, der er overtilpassede til historiske data og fejler på nye data, eller i teknikker, der er for forsimplede og ikke fanger de afgørende signaler i dataene, som har økonomisk værdi. Denne afvejning giver taktikker, der er dårligere end tilfældigheder, og en negativ skævhed i afkastfordelingen for disse tradere, allerede før transaktionsomkostningerne regnes med. I perioden efter de kvantitative lempelser skaber det et profitpotentiale for store fonde og investorer. Men når de AI-tradere, der klarer sig dårligere end tilfældigheder, er presset ud af markedet, og kun dem med solide modeller er tilbage, vil konkurrencen om gevinsterne spidse til. Det er for tidligt at forudsige, om AI-traderne eller de store investorer vinder den kamp.
Jeg vil også gerne tage fat på en udbredt misforståelse på området: Nogle mener, at værdien ligger i de anvendte ML-algoritmer. Det er ikke korrekt. Den egentlige værdi ligger i de anvendte prædiktorer, som ofte kaldes features eller faktorer. ML-algoritmer kan ikke finde guld, hvor der ikke er noget. Et problem er, at de fleste ML-specialister bruger de samme prædiktorer og forsøger at bygge modeller iterativt for at opnå de bedste resultater. Den fremgangsmåde undermineres af datamining-bias og fejler i sidste ende. Kort sagt opstår datamining-bias af den risikable praksis at genbruge data med mange modeller, indtil resultaterne i trænings- og teststikprøverne er tilfredsstillende. Ifølge mine undersøgelser på området gælder det, at hvis en simpel klassifikator, såsom binær logistisk regression, ikke fungerer godt med et givet sæt prædiktorer, er der stor sandsynlighed for, at der ikke er nogen økonomisk værdi. Succes afhænger derfor af feature engineering, som er både videnskab og kunst og kræver viden, erfaring og inspiration for at udtænke features med økonomisk værdi — og kun en lille brøkdel af eksperterne kan det.
3. Kunstig intelligens og machine learnings indvirkning på teknisk analyse
Vi må skelne mellem klassisk og kvantitativ teknisk analyse, eftersom alle tilgange, der bygger på analyse af pris- og volumenserier, hører under denne kategori. Traditionel teknisk analyse — grafmønstre, simple indikatorer, price action-teorier og lignende — var ineffektiv fra begyndelsen. Bortset fra nogle få mangelfulde initiativer af begrænset omfang afslørede publikationer, der lovpriste disse tilgange, sjældent deres langsigtede statistiske forventninger; i stedet nøjedes de med forsikringer om, at hvis man fulgte den ene eller anden regel, ville der være profitpotentiale. Fordi gevinster og tab på markedet følger en statistisk fordeling, har der altid været nogle, som tilskrev deres held disse tilgange. Samtidig voksede en hel industri op omkring metoderne, fordi de var lette at lære. Desværre troede mange, at de kunne tjene penge ved at være bedre til at bruge taktikker, som alle andre også brugte, og resultatet blev en enorm formueoverførsel fra disse naive tradere til market makere og andre velinformerede professionelle.
I begyndelsen af 1990'erne opdagede nogle markedsspecialister, at et stort antal private tradere handlede med disse usofistikerede taktikker. Nogle byggede algoritmer og AI-ekspertsystemer til at forudsige formationerne og derefter handle imod dem, hvilket skabte en volatilitet, som de private tradere — også kendt som svage hænder — ikke kunne klare. I bredere forstand kan den traditionelle tekniske analyses fiasko spores tilbage til, at den stærke serielle korrelation forsvandt fra markederne fra 1990'erne og frem. Det var primært den stærke serielle korrelation, der gav det falske indtryk, at metoderne virkede. Med få undtagelser er markederne i dag mean-reverting, hvilket gør simple tekniske analyseværktøjer virkningsløse. Til gengæld fungerer visse kvantitative værktøjer, såsom mean reversion- og statistiske arbitragemodeller samt ML-algoritmer, der udnytter features med økonomisk værdi, ofte effektivt.
På grund af den store variation i modellerne, og fordi de fleste holdes hemmelige, vil den slags arbitrage næppe gentage sig med AI og ML. Men den nye teknologis grundlæggende problem er ikke bekræftelsesbias som i klassisk teknisk analyse — det er datamining-bias.
At overvåge markedet og kigge på grafer er efter min mening ved at blive forældet. Fremtidens trading handler om informationsbehandling i realtid, modeludvikling og validering. Fremtidens hedgefond kommer ikke til at basere sig på grafanalyse. Nogle fortsætter med det, fordi de står ved en korsvej, hvor gamle metoder støder sammen med nye. Mange tradere uden kendskab til AI vil få svært ved at konkurrere i fremtiden og trække sig tilbage.
4. Den nye handelsteknologis vindere og tabere
Brugen af kunstig intelligens vil revolutionere trading på mange måder, og det sker allerede. Investorer kan snart opdage, at når den nuværende trend skabt af QE slutter, bliver de mellemfristede afkast langt lavere end forventet. Hvis den situation indtræffer, tvinges investorerne tilbage til den traditionelle metode: at finde en dygtig finansiel rådgiver, der kan anbefale en porteføljesammensætning og udvælge aktier, som vil stige i værdi. I visse tilfælde vil rådgiveren være et AI-program, og processen vil foregå online.
Tradere er nødt til at sætte sig ind i den nye teknologi. De fleste kæmper stadig med forældede tilgange i håbet om, at "buy the dip" vil blive ved med at virke og give gevinster nogle år endnu.
Et af problemerne er den moralske fare, som centralbanken har næret med direkte støtte til finansmarkederne gennem de seneste otte år. Mange tradere og investorer tror nu, at bear-markeder er umulige, fordi centralbanken nok skal være der til at flytte deres tab over på alle andre, mens de selv beholder gevinsterne. Derfor er flertallet af markedsdeltagerne uforberedte på det næste store regimeskift på markedet og risikerer katastrofale tab.
Der findes masser af onlineressourcer til at lære om machine learning, kunstig intelligens og trading. Den bedste måde at lære på er at kaste sig over nogle praktiske problemstillinger. Jeg tror dog, at de fleste tradere ikke vil kunne omstille sig. Den kombination af evner, der kræves for at forstå og anvende AI, sorterer 95 procent af de tradere fra, som er vant til at tegne linjer på grafer og holde øje med glidende gennemsnit.
Investorer bør lave deres egen research og søge råd hos en professionel finansiel rådgiver, der er fortrolig med de nye udviklinger. Enhver investor har en unik risikoprofil, hvilket gør det umuligt at give generelle anbefalinger. Snart vil der være et væld af robo-rådgivere, og det kan blive svært at vælge en, der matcher specifikke krav og mål.
For den, der ikke kender ML og AI og deres anvendelser inden for trading og investering, kan det være mere givende at kontakte en professionel med viden på området end at begive sig ud i bøger og artikler — det kan man altid gøre, når det grundlæggende er på plads.