1. Η γενική επίδραση της τεχνητής νοημοσύνης και του machine learning στο trading
Η τεχνητή νοημοσύνη (AI) επιτρέπει στις μηχανές να παίρνουν τη θέση των ανθρώπων. Τη δεκαετία του 1980, τα έμπειρα συστήματα και η ασαφής λογική βρίσκονταν στην πρώτη γραμμή της έρευνας για την AI. Καθώς το κόστος της υπολογιστικής ισχύος μειωνόταν, η χρήση μηχανών για την επίλυση προβλημάτων βελτιστοποίησης μεγάλης κλίμακας έγινε οικονομικά εφικτή. Χάρη στην πρόοδο σε υλικό και λογισμικό, η τεχνητή νοημοσύνη επικεντρώνεται πλέον στη χρήση νευρωνικών δικτύων και άλλων μεθόδων μάθησης για τον εντοπισμό και την ανάλυση προβλεπτικών μεταβλητών — γνωστών και ως χαρακτηριστικών ή παραγόντων — που έχουν οικονομική αξία και μπορούν να συνδυαστούν με ταξινομητές για την ανάπτυξη κερδοφόρων μοντέλων. Αυτού του είδους η εφαρμογή της AI αποκαλείται συχνά machine learning (ML).
Η χρήση μεθοδολογιών για τη δημιουργία στρατηγικών trading βασισμένων στην AI, τόσο σε βραχυπρόθεσμα χρονικά πλαίσια όσο και για μακροπρόθεσμες επενδύσεις, γίνεται ολοένα πιο δημοφιλής, και ορισμένα hedge funds είναι ιδιαίτερα δραστήρια στον τομέα. Ωστόσο, η ευρεία υιοθέτηση της νέας τεχνολογίας προχωρά αργά για διάφορους λόγους, με σημαντικότερο ότι η AI απαιτεί επενδύσεις σε νέα εργαλεία και ανθρώπινη τεχνογνωσία. Η πλειονότητα των funds χρησιμοποιεί θεμελιώδη ανάλυση, γιατί αυτή διδάσκονται οι διαχειριστές στα MBA τους. Τα hedge funds που στηρίζονται αποκλειστικά στην τεχνητή νοημοσύνη είναι ελάχιστα. Αν και η χρήση της AI από ιδιώτες επενδυτές αυξάνεται, οι περισσότεροι traders εξακολουθούν να βασίζονται σε μεθόδους που εμφανίστηκαν στα μέσα του εικοστού αιώνα, όπως η κλασική τεχνική ανάλυση, επειδή είναι απλές στην κατανόηση και τη χρήση.
Αξίζει να σημειωθεί ότι η AI και το ML αξιοποιούνται και πέρα από την ανάπτυξη στρατηγικών trading, όπως στη δημιουργία αλγορίθμων εύρεσης ρευστότητας και στη σύσταση χαρτοφυλακίων σε πελάτες. Έτσι, καθώς οι εφαρμογές της AI κερδίζουν έδαφος, ο αριθμός των ανθρώπων που συμμετέχουν στις αποφάσεις trading και επενδύσεων μειώνεται, με αντίκτυπο στις αγορές και στην κίνηση των τιμών. Είναι νωρίς για εικασίες σχετικά με τις συνολικές επιπτώσεις της νέας τεχνολογίας στον κλάδο, όμως η ευρεία χρήση της AI μπορεί να οδηγήσει σε πιο αποδοτικές αγορές με χαμηλή μεταβλητότητα για μεγάλες περιόδους, τις οποίες θα ακολουθούν περιοδικές εξάρσεις μεταβλητότητας λόγω αλλαγών καθεστώτος. Αυτό είναι εφικτό, γιατί θα περιοριστεί η επιρροή της υποκειμενικής ανθρώπινης ερμηνείας των πληροφοριών, όπως και ο σχετικός θόρυβος. Ωστόσο, αυτό μένει να αποδειχθεί στην πράξη.
2. Η επίδραση της AI και του machine learning στην παραγωγή άλφα
Όσοι κατανοούν την τεχνολογία της AI και ξέρουν να διαχειρίζονται τους κινδύνους της θα έχουν μια ευκαιρία στα πρώτα στάδια της υιοθέτησής της. Ένα πρόβλημα των μεθόδων trading που βασίζονται στην AI είναι ότι μπορεί να παράγουν μοντέλα χειρότερα κι από το τυχαίο. Θα προσπαθήσω να εξηγήσω τι εννοώ: η συμβατική τεχνική ανάλυση είναι ζημιογόνα στρατηγική, επειδή οι τεχνικές που στηρίζονται σε σχηματισμούς γραφημάτων και δείκτες αντλούν τα κέρδη τους από μια κατανομή με μηδενικό μέσο όρο, πριν καν συνυπολογιστούν τα έξοδα συναλλαγών. Ορισμένοι traders βρίσκονται φυσιολογικά στη δεξιά ουρά της κατανομής, δίνοντας τη λανθασμένη εντύπωση ότι αυτές οι στρατηγικές έχουν οικονομική αξία. Στις αγορές futures και συναλλάγματος, η μακροπρόθεσμη κερδοφορία είναι δύσκολο να επιτευχθεί ανεξαρτήτως προσέγγισης, γιατί οι αγορές αυτές είναι φτιαγμένες να ανταμείβουν τους market makers. Ωστόσο, χάρη στην τύχη, κάποιοι traders μπορούν να αποκομίσουν μεγάλα κέρδη σε αγορές με μόχλευση μέσα σε σύντομο διάστημα. Έπειτα, αντί στην τύχη, αποδίδουν την επιτυχία τους στη στρατηγική και στο ταλέντο τους.
Με την AI και το ML υπάρχουν πρόσθετες επιδράσεις, όπως η ισορροπία μεταξύ μεροληψίας και διακύμανσης. Η μεροληψία εξόρυξης δεδομένων (data-mining bias) μπορεί να οδηγήσει σε μεθόδους υπερπροσαρμοσμένες στα παλαιά δεδομένα που αποτυγχάνουν στα νέα, ή σε τεχνικές υπεραπλουστευμένες που δεν συλλαμβάνουν κρίσιμα σήματα με οικονομική αξία μέσα στα δεδομένα. Αυτή η ισορροπία παράγει τακτικές χειρότερες από το τυχαίο και αρνητική ασυμμετρία στην κατανομή των αποδόσεων αυτών των traders, πριν καν συμπεριληφθούν τα έξοδα συναλλαγών. Στην περίοδο μετά την ποσοτική χαλάρωση, αυτό δημιουργεί δυνατότητες κέρδους για μεγάλα funds και επενδυτές. Όταν όμως οι AI traders που αποδίδουν χειρότερα από το τυχαίο εκδιωχθούν από την αγορά και μείνουν μόνο όσοι διαθέτουν στέρεα μοντέλα, ο ανταγωνισμός για τα κέρδη θα οξυνθεί. Είναι πολύ νωρίς για να προβλέψουμε αν σε αυτή τη μάχη θα επικρατήσουν οι AI traders ή οι μεγάλοι επενδυτές.
Θα ήθελα επίσης να θίξω μια συχνή παρανόηση στον χώρο: κάποιοι πιστεύουν ότι η αξία βρίσκεται στους αλγορίθμους ML που χρησιμοποιούνται. Αυτό δεν ισχύει. Η πραγματική αξία βρίσκεται στις προβλεπτικές μεταβλητές που αξιοποιούνται, τις οποίες συχνά αποκαλούμε χαρακτηριστικά ή παράγοντες. Οι αλγόριθμοι ML δεν μπορούν να ανιχνεύσουν χρυσό εκεί όπου δεν υπάρχει. Ένα πρόβλημα είναι ότι οι περισσότεροι ειδικοί του ML χρησιμοποιούν τις ίδιες προβλεπτικές μεταβλητές και επιχειρούν να χτίσουν μοντέλα επαναληπτικά για να πετύχουν τα καλύτερα αποτελέσματα. Η τεχνική αυτή υπονομεύεται από τη μεροληψία εξόρυξης δεδομένων και τελικά αποτυγχάνει. Με λίγα λόγια, η μεροληψία εξόρυξης δεδομένων προκύπτει από την επικίνδυνη πρακτική της επαναχρησιμοποίησης των δεδομένων με πολλά μοντέλα, μέχρι τα αποτελέσματα στα δείγματα εκπαίδευσης και ελέγχου να γίνουν ικανοποιητικά. Σύμφωνα με τη μελέτη μου στον τομέα, αν ένας απλός ταξινομητής, όπως η δυαδική λογιστική παλινδρόμηση, δεν λειτουργεί αποτελεσματικά με ένα δεδομένο σύνολο προβλεπτικών μεταβλητών, είναι πολύ πιθανό να μην υπάρχει οικονομική αξία. Επομένως, η επιτυχία εξαρτάται από το feature engineering, που είναι μαζί επιστήμη και τέχνη και απαιτεί γνώση, εμπειρία και έμπνευση για τη δημιουργία χαρακτηριστικών με οικονομική αξία — και μόνο ένα ελάχιστο ποσοστό των ειδικών είναι ικανό γι' αυτό.
3. Η επίδραση της τεχνητής νοημοσύνης και του machine learning στην τεχνική ανάλυση
Πρέπει να διακρίνουμε τη συμβατική από την ποσοτική τεχνική ανάλυση, αφού στην κατηγορία αυτή εμπίπτουν όλες οι προσεγγίσεις που βασίζονται στην ανάλυση σειρών τιμών και όγκου. Η παραδοσιακή τεχνική ανάλυση — σχηματισμοί γραφημάτων, βασικοί δείκτες, θεωρίες price action και ούτω καθεξής — ήταν εξαρχής αναποτελεσματική. Με εξαίρεση λίγες ατελείς πρωτοβουλίες περιορισμένης εμβέλειας, οι εκδόσεις που εκθείαζαν αυτές τις προσεγγίσεις σπάνια αποκάλυπταν τις μακροπρόθεσμες στατιστικές προσδοκίες τους· περιορίζονταν σε διαβεβαιώσεις ότι, αν ακολουθηθεί ο τάδε ή ο δείνα κανόνας, θα υπάρξει δυνατότητα κέρδους. Επειδή τα κέρδη και οι ζημίες της αγοράς ακολουθούν στατιστική κατανομή, πάντα υπήρχαν κάποιοι που απέδιδαν την καλή τους τύχη σε αυτές τις προσεγγίσεις. Παράλληλα, γύρω από αυτές τις μεθόδους αναπτύχθηκε μια ολόκληρη βιομηχανία, αφού μαθαίνονταν εύκολα. Δυστυχώς, πολλοί πίστεψαν ότι μπορούσαν να κερδίσουν εφαρμόζοντας καλύτερα από τους άλλους τακτικές που χρησιμοποιούσαν όλοι, και το αποτέλεσμα ήταν μια τεράστια μεταφορά πλούτου από αυτούς τους αφελείς traders προς τους market makers και άλλους καλά ενημερωμένους επαγγελματίες.
Στις αρχές της δεκαετίας του 1990, ορισμένοι ειδικοί της αγοράς διαπίστωσαν ότι πλήθος ιδιωτών traders συναλλασσόταν με αυτές τις απλοϊκές τακτικές. Κάποιοι έφτιαξαν αλγορίθμους και έμπειρα συστήματα AI που προέβλεπαν τους σχηματισμούς και έπαιρναν αντίθετες θέσεις, δημιουργώντας μεταβλητότητα που οι ιδιώτες traders, γνωστοί και ως «αδύναμα χέρια», δεν άντεχαν. Σε ευρύτερο επίπεδο, η αποτυχία της παραδοσιακής τεχνικής ανάλυσης μπορεί να αποδοθεί στην εξάλειψη της ισχυρής σειριακής συσχέτισης από τις αγορές από τη δεκαετία του 1990 και μετά. Κυρίως η ισχυρή σειριακή συσχέτιση έδινε την ψευδή εντύπωση ότι οι μέθοδοι αυτές ήταν αποτελεσματικές. Με ελάχιστες εξαιρέσεις, οι αγορές σήμερα τείνουν προς επαναφορά στον μέσο όρο, καθιστώντας τα απλά εργαλεία τεχνικής ανάλυσης άχρηστα. Αντίθετα, ορισμένα εργαλεία ποσοτικής τεχνικής ανάλυσης, όπως τα μοντέλα mean reversion και στατιστικού arbitrage, καθώς και οι αλγόριθμοι ML που αξιοποιούν χαρακτηριστικά με οικονομική αξία, συχνά λειτουργούν αποτελεσματικά.
Λόγω της μεγάλης ποικιλίας των μοντέλων και του ότι τα περισσότερα παραμένουν απόρρητα, αυτού του είδους το arbitrage δύσκολα θα επαναληφθεί στην περίπτωση της AI και του ML· όμως το θεμελιώδες πρόβλημα της νέας τεχνολογίας δεν είναι η μεροληψία επιβεβαίωσης, όπως στη συμβατική τεχνική ανάλυση, αλλά η μεροληψία εξόρυξης δεδομένων.
Η παρακολούθηση της αγοράς και το κοίταγμα των γραφημάτων, κατά τη γνώμη μου, ξεπερνιούνται. Το μέλλον του trading βρίσκεται στην επεξεργασία πληροφοριών σε πραγματικό χρόνο, στην ανάπτυξη μοντέλων και στην επικύρωσή τους. Το hedge fund του μέλλοντος δεν θα στηρίζεται στην ανάλυση γραφημάτων. Κάποιοι συνεχίζουν να το κάνουν επειδή βρίσκονται σε ένα σταυροδρόμι όπου οι παλιοί τρόποι συγκρούονται με τους νέους. Πολλοί traders που δεν είναι εξοικειωμένοι με την AI θα δυσκολευτούν να ανταγωνιστούν στο μέλλον και θα αποχωρήσουν.
4. Οι νικητές και οι ηττημένοι της νέας τεχνολογίας trading
Η χρήση της τεχνητής νοημοσύνης θα φέρει επανάσταση στο trading με πολλούς τρόπους, και αυτό ήδη συμβαίνει. Οι επενδυτές μπορεί σύντομα να ανακαλύψουν ότι, μόλις τελειώσει η τρέχουσα τάση που δημιούργησε η ποσοτική χαλάρωση, οι μεσοπρόθεσμες αποδόσεις θα είναι πολύ χαμηλότερες από τις αναμενόμενες. Αν συμβεί αυτό, οι επενδυτές θα αναγκαστούν να καταφύγουν στην παραδοσιακή μέθοδο: την αναζήτηση ενός ικανού χρηματοοικονομικού συμβούλου που θα προτείνει μια σύνθεση χαρτοφυλακίου και θα επιλέξει μετοχές με προοπτικές ανόδου. Σε ορισμένες περιπτώσεις, ο σύμβουλος θα είναι ένα πρόγραμμα τεχνητής νοημοσύνης και η διαδικασία θα γίνεται διαδικτυακά.
Οι traders πρέπει να εξοικειωθούν με τη νέα τεχνολογία. Οι περισσότεροι παλεύουν ακόμη με ξεπερασμένες προσεγγίσεις, ελπίζοντας ότι το «buy the dip» θα συνεχίσει να λειτουργεί και να αποφέρει κέρδη για μερικά χρόνια ακόμη.
Ένα από τα προβλήματα είναι ο ηθικός κίνδυνος που καλλιέργησε η κεντρική τράπεζα με την άμεση στήριξη των χρηματοπιστωτικών αγορών τα προηγούμενα οκτώ χρόνια. Πολλοί traders και επενδυτές πιστεύουν πλέον ότι οι bear markets είναι αδύνατες, γιατί η κεντρική τράπεζα θα είναι εκεί για να μεταφέρει τις ζημίες τους σε όλους τους άλλους, αφήνοντάς τους τα κέρδη. Ως εκ τούτου, η πλειονότητα των συμμετεχόντων στην αγορά είναι απροετοίμαστη για την επόμενη μεγάλη αλλαγή καθεστώτος και μπορεί να υποστεί καταστροφικές απώλειες.
Υπάρχουν πολλές διαδικτυακές πηγές για την εκμάθηση του machine learning, της τεχνητής νοημοσύνης και του trading. Ο καλύτερος τρόπος μάθησης είναι να καταπιαστεί κανείς με μερικά πρακτικά προβλήματα. Πιστεύω ωστόσο ότι οι περισσότεροι traders δεν θα καταφέρουν να προσαρμοστούν. Ο συνδυασμός δεξιοτήτων που απαιτείται για την κατανόηση και την αξιοποίηση της AI αποκλείει το 95 τοις εκατό των traders που έχουν συνηθίσει να τραβούν γραμμές στα γραφήματα και να παρακολουθούν κινητούς μέσους όρους.
Οι επενδυτές θα πρέπει να κάνουν τη δική τους έρευνα και να ζητούν τη συμβουλή ενός επαγγελματία χρηματοοικονομικού συμβούλου που γνωρίζει αυτές τις νέες εξελίξεις. Κάθε επενδυτής έχει μοναδικό προφίλ αποστροφής κινδύνου, οπότε είναι αδύνατο να δοθούν γενικές συστάσεις. Σύντομα θα υπάρξει πληθώρα robo-advisors, και η επιλογή ενός που να καλύπτει συγκεκριμένες ανάγκες και στόχους ίσως αποδειχθεί δύσκολη.
Όποιος δεν είναι εξοικειωμένος με το ML και την AI και τις εφαρμογές τους στο trading και τις επενδύσεις, ίσως ωφεληθεί περισσότερο αν απευθυνθεί σε έναν επαγγελματία με γνώση του αντικειμένου, αντί να ξεκινήσει διαβάζοντας βιβλία και άρθρα — κάτι που μπορεί να γίνει όταν κατακτηθούν τα βασικά.