1. De algemene impact van kunstmatige intelligentie en machine learning op trading
Kunstmatige intelligentie (AI) stelt machines in staat om de plaats van mensen in te nemen. In de jaren tachtig stonden expertsystemen en fuzzy logic voorop in het AI-onderzoek. Doordat rekenkracht steeds goedkoper werd, werd het economisch haalbaar om machines in te zetten voor grootschalige optimalisatieproblemen. Dankzij de vooruitgang in hardware en software richt AI zich tegenwoordig op neurale netwerken en andere leermethoden om voorspellers — ook wel features of factoren genoemd — te identificeren en te analyseren die economische waarde hebben en samen met classifiers kunnen worden gebruikt om winstgevende modellen te ontwikkelen. Dit type AI-toepassing wordt vaak machine learning (ML) genoemd.
Methodieken om op AI gebaseerde handelsstrategieën te bouwen, zowel voor korte tijdsbestekken als voor beleggen op langere termijn, winnen aan populariteit, en een handvol hedgefondsen is op dit terrein bijzonder actief. Toch verloopt de brede adoptie van deze nieuwe technologie traag, om uiteenlopende redenen. De belangrijkste: AI vergt investeringen in nieuwe tools en in menselijke expertise. De meeste fondsen gebruiken fundamentele analyse, omdat dat is wat managers tijdens hun MBA-opleiding bestuderen. Hedgefondsen die volledig op kunstmatige intelligentie leunen, zijn er nauwelijks. Hoewel het gebruik van AI onder particuliere beleggers toeneemt, blijft het merendeel van de traders vertrouwen op methoden uit het midden van de twintigste eeuw, zoals de klassieke technische analyse — simpelweg omdat die makkelijk te begrijpen en toe te passen zijn.
Belangrijk om te vermelden is dat AI en ML ook buiten het ontwikkelen van handelsstrategieën worden ingezet, bijvoorbeeld voor het bouwen van algoritmes die liquiditeit opsporen en het aanbevelen van portefeuilles aan klanten. Naarmate AI-toepassingen terrein winnen, neemt het aantal mensen dat betrokken is bij handels- en beleggingsbeslissingen dus af, wat gevolgen heeft voor de markten en de prijsbewegingen. Het is te vroeg om te speculeren over de totale gevolgen van deze nieuwe technologie voor de sector, maar grootschalig AI-gebruik kan leiden tot efficiëntere markten met langdurig lage volatiliteit, afgewisseld met periodieke volatiliteitspieken als gevolg van regimewisselingen. Dat is denkbaar omdat de invloed van subjectieve menselijke interpretatie van informatie zal afnemen, net als de bijbehorende ruis. Maar dat moet in de praktijk nog blijken.
2. De impact van AI en machine learning op het genereren van alfa
Wie de AI-technologie begrijpt en weet hoe je de gevaren ervan beheerst, heeft een kans tijdens de vroege fasen van de adoptie. Een probleem van op AI gebaseerde handelsmethoden is dat ze modellen kunnen opleveren die slechter zijn dan willekeur. Ik zal proberen uit te leggen wat ik bedoel: klassieke technische analyse is een verliezende handelsstrategie, omdat technieken op basis van grafiekpatronen en indicatoren hun opbrengsten halen uit een verdeling met een gemiddelde van nul, nog vóór aftrek van transactiekosten. Sommige traders bevinden zich nu eenmaal in de rechterstaart van de verdeling, wat de onterechte indruk wekt dat deze strategieën economische waarde hebben. Op de futures- en valutamarkten is winstgevendheid op langere termijn moeilijk te bereiken, ongeacht de aanpak, omdat deze markten zijn ingericht om market makers te belonen. Door toeval kunnen sommige traders in markten met hefboomwerking echter in korte tijd grote winsten boeken. Vervolgens schrijven die traders hun succes niet toe aan geluk, maar aan hun strategie en talent.
Bij AI en ML komen daar nog effecten bij, zoals de afweging tussen bias en variantie. Datamining-bias kan leiden tot methoden die overfit zijn op historische data en falen op nieuwe data, of tot technieken die te simplistisch zijn en cruciale signalen met economische waarde in de data missen. Deze afweging levert tactieken op die slechter zijn dan willekeur, en een negatieve scheefheid in de rendementsverdeling van deze traders — nog voordat de transactiekosten zijn meegerekend. In de periode na de kwantitatieve verruiming schept dit winstpotentieel voor grote fondsen en beleggers. Maar zodra de AI-traders die slechter presteren dan willekeur uit de markt zijn gedrukt en alleen degenen met solide modellen overblijven, zal de concurrentie om de winst verhevigen. Het is te vroeg om te voorspellen of AI-traders of grote beleggers deze strijd zullen winnen.
Ik wil ook een veelvoorkomend misverstand in dit vakgebied aankaarten: sommigen denken dat de waarde in de gebruikte ML-algoritmes zit. Dat klopt niet. De werkelijke waarde zit in de gebruikte voorspellers, vaak features of factoren genoemd. ML-algoritmes kunnen geen goud vinden waar geen goud is. Een probleem is dat de meeste ML-specialisten dezelfde voorspellers gebruiken en iteratief modellen proberen te bouwen om de beste resultaten te behalen. Die werkwijze wordt ondermijnd door datamining-bias en loopt uiteindelijk stuk. Kort gezegd ontstaat datamining-bias uit de riskante gewoonte om data met veel modellen te hergebruiken totdat de resultaten in de trainings- en teststeekproeven bevredigend zijn. Volgens mijn onderzoek op dit gebied geldt: als een eenvoudige classifier, zoals binaire logistische regressie, niet goed werkt met een gegeven set voorspellers, is de kans groot dat er geen economische waarde is. Succes hangt dus af van feature engineering — zowel wetenschap als kunst, waarvoor kennis, ervaring en inspiratie nodig zijn om features met economische waarde te bedenken. Slechts een klein deel van de experts is daartoe in staat.
3. De impact van kunstmatige intelligentie en machine learning op technische analyse
We moeten onderscheid maken tussen klassieke en kwantitatieve technische analyse, aangezien alle benaderingen die steunen op de analyse van prijs- en volumereeksen onder deze categorie vallen. Traditionele technische analyse — grafiekpatronen, basisindicatoren, price-actiontheorieën en dergelijke — was om te beginnen al ineffectief. Op een paar gebrekkige initiatieven van beperkte omvang na maakten publicaties die deze benaderingen aanprezen zelden hun statistische verwachtingen op langere termijn bekend; ze boden slechts de verzekering dat het volgen van deze of gene regel winstpotentieel zou opleveren. Omdat winsten en verliezen op de markt een statistische verdeling volgen, zijn er altijd mensen geweest die hun meevallers aan deze benaderingen toeschreven. Tegelijkertijd ontstond er een complete industrie rond deze werkwijzen, omdat ze makkelijk aan te leren waren. Helaas geloofden velen dat ze konden winnen door beter te zijn in tactieken die iedereen gebruikte, met als gevolg een enorme welvaartsoverdracht van deze naïeve traders naar market makers en andere goed geïnformeerde professionals.
Begin jaren negentig ontdekten enkele marktspecialisten dat een groot aantal particuliere traders met deze simpele tactieken handelde. Sommigen bouwden algo's en AI-expertsystemen om formaties te voorspellen en er vervolgens tegenin te handelen, wat volatiliteit veroorzaakte die particuliere traders — ook wel „zwakke handen" genoemd — niet aankonden. In bredere zin is het falen van de traditionele technische analyse terug te voeren op het verdwijnen van de sterke seriële correlatie uit de markten vanaf de jaren negentig. Het was vooral die sterke seriële correlatie die de valse indruk wekte dat deze werkwijzen effectief waren. Op een paar uitzonderingen na keren de markten tegenwoordig terug naar het gemiddelde, waardoor eenvoudige technische-analysetools nutteloos zijn geworden. Sommige kwantitatieve tools daarentegen, zoals mean-reversion- en statistische-arbitragemodellen, en ML-algoritmes die features met economische waarde benutten, werken vaak wél effectief.
Door de grote verscheidenheid aan modellen en het feit dat de meeste geheim worden gehouden, zal dit soort arbitrage zich bij AI en ML waarschijnlijk niet herhalen. Maar het fundamentele probleem van deze nieuwe technologie is niet confirmation bias, zoals bij klassieke technische analyse, maar datamining-bias.
De markt in de gaten houden en naar grafieken turen wordt naar mijn mening achterhaald. De toekomst van trading draait om realtime-informatieverwerking, modelontwikkeling en validatie. Het hedgefonds van de toekomst zal niet leunen op grafiekanalyse. Sommigen blijven het doen omdat ze op een kruispunt staan waar oude methoden botsen met nieuwe. Veel traders die AI niet kennen, zullen in de toekomst moeite hebben om te concurreren en zich terugtrekken.
4. De winnaars en verliezers van de nieuwe handelstechnologie
Het gebruik van kunstmatige intelligentie zal trading op allerlei manieren revolutionair veranderen, en dat gebeurt al. Beleggers zouden binnenkort weleens kunnen ontdekken dat de rendementen op middellange termijn veel lager uitvallen dan verwacht zodra de huidige, door QE gecreëerde trend eindigt. Als die situatie zich voordoet, zullen beleggers moeten terugvallen op de traditionele methode: een kundige financieel adviseur zoeken die een portefeuillemix kan aanbevelen en aandelen kan selecteren die in waarde zullen stijgen. In bepaalde gevallen zal die adviseur een AI-programma zijn en verloopt de procedure online.
Traders moeten vertrouwd raken met deze nieuwe technologie. De meesten worstelen nog met verouderde benaderingen, in de hoop dat „buy the dip" nog een paar jaar blijft werken en winst oplevert.
Een van de problemen is het morele risico dat de centrale bank de afgelopen acht jaar heeft gevoed met directe steun aan de financiële markten. Veel traders en beleggers geloven inmiddels dat bearmarkten onmogelijk zijn, omdat de centrale bank er toch wel zal zijn om hun verliezen op alle anderen af te wentelen terwijl zij hun winsten houden. Daardoor is de meerderheid van de marktpartijen niet voorbereid op de volgende grote regimewisseling en kan zij catastrofale verliezen lijden.
Er zijn tal van online bronnen om machine learning, kunstmatige intelligentie en trading te leren. De beste manier om te leren is een paar praktijkgevallen aan te pakken. Ik denk echter dat de meeste traders zich niet zullen kunnen aanpassen. De combinatie van vaardigheden die nodig is om AI te begrijpen en in te zetten, schakelt 95% uit van de traders die gewend zijn lijnen op grafieken te trekken en voortschrijdende gemiddelden te volgen.
Beleggers doen er goed aan zelf onderzoek te doen en advies in te winnen bij een professionele financieel adviseur die op de hoogte is van deze nieuwe ontwikkelingen. Elke belegger heeft een uniek risicoprofiel, waardoor algemene aanbevelingen onmogelijk zijn. Binnenkort zal er een overvloed aan robo-adviseurs zijn, en er een kiezen die aansluit bij specifieke eisen en doelen kan lastig blijken.
Wie ML en AI en hun toepassingen in trading en beleggen niet kent, heeft er waarschijnlijk meer aan om een deskundige professional te raadplegen dan om meteen aan boeken en artikelen te beginnen — dat kan altijd nog zodra de basis is gelegd.