1. Kunstig intelligens og maskinlærings generelle innvirkning på trading
Kunstig intelligens (AI) gjør det mulig for maskiner å ta menneskers plass. På 1980-tallet lå ekspertsystemer og fuzzy logic i front i AI-forskningen. Etter hvert som prisen på regnekraft falt, ble det økonomisk mulig å bruke maskiner til å løse store optimaliseringsproblemer. Takket være fremskritt innen maskinvare og programvare fokuserer AI i dag på nevrale nettverk og andre læringsmetoder for å identifisere og analysere prediktorer — også kalt features eller faktorer — som har økonomisk verdi og kan brukes sammen med klassifikatorer for å utvikle lønnsomme modeller. Denne typen AI-anvendelse omtales gjerne som maskinlæring (ML).
Metoder for å bygge AI-baserte handelsstrategier, både på korte tidshorisonter og for langsiktig investering, blir stadig mer populære, og noen få hedgefond er spesielt aktive på området. Likevel går den brede innføringen av denne nye teknologien tregt av flere grunner — den viktigste er at AI krever investeringer i nye verktøy og menneskelig ekspertise. De fleste fond bruker fundamental analyse, for det er det forvalterne lærer i MBA-studiene sine. Det finnes ikke mange hedgefond som utelukkende baserer seg på kunstig intelligens. Selv om AI-bruken blant privatpersoner øker, fortsetter flertallet av tradere å stole på metoder fra midten av det tjuende århundre, som klassisk teknisk analyse, fordi de er enkle å forstå og bruke.
Det er verdt å merke seg at AI og ML også brukes utenfor strategiutvikling, for eksempel til å bygge algoritmer som finner likviditet, og til å anbefale porteføljer til kunder. Etter hvert som AI-anvendelsene får fotfeste, synker dermed antallet mennesker som deltar i handels- og investeringsbeslutninger, noe som påvirker markedene og prisbevegelsene. Det er for tidlig å spekulere i de samlede konsekvensene av denne nye teknologien for bransjen, men utbredt bruk av AI kan gi mer effektive markeder med lav volatilitet over lange perioder, etterfulgt av periodiske volatilitetstopper som følge av regimeskifter. Det er mulig fordi innflytelsen fra menneskers subjektive tolkning av informasjon vil avta — og det samme vil den tilhørende støyen. Men dette gjenstår å bevise i praksis.
2. AI og maskinlærings innvirkning på alfa-generering
De som forstår AI-teknologien og vet hvordan de skal håndtere farene ved den, får en mulighet i de tidlige fasene av innføringen. Et problem med AI-baserte handelsmetoder er at de kan gi modeller som er dårligere enn tilfeldighet. La meg prøve å forklare hva jeg mener: Klassisk teknisk analyse er en tapende handelsstrategi, fordi teknikker basert på chartmønstre og indikatorer henter avkastningen sin fra en fordeling med gjennomsnitt lik null — før transaksjonskostnader i det hele tatt er trukket fra. Noen tradere havner naturlig i høyre hale av fordelingen, noe som gir det feilaktige inntrykket at disse strategiene har økonomisk verdi. I futures- og valutamarkedene er langsiktig lønnsomhet vanskelig å oppnå uansett tilnærming, fordi disse markedene er innrettet for å belønne market makere. Men takket være flaks kan enkelte tradere oppnå store gevinster i girede markeder på kort tid. Etterpå tilskriver disse traderne suksessen strategien og evnene sine — ikke flaksen.
Med AI og ML kommer det flere effekter i tillegg, som avveiningen mellom skjevhet og varians. Datamining-skjevhet kan gi metoder som er overtilpasset historiske data og feiler på nye data, eller teknikker som er for forenklede og ikke fanger opp de avgjørende signalene med økonomisk verdi i dataene. Denne avveiningen gir taktikker som er dårligere enn tilfeldighet, og en negativ skjevhet i avkastningsfordelingen til disse traderne, allerede før transaksjonskostnadene er regnet med. I perioden etter de kvantitative lettelsene skaper dette et gevinstpotensial for store fond og investorer. Men når AI-traderne som gjør det dårligere enn tilfeldighet, er presset ut av markedet og bare de med solide modeller står igjen, vil konkurransen om gevinstene hardne til. Det er for tidlig å forutsi om AI-traderne eller de store investorene vinner den kampen.
Jeg vil også ta opp en vanlig misforståelse på dette feltet: Noen mener at verdien ligger i ML-algoritmene som brukes. Det stemmer ikke. Den egentlige verdien ligger i prediktorene som benyttes, ofte kalt features eller faktorer. ML-algoritmer kan ikke finne gull der det ikke finnes gull. Et problem er at de fleste ML-spesialister bruker de samme prediktorene og prøver å bygge modeller iterativt for å oppnå best mulige resultater. Denne fremgangsmåten undergraves av datamining-skjevhet og mislykkes til slutt. Kort sagt oppstår datamining-skjevhet av den risikable praksisen med å gjenbruke data med mange modeller til resultatene i trenings- og testutvalgene er tilfredsstillende. Ifølge mine studier på feltet er det slik at hvis en enkel klassifikator, som binær logistisk regresjon, ikke fungerer godt med et gitt sett prediktorer, er det stor sannsynlighet for at det ikke finnes noen økonomisk verdi. Suksess avhenger derfor av feature engineering, som er både vitenskap og kunst og krever kunnskap, erfaring og inspirasjon for å komme opp med features som har økonomisk verdi — og bare en liten brøkdel av ekspertene klarer det.
3. Kunstig intelligens og maskinlærings innvirkning på teknisk analyse
Vi må skille mellom klassisk og kvantitativ teknisk analyse, siden alle tilnærminger som bygger på analyse av pris- og volumserier, hører inn under denne kategorien. Tradisjonell teknisk analyse — chartmønstre, enkle indikatorer, price action-teorier og lignende — var ineffektiv fra starten av. Bortsett fra noen få mangelfulle initiativer med begrenset omfang, oppga publikasjonene som fremhevet disse tilnærmingene, sjelden de langsiktige statistiske forventningene sine; i stedet nøyde de seg med forsikringer om at hvis man fulgte den ene eller andre regelen, ville det finnes gevinstpotensial. Fordi gevinster og tap i markedet følger en statistisk fordeling, har det alltid vært noen som tilskriver hellet sitt disse tilnærmingene. Samtidig vokste det frem en hel industri rundt metodene, siden de var lette å lære. Dessverre trodde mange at de kunne tjene penger på å være bedre til å bruke taktikker som alle andre også brukte, og resultatet ble en enorm formuesoverføring fra disse naive traderne til market makere og andre velinformerte profesjonelle.
Tidlig på 1990-tallet oppdaget noen markedsspesialister at et stort antall privattradere handlet med disse enkle taktikkene. Noen bygde algoer og AI-ekspertsystemer for å forutsi formasjonene og deretter handle imot dem, noe som skapte en volatilitet privattraderne — også kjent som svake hender — ikke taklet. I bredere forstand kan den tradisjonelle tekniske analysens fiasko spores tilbake til at den sterke serielle korrelasjonen forsvant fra markedene fra 1990-tallet av. Det var først og fremst den sterke serielle korrelasjonen som ga det falske inntrykket av at metodene virket. Med få unntak er markedene i dag mean-reverting, noe som gjør enkle tekniske analyseverktøy virkningsløse. Derimot fungerer enkelte kvantitative verktøy, som mean reversion- og statistiske arbitrasjemodeller, samt ML-algoritmer som utnytter features med økonomisk verdi, ofte effektivt.
På grunn av det store mangfoldet av modeller, og fordi de fleste holdes hemmelige, vil denne typen arbitrasje neppe gjenta seg med AI og ML. Men det grunnleggende problemet med den nye teknologien er ikke bekreftelsesskjevhet som i klassisk teknisk analyse — det er datamining-skjevhet.
Å følge med på markedet og stirre på charts er etter min mening i ferd med å bli utdatert. Fremtidens trading handler om informasjonsbehandling i sanntid, modellutvikling og validering. Fremtidens hedgefond kommer ikke til å basere seg på chartanalyse. Noen fortsetter med det fordi de står ved et veiskille der gamle metoder kolliderer med nye. Mange tradere som ikke kjenner AI, vil slite med å konkurrere i fremtiden og trekke seg ut.
4. Den nye handelsteknologiens vinnere og tapere
Bruken av kunstig intelligens vil revolusjonere trading på en rekke måter, og det skjer allerede. Investorer kan snart oppdage at når den nåværende trenden skapt av QE tar slutt, blir avkastningen på mellomlang sikt langt lavere enn forventet. Hvis denne situasjonen inntreffer, blir investorene tvunget tilbake til den tradisjonelle metoden: å finne en dyktig finansiell rådgiver som kan anbefale en porteføljesammensetning og velge aksjer som vil stige i verdi. I enkelte tilfeller vil rådgiveren være et AI-program, og prosessen vil foregå på nett.
Tradere må gjøre seg kjent med denne nye teknologien. De fleste sliter fortsatt med utdaterte tilnærminger og håper at «buy the dip» skal fortsette å virke og gi gevinster noen år til.
Et av problemene er den moralske risikoen sentralbanken har næret med direkte støtte til finansmarkedene de siste åtte årene. Mange tradere og investorer tror nå at bear-markeder er umulige, fordi sentralbanken vil være der for å velte tapene deres over på alle andre mens de selv beholder gevinstene. Dermed er flertallet av markedsaktørene uforberedt på det neste store regimeskiftet i markedet og kan lide katastrofale tap.
Det finnes en rekke nettressurser for å lære om maskinlæring, kunstig intelligens og trading. Den beste måten å lære på er å ta fatt på noen praktiske problemstillinger. Jeg tror likevel at de fleste tradere ikke vil klare omstillingen. Kombinasjonen av ferdigheter som kreves for å forstå og ta i bruk AI, luker ut 95 prosent av traderne som er vant til å tegne linjer på charts og følge med på glidende gjennomsnitt.
Investorer bør gjøre egne undersøkelser og søke råd hos en profesjonell finansiell rådgiver som kjenner disse nye utviklingstrekkene. Hver investor har en unik risikoprofil, noe som gjør det umulig å gi generelle anbefalinger. Snart vil det vrimle av robo-rådgivere, og det kan bli vanskelig å velge en som passer til spesifikke behov og mål.
For den som ikke kjenner ML og AI og bruken av dem i trading og investering, kan det være mer nyttig å kontakte en profesjonell med kunnskap på feltet enn å gi seg i kast med bøker og artikler — det kan man gjøre når det grunnleggende først sitter.