1. Общее влияние искусственного интеллекта и машинного обучения на трейдинг
Искусственный интеллект (ИИ) позволяет машинам занимать место людей. В 1980-х годах на переднем крае исследований ИИ находились экспертные системы и нечеткая логика. По мере удешевления вычислительных мощностей использование машин для решения масштабных задач оптимизации стало экономически оправданным. Благодаря прогрессу в аппаратном и программном обеспечении ИИ сегодня сосредоточен на нейронных сетях и других методах обучения, позволяющих выявлять и анализировать предикторы — их также называют признаками или факторами, — которые обладают экономической ценностью и в сочетании с классификаторами позволяют строить прибыльные модели. Такое применение ИИ часто называют машинным обучением (ML).
Методологии построения торговых стратегий на основе ИИ — как на коротких таймфреймах, так и для долгосрочных инвестиций — набирают популярность, и несколько хедж-фондов особенно активны в этой области. Однако массовое внедрение новой технологии идет медленно по целому ряду причин, главная из которых в том, что ИИ требует вложений в новые инструменты и человеческую экспертизу. Большинство фондов используют фундаментальный анализ — именно его управляющие изучают в программах MBA. Хедж-фондов, полагающихся исключительно на искусственный интеллект, немного. И хотя применение ИИ среди частных трейдеров растет, большинство по-прежнему опирается на методы, появившиеся в середине двадцатого века, вроде классического технического анализа: они просты в освоении и использовании.
Важно отметить, что ИИ и ML применяются не только в разработке торговых стратегий, но и, например, в построении алгоритмов поиска ликвидности и в рекомендациях портфелей клиентам. В результате по мере распространения ИИ-приложений число людей, участвующих в торговых и инвестиционных решениях, сокращается, что отражается на рынках и движении цен. Пока рано рассуждать о совокупных последствиях этой новой технологии для отрасли, но повсеместное применение ИИ может привести к более эффективным рынкам с низкой волатильностью на длительных отрезках, сменяющейся периодическими всплесками волатильности из-за смены рыночных режимов. Это возможно потому, что влияние субъективной интерпретации информации человеком снизится, как и связанный с ней шум. Впрочем, это еще предстоит доказать на практике.
2. Влияние ИИ и машинного обучения на генерацию альфы
У тех, кто понимает технологию ИИ и умеет управлять ее рисками, будет преимущество на ранних этапах ее внедрения. Одна из проблем торговых методов на основе ИИ в том, что они могут выдавать модели хуже случайных. Попробую пояснить, что я имею в виду: классический технический анализ — проигрышная торговая стратегия, поскольку техники, основанные на графических паттернах и индикаторах, извлекают доход из распределения с нулевым средним еще до учета транзакционных издержек. Некоторые трейдеры закономерно оказываются в правом хвосте распределения, создавая ложное впечатление, будто эти стратегии обладают экономической ценностью. На рынках фьючерсов и Форекс долгосрочной прибыльности трудно добиться при любом подходе, потому что эти рынки устроены так, чтобы вознаграждать маркет-мейкеров. Однако по воле случая некоторые трейдеры могут за короткое время получить крупную прибыль на рынках с кредитным плечом. И затем они приписывают успех не удаче, а своей стратегии и таланту.
С ИИ и ML связаны и другие эффекты, например компромисс между смещением и дисперсией. Смещение из-за интеллектуального анализа данных (data-mining bias) может порождать методы, переобученные на исторических данных и не работающие на новых, либо слишком упрощенные техники, не улавливающие в данных ключевые сигналы, обладающие экономической ценностью. Этот компромисс приводит к тактикам хуже случайных и к отрицательной асимметрии распределения доходностей таких трейдеров еще до учета транзакционных издержек. В период после количественного смягчения это создает потенциал прибыли для крупных фондов и инвесторов. Но когда ИИ-трейдеры, работающие хуже случайного, будут вытеснены с рынка и останутся только обладатели надежных моделей, борьба за прибыль обострится. Пока рано предсказывать, кто победит в этом противостоянии — ИИ-трейдеры или крупные инвесторы.
Хочу также остановиться на распространенном заблуждении в этой области: некоторые считают, что ценность заключена в используемых алгоритмах ML. Это не так. Настоящая ценность — в применяемых предикторах, которые часто называют признаками или факторами. Алгоритмы ML не могут найти золото там, где его нет. Проблема в том, что большинство специалистов по ML используют одни и те же предикторы и пытаются итеративно строить модели, добиваясь наилучших результатов. Такой подход подрывается смещением из-за анализа данных и в итоге терпит неудачу. Словом, data-mining bias возникает из рискованной практики многократного использования одних и тех же данных со множеством моделей до тех пор, пока результаты на обучающей и тестовой выборках не станут удовлетворительными. По моим исследованиям в этой области, если простой классификатор, например бинарная логистическая регрессия, плохо работает с данным набором предикторов, велика вероятность, что экономической ценности здесь нет. Поэтому успех зависит от инжиниринга признаков — это одновременно наука и искусство, требующие знаний, опыта и вдохновения, чтобы придумывать признаки с экономической ценностью, и способна на это лишь крошечная доля специалистов.
3. Влияние искусственного интеллекта и машинного обучения на технический анализ
Нужно различать классический и количественный технический анализ, поскольку к этой категории относятся все подходы, опирающиеся на анализ рядов цен и объемов. Традиционный технический анализ — графические паттерны, простые индикаторы, теории прайс-экшен и тому подобное — был неэффективен с самого начала. За исключением нескольких несовершенных инициатив ограниченного масштаба, публикации, расхваливающие эти подходы, редко раскрывали их долгосрочные статистические ожидания, ограничиваясь заверениями, что при соблюдении того или иного правила появится потенциал прибыли. Поскольку рыночные прибыли и убытки подчиняются статистическому распределению, всегда находились те, кто приписывал свою удачу этим методам. Одновременно вокруг них выросла целая индустрия — ведь осваивались они легко. К сожалению, многие поверили, что смогут заработать, лучше других применяя тактики, которыми пользовались все, и результатом стал колоссальный переток богатства от этих наивных трейдеров к маркет-мейкерам и другим хорошо информированным профессионалам.
В начале 1990-х некоторые специалисты по рынкам обнаружили, что огромное число розничных трейдеров торгует по этим незамысловатым тактикам. Кто-то построил алгоритмы и экспертные ИИ-системы, предсказывающие формации и торгующие против них, создавая волатильность, которую розничные трейдеры, известные как «слабые руки», выдержать не могли. В более широком смысле провал традиционного технического анализа можно связать с исчезновением сильной серийной корреляции с рынков начиная с 1990-х годов. Именно сильная серийная корреляция создавала ложное впечатление, будто эти методы работают. За редкими исключениями современные рынки возвращаются к среднему, что делает простые инструменты технического анализа бесполезными. Зато некоторые инструменты количественного технического анализа — модели возврата к среднему и статистического арбитража, а также алгоритмы ML, эксплуатирующие признаки с экономической ценностью, — зачастую работают эффективно.
Из-за широкого разнообразия моделей и того, что большинство из них держится в секрете, подобный арбитраж вряд ли повторится в случае ИИ и ML; однако фундаментальная проблема новой технологии — не склонность к подтверждению своей точки зрения, как в классическом теханализе, а смещение из-за интеллектуального анализа данных.
Наблюдение за рынком и разглядывание графиков, на мой взгляд, устаревает. Будущее трейдинга — за обработкой информации в реальном времени, разработкой моделей и их валидацией. Хедж-фонд будущего не будет полагаться на анализ графиков. Некоторые продолжают это делать, потому что стоят на распутье, где старые методы сталкиваются с новыми. Многим трейдерам, незнакомым с ИИ, будет трудно конкурировать в будущем, и они уйдут с рынка.
4. Победители и проигравшие новой торговой технологии
Использование искусственного интеллекта революционизирует трейдинг во многих отношениях, и это уже происходит. Инвесторы вскоре могут обнаружить, что после завершения нынешнего тренда, созданного количественным смягчением, среднесрочная доходность окажется куда ниже ожиданий. Если это произойдет, инвесторам придется вернуться к традиционному способу — поиску грамотного финансового консультанта, который порекомендует состав портфеля и отберет акции с потенциалом роста. В некоторых случаях таким консультантом будет программа искусственного интеллекта, а вся процедура пройдет онлайн.
Трейдерам необходимо знакомиться с новой технологией. Большинство все еще бьется с устаревшими подходами, надеясь, что «покупай на просадке» продолжит работать и приносить прибыль еще несколько лет.
Одна из проблем — моральный риск, взращенный центральным банком за последние восемь лет прямой поддержки финансовых рынков. Многие трейдеры и инвесторы теперь считают, что медвежьи рынки невозможны: центральный банк, мол, всегда будет рядом, чтобы переложить их убытки на всех остальных, оставив им прибыль. В результате большинство участников рынка не готово к следующей крупной смене рыночного режима и может понести катастрофические потери.
Существует множество онлайн-ресурсов для изучения машинного обучения, искусственного интеллекта и трейдинга. Лучший способ научиться — разобрать несколько практических задач. Однако, полагаю, большинство трейдеров адаптироваться не сможет. Сочетание навыков, необходимых для понимания и применения ИИ, отсеивает 95 процентов трейдеров, привыкших чертить линии на графиках и следить за скользящими средними.
Инвесторам стоит проводить собственные исследования и обращаться за советом к профессиональному финансовому консультанту, разбирающемуся в этих новшествах. У каждого инвестора уникальный профиль отношения к риску, поэтому давать универсальные рекомендации невозможно. Скоро появится изобилие робо-эдвайзеров, и выбрать того, кто отвечает конкретным требованиям и целям, может оказаться непросто.
Тем, кто незнаком с ML и ИИ и их применением в трейдинге и инвестициях, полезнее обратиться к сведущему в этой области профессионалу, чем сразу погружаться в чтение книг и статей, — к нему можно перейти, когда основы будут усвоены.