1. Загальний вплив штучного інтелекту та машинного навчання на трейдинг
Штучний інтелект (ШІ) дозволяє машинам заступати людей. У 1980-х на передовій досліджень ШІ були експертні системи й нечітка логіка. Зі здешевленням обчислювальних потужностей використання машин для розвʼязання масштабних оптимізаційних задач стало економічно доцільним. У результаті прогресу апаратного й програмного забезпечення штучний інтелект нині зосереджений на використанні нейронних мереж та інших методів навчання для виявлення й аналізу предикторів — їх ще називають ознаками або факторами, — що мають економічну цінність і можуть використовуватися з класифікаторами для побудови прибуткових моделей. Такий тип застосування ШІ часто називають машинним навчанням (ML).
Використання методологій побудови торгових стратегій на основі ШІ — і на коротких часових проміжках, і для довгострокових інвестицій — набирає популярності, і кілька хедж-фондів особливо активні в цій темі. Проте масове впровадження цієї нової технології йде повільно через низку чинників, найважливіший з яких — те, що ШІ вимагає інвестицій у нові інструменти й людську експертизу. Більшість фондів застосовує фундаментальний аналіз, адже саме його менеджери вивчають на своїх програмах MBA. Хедж-фондів, які покладаються суто на штучний інтелект, небагато. Хоча застосування ШІ в роздрібному сегменті зростає, більшість трейдерів і далі спирається на методи, запроваджені ще в середині двадцятого століття, як-от класичний технічний аналіз, — бо вони прості для розуміння й використання.
Важливо зазначити, що ШІ та ML застосовуються не лише в розробці торгових стратегій, а й у інших сферах — наприклад, у побудові алгоритмів пошуку ліквідності чи рекомендаціях портфелів клієнтам. Тож у міру поширення ШІ-застосунків кількість людей, залучених до торгових та інвестиційних рішень, зменшується, а це впливає на ринки й рух цін. Спекулювати про сукупні наслідки цієї нової технології для галузі поки зарано, але масове використання ШІ може призвести до ефективніших ринків із нижчою волатильністю впродовж тривалих періодів, за якими йтимуть епізодичні сплески волатильності через зміни режимів. Це можливо, адже вплив субʼєктивної людської інтерпретації інформації зменшиться, а разом із ним і повʼязаний шум. Утім, це ще має підтвердитися на практиці.
2. Вплив ШІ та машинного навчання на генерацію альфи
Ті, хто розуміє технологію ШІ та вміє працювати з її небезпеками, матимуть перевагу на ранніх етапах її впровадження. Одна з проблем торгових методів на основі ШІ полягає в тому, що вони можуть породжувати моделі, гірші за випадкові. Спробую пояснити, що маю на увазі: класичний технічний аналіз — програшна торгова стратегія, адже прибутки технік, заснованих на графічних патернах та індикаторах, походять із розподілу з нульовим середнім ще до врахування транзакційних витрат. Деякі трейдери зазвичай опиняються у правому хвості розподілу, створюючи хибне враження, ніби ці стратегії мають економічну цінність. Довгострокової прибутковості на фʼючерсних і валютних ринках досягти важко незалежно від підходу, адже ці ринки влаштовані так, щоб винагороджувати маркетмейкерів. Однак завдяки випадковості деякі трейдери можуть за короткий час отримати великі прибутки на ринках із кредитним плечем. І тоді ці трейдери приписують свій успіх стратегії й таланту, а не удачі.
Із ШІ та ML повʼязані й додаткові ефекти, як-от компроміс між зсувом і дисперсією. Зсув унаслідок майнінгу даних може породжувати методи, перенавчені на історичних даних, які провалюються на нових, або ж занадто спрощені техніки, що не вловлюють у даних важливих сигналів з економічною цінністю. Цей компроміс призводить до гірших за випадкові тактик і негативної асиметрії в розподілі прибутків таких трейдерів ще до врахування транзакційних витрат. У період після кількісного помʼякшення це створює потенціал прибутку для великих фондів та інвесторів. Але коли гірших за випадкових ШІ-трейдерів витисне з ринку й залишаться тільки ті, у кого міцні моделі, конкуренція за прибуток загостриться. Поки зарано прогнозувати, хто переможе в цій боротьбі — ШІ-трейдери чи великі інвестори.
Хочу також торкнутися поширеного непорозуміння в цій сфері: дехто вважає, що цінність — у самих ML-алгоритмах. Це не так. Справжня цінність — у використовуваних предикторах, які часто називають ознаками або факторами. ML-алгоритми не знайдуть золота там, де золота немає. Проблема в тому, що більшість ML-фахівців використовує ті самі предиктори й ітеративно намагається будувати моделі задля найкращих результатів. Цю техніку підточує зсув майнінгу даних, і зрештою вона провалюється. Словом, зсув майнінгу даних виникає з ризикованої практики багаторазового використання тих самих даних із багатьма моделями, аж поки результати на навчальній і тестовій вибірках не стануть задовільними. За моїми дослідженнями в цій сфері, якщо простий класифікатор, як-от бінарна логістична регресія, не працює ефективно із заданим набором предикторів, дуже ймовірно, що економічної цінності там немає. Відповідно, успіх залежить від інженерії ознак — це водночас наука й мистецтво, що вимагає знань, досвіду й натхнення, аби вигадувати ознаки з економічною цінністю, і лише невелика частка фахівців на це здатна.
3. Вплив штучного інтелекту й машинного навчання на технічний аналіз
Слід розрізняти класичний і кількісний технічний аналіз, адже до цієї категорії належать усі підходи, що спираються на аналіз рядів цін та обсягів. Традиційний технічний аналіз — графічні патерни, прості індикатори, теорії прайс-екшену тощо — був неефективним від самого початку. За винятком кількох недосконалих ініціатив обмеженого масштабу, публікації, що рекламували ці підходи, рідко розкривали їхні довгострокові статистичні очікування, натомість пропонуючи лише запевнення: дотримуйтеся того чи того правила — і буде потенціал прибутку. Оскільки ринкові прибутки й збитки підпорядковуються статистичному розподілу, завжди знаходилися ті, хто приписував свій успіх цим підходам. Водночас довкола цих методик виросла ціла індустрія, адже опанувати їх було просто. На жаль, багато хто вірив, що зможе заробити, краще за інших застосовуючи тактики, якими користувалися всі, — і наслідком став колосальний перерозподіл багатства від цих наївних трейдерів до маркетмейкерів та інших добре поінформованих професіоналів.
На початку 1990-х деякі фахівці ринку помітили, що велика кількість роздрібних трейдерів торгує за цими нехитрими тактиками. Дехто створив алгоритми та ШІ-експертні системи, які передбачали формування патернів і торгували проти них, породжуючи волатильність, з якою роздрібні трейдери — так звані слабкі руки — впоратися не могли. У ширшому сенсі крах традиційного технічного аналізу можна повʼязати зі зникненням сильної серійної кореляції з ринків, що почалося в 1990-х. Саме сильна серійна кореляція створювала хибне враження, ніби ці методики працюють. За кількома винятками, нинішні ринки схильні до повернення до середнього, що робить прості інструменти технічного аналізу неефективними. Проте деякі інструменти кількісного технічного аналізу — моделі повернення до середнього й статистичного арбітражу, а також ML-алгоритми, які використовують ознаки з економічною цінністю, — часто працюють ефективно.
Через велике розмаїття моделей і те, що більшість із них тримають у таємниці, подібний арбітраж навряд чи повториться у випадку ШІ та ML, але фундаментальна проблема цієї нової технології — не упередження підтвердження, як у класичному технічному аналізі, а зсув майнінгу даних.
Спостерігати за ринком і роздивлятися графіки, на мою думку, стає застарілою практикою. Майбутнє трейдингу — за обробкою інформації в реальному часі, розробкою й валідацією моделей. Хедж-фонд майбутнього не покладатиметься на аналіз графіків. Дехто досі це робить, бо перебуває на роздоріжжі, де старі способи стикаються з новими. Багатьом трейдерам, не знайомим із ШІ, буде важко конкурувати в майбутньому, і вони підуть з ринку.
4. Переможці й переможені нової торгової технології
Використання штучного інтелекту революціонізує трейдинг у багатьох аспектах, і це вже відбувається. Інвестори невдовзі можуть виявити, що коли нинішній тренд, створений кількісним помʼякшенням, завершиться, середньострокова дохідність виявиться значно нижчою за очікувану. Якщо так станеться, інвестори будуть змушені повернутися до традиційного способу — шукати вправного фінансового радника, який порекомендує структуру портфеля й добере активи, що зростатимуть у ціні. У деяких випадках цим радником буде програма штучного інтелекту, а процедура відбуватиметься онлайн.
Трейдерам необхідно знайомитися з цією новою технологією. Більшість і досі бʼється зі застарілими підходами, сподіваючись, що «купуй просадку» працюватиме й приноситиме прибуток ще кілька років.
Одна з проблем — моральний ризик, який плекав центральний банк прямою підтримкою фінансових ринків протягом попередніх восьми років. Багато трейдерів та інвесторів тепер вважають, що ведмежі ринки неможливі, бо центральний банк завжди буде поруч, щоб перекласти їхні збитки на всіх інших, зберігши їхні прибутки. У результаті більшість учасників ринку не готова до наступної великої зміни ринкового режиму й може зазнати катастрофічних втрат.
Існує чимало онлайн-ресурсів для вивчення машинного навчання, штучного інтелекту й трейдингу. Найкращий спосіб навчатися — розібрати кілька практичних кейсів. Утім, гадаю, більшість трейдерів не зможе адаптуватися. Комбінація навичок, потрібних для розуміння й упровадження ШІ, відсіює 95 відсотків трейдерів, які звикли малювати лінії на графіках і стежити за ковзними середніми.
Інвесторам варто проводити власні дослідження та звертатися по пораду до професійного фінансового консультанта, обізнаного з цими новими розробками. У кожного інвестора власний профіль ставлення до ризику, тож дати універсальні рекомендації неможливо. Невдовзі зʼявиться безліч робо-едвайзерів, і вибрати того, що відповідає конкретним вимогам і цілям, може виявитися непросто.
Тим, хто не знайомий із ML і ШІ та їх застосуванням у трейдингу й інвестуванні, може бути корисніше звернутися до фахівця, який знається на цій темі, ніж починати шлях із читання книжок і статей, — до них можна перейти, коли основи вже засвоєні.