Любовь, инвестиции и роботы. Можно ли доверить инвестирование искусственному интеллекту?

Привет, на связи БЕТА. Разбираемся, можно ли делегировать высокорисковую работу машине, и как устроена такая практика.

Долгое время инвестиции были делом образованной кучки людей, которая умела в фундаментальный анализ, понимала зависимости рынка и имела хорошую интуицию, куда стоит вкладывать, а куда нет. Один знакомый инвестор рассказал, что они работают, как правило, с одной сферой, в механике которой хорошо разбираются. И на это ушли годы.

А теперь вопрос. Можно ли такую высокорисковую деятельность делегировать искусственному интеллекту?

В одной из прошлых статей мы показали, что искусственный интеллект в промышленности – всегда кастомная история. УТП не бывает готовым, а если бывает – то это уже не УТП, а отраслевой стандарт. Но одно дело – трансформировать промышленные процессы и обучать алгоримы понятным, как минимум в рамках предприятия, правилам. Другое – охватить искусственным интеллектом законы целой сферы. А заодно и всего значимого, что может эти законы пошатнуть.

Оказывается, это уже реальность.

Весь ХХ век рынок расширялся, появлялись новые сектора, компании, и количество информации, которое нужно было анализировать инвестору, росло в геометрической прогрессии. Теперь, чтобы ответить на базовый инвестиционный вопрос «что делать?» (покупать/продавать/ничего не делать) нужно проанализировать много(очень много!)факторную модель. Понятно, что в какой-то момент человеку-инвестору стало очень сложно жить, и на помощь пришли машины.

ИИ анализирует огромные массивы исторических данных для того, чтобы сказать, как лучше всего действовать сейчас. Например, машина может сказать:

«Если цены на нефть падают на протяжении 17 дней подряд на >0,5% ежедневно, то на 18 день начинают расти акции компаний, которые занимаются зелёными технологиями и работают более 2 лет с ежемесячным оборотом от 500 тыс.$. Вот список этих компаний».

Проще говоря, искусственный интеллект в инвестировании — это алгоритм, который цифрами описывает задуманную человеком инвестиционную стратегию.

Такие хедж-фонды как D. E. Shaw, Two Sigma, AlphaSimplex Group разрабатывают и используют собственные авторские алгоритмы для аналитики и торговли.

При этом индивидуальным инвесторам доступны роботизированные инвестиционные советники, такие как, например, Wealthfront или Betterment, которые не только проводят аналитику в рамках выбранной стратегии, но и автоматизируют сам процесс инвестирования. Для небольших количественных хедж-фондов также существует ПО для алгоритмического трейдинга, например AlgoTrader, который позволяет автоматизировать сложные количественные торговые стратегии на рынках акций, форекс и деривативов.

Любой инвестиционный процесс состоит из сбора данных, анализа/интерпретации данных и разработки инвестиционной стратегии. Машина в своём развитии прошла от самого простого (сбора) до возможности формировать стратегию и инвестиционный портфель.

1. Сбор данных. Человек задаёт параметры: «Мне нужен список всех латиноамериканских компаний, производящих шоколад, с такими-то операционными расходами, такой-то ежемесячной прибылью, которые поставляют продукцию в ЕС и СНГ». Анализируя массивы данных по заданным параметрам, машина очень быстро выдаёт готовый список.

2. Анализ данных. Это интерпретация данных относительно заданной стратегии, как вышеприведённых пример с нефтью/зелёными технологиями.

3. Разработка стратегии. Стратегия – вектор, относительно которого инвестор ищет прибыль. Этот вектор описывается параметрами, на которые стоит обратить внимание, инвестиционными активами, с которыми стоит работать, факторами, на которые нужно обратить внимание и вариантами действий, которые можно предпринять. Часть этих вещей машина может делать самостоятельно, для части – нужен человек.

Вопрос 1. Интерпретация текстов.

Допустим, машина следит за работой некоторой компании, у которой хорошие показатели. В какой-то момент стоимость акций компании резко снижается, машина рекомендует их покупать, прогнозируя восстановление цены в течение нескольких дней (ибо так уже было раньше, а машина ориентируется на прошлый опыт). При этом новости говорят о том, что страна, под юрисдикцией которой работает основной покупатель продукции анализируемой компании, запретила импорт этой продукции на 5 лет. То есть дела у компании долгосрочно плохи, а машина не может проследить данной взаимосвязи. Сейчас NLP технологии и машинное обучение помогают лучше интерпретировать тексты и выявлять взаимосвязи из новостей. Но технологии здесь ещё далеки до идеала, поэтому нужна проверка человеком.

Вопрос 2. Один из базовых законов инвестирования гласит: прошлые результаты не гарантируют будущих.

ИИ в своём анализе исходит из того, что уже было. Она говорит: «это сработало раньше, сейчас ситуация аналогична, значит будет так же». Но нет. Рынок динамичен, и иногда появляются ситуации, которых не было раньше, в этом случае машине неоткуда брать данные и проводить анализ правильно. В таких ситуациях решение принимает человек, или как минимум он не позволяет машине принять неправильное решение.

Вопрос 3. Flash Crash.

̶Мг̶н̶о̶в̶е̶н̶н̶ы̶й̶ ̶к̶а̶п̶е̶ц̶ . Не контролируемые человеком алгоритмы могут сработать одинаково и одномоментно, сформировав рыночную панику и вызвав эффект домино.

Например, инвестиционный алгоритм настроен таким образом, что если акции некоторой компании доросли до определённой суммы, то их надо продавать (из прошлого опыта предполагается, что дальше они начнут дешеветь). Если алгоритм настроен аналогично у всех инвесторов, которые следят за данной компанией, то одновременная продажа акций вызовет очень резкое падание их цены. Тогда продавать начнут все, опасаясь полного краха акций. В итоге компания, у которой с экономической точки зрения всё хорошо, может оказаться банкротом лишь потому, что так были настроены торговые алгоритмы. История знает несколько таких примеров, повлиявших на глобальную экономику.

Резюмируя, можно сказать, что инвестиции – это та сфера, где сейчас наблюдается гармоничный симбиоз естественного и искусственного интеллекта. Машина берёт на себя рутинную и трудозатратную аналитическую работу, делая её быстро и эффективно.