Как хедж-фонды используют искусственный интеллект

Следует ли вам доверять алгоритму ИИ делать опцион «колл» от вашего имени на $100 млн?

Это концепция, которой несколько хедж-фондов занимаются в течение нескольких лет. Поскольку искусственный интеллект продолжает доказывать свою эффективность во все большем числе отраслей, многие инвестиционные фирмы, являющиеся и зарождающимися, и старыми, начинают его использовать для принятия торговых решений — и они готовы делать ставку на огромное количество денег своих клиентов с его помощью.

В течение многих лет хедж-фонды использовали компьютерные алгоритмы для принятия торговых решений. Тем не менее эти алгоритмы были обусловлены статическими моделями, разработанными и управляемыми специалистами по обработке и анализу данных, и не были искусными в борьбе с волатильностью финансовых рынков. Решения, сделанные этими алгоритмами, давали результаты, которые часто уступали тем, которые были сделаны по усмотрению человека.

В последние годы с появлением машинного обучения и глубокого обучения (deep learning) отрасли ИИ вызвали прорыв в создании программного обеспечения и вовлекают новые инновации в вычислительную торговлю.

В отличие от традиционного программного обеспечения, которое опирается на предопределенные правила, заданные программистами, алгоритмы машинного обучения работают путем анализа огромных объемов данных и определения их собственных правил на основе шаблонов и соединений, которые они находят между разными точками данных. Программное обеспечение машинного обучения автономно обновляет себя, когда оно принимает новые данные.

Это подход помог создать системы, которые эффективны при анализе содержимого изображений и видео, понимания и перевода контекста устного и письменного языка, экономии энергии, диагностики рака и т. д. Многие считают, что эта же технология может трансформировать финансовые рынки.

Использование машинного обучения

Несколько хедж-фондов с Уолл-стрит стали привлекать возможности, которые эти алгоритмы саморегуляции могут обеспечить при применении к финансовой торговле. Примером может служить Man Group, один из крупнейших в мире хедж-фондов с $96 млрд под управлением. С 2014 года Man использует алгоритмы машинного обучения для принятия автономных торговых решений в своем AHL Dimension fund с очень положительными результатами.

Инженеры устанавливают предельные параметры для своих алгоритмов ML, предельные уровни ставок, классы активов и торговые затраты. Затем они предоставляют алгоритмы с данными и позволяют им обнаруживать шаблоны и корреляции, которые останутся незамеченными для аналитиков. Алгоритмы ML постоянно сравнивают новые данные с показателями прошлого опыта и пытаются угадать, как изменения будут развиваться в будущем. Человек применяет модель к быстрым торговым решениям, а также к обоснованным прогнозам в течение нескольких недель в будущем.

Доступность данных и вычислительных ресурсов — два основных требования алгоритмов машинного обучения, являются и основными факторами, которые позволяют Man Group и другим хедж-фондам использовать AI в своей торговле. Сегодня стоимость обработки мощности значительно снизилась. Man управляет собственным огромным центром обработки данных в Лондоне. Другие фирмы создают виртуальные центры обработки данных через облачных провайдеров, таких как Amazon, Microsoft и Google.

Более важным является взрыв в генерации данных и онлайн-сервисов, которые произошли в последние годы. По данным Deutsche Bank, в Интернете насчитывается один миллиард веб-сайтов, каждый год добавляется еще 100 миллионов. Существует более 500 экзабайт данных, причем более 90 % из них создано за последние два года. Внедренные в этом цифровом океане многочисленные публикации общедоступной информации, также называемые альтернативными данными, которые могут дополнять финансовые данные и способствовать принятию более эффективных торговых решений.

Это может включать широкий спектр типов данных, включая рабочие места, обсуждения в социальных сетях, спутниковые снимки, транзакции с использованием кредитных карт и данные, полученные с мобильных устройств. Эта информация позволяет аналитикам лучше прогнозировать, как будут вести себя акции.

Однако сбор и анализ всей этой неструктурированной информации выходит за рамки возможностей аналитиков. Альтернативные данные привели к появлению собственного рынка, с продавцами собирающими, очищающими и продающими эти данные инвестиционному сообществу. Некоторые хедж-фонды тратят миллионы долларов на получение ценных данных. По данным консалтинговой фирмы Tabb Group, расходы на альтернативные данные только в США достигнут $400 млн в ближайшие пять лет.

Алгоритмы машинного обучения обеспечивают возможность приведения всех этих неструктурированных данных в порядок. В инвестиционной фирме Point72 алгоритмы компьютерного зрения анализируют спутниковые изображения парковочных мест и объединяют их с геолокацией мобильного телефона, чтобы сообщать о том, сколько людей посещает различные магазины. Между тем, алгоритмы обработки естественного языка выполняют анализ настроений в сообщениях социальных сетей и обсуждениях на форумах, чтобы узнать, к каким жалобам обращаются клиенты брендов.

Проблемы торговли на основе ИИ

В то время как машинное обучение действительно дает большие перспективы в области финансов и торговли, в ближайшие годы ему еще предстоит преодолеть несколько препятствий. Скептики сомневаются, что что-либо, кроме AI человеческого уровня, сможет обрабатывать все таинственные параметры, которые влияют на финансовые рынки, такие как новостные события, политика, экономика и другие события, такие как стихийные бедствия. В Man Group фонд AHL получил 15% роста через три года с момента привлечения искусственного интеллекта, что почти вдвое превышает средний показатель по отрасли. Но он все еще отстает от S&P 500.

Хедж-фонды, использующие искусственный интеллект
Хедж-фонды, использующие искусственный интеллект

Хедж-фондам, использующим искусственный интеллект, также придется преодолевать проблемы, присущие этой технологии. Это включает в себя отсутствие прозрачности. Поскольку алгоритмы ИИ поглощают больше данных и становятся более изощренными, инженерам, которые их создают, сложнее и труднее объяснить механику, лежащую в их функциональности. Это может стать проблемой, когда вы должны объяснить своим клиентам, почему ваш алгоритм принял неправильное решение в ущерб. Man убеждается, что аналитики изучают возможность выполнения необычных сделок, прежде чем они будут выполнены, и создадут инструменты AUTOPSY, которые помогут инженерам исследовать решения, принятые алгоритмами.

Компании также должны быть осторожны с данными, которые они приобретают, поскольку они могут включать информацию, полученную от потребителей. Алгоритмы машинного обучения часто связывают информацию способами, которые могут вызвать проблемы конфиденциальности.

Агрессивное использование больших данных также угрожает поставить хедж-фонды в юридически серые зоны. Хотя использование общедоступных данных не считается инсайдерской торговлей, определение того, какие данные считаются общедоступными и юридически безопасными для использования в алгоритмах, не совсем ясно.

Тем не менее сторонники машинного обучения и искусственного интеллекта не сомневаются, что алгоритмы — это будущее торговли. Как считает Эрик Шмидт (Eric Schmidt), бывший генеральный директор Google и нынешний исполнительный председатель Alphabet, через 50 лет торговля не будет проводиться без компьютеров, анализирующих данные и рыночные сигналы.


Источник