Kas sekmīgāk pelna naudu finanšu tirgos – cilvēks vai mākslīgais intelekts?  (3)

Strauja izaugsme vērojama arī finanšu tehnoloģiju (fintech) industrijā, kur tehnoloģiju jaunuzņēmumi arvien vairāk un vairāk izaicina tradicionālās finanšu institūcijas tādās jomās kā banku pakalpojumu sniegšana privātpersonām, pensiju fondi vai investīcijas vērtspapīru tirgū. Bieži vien daļu funkciju šajos uzņēmumos veic MI – vai nu garantē kiberdrošību, analizē un ziņo par aizdomīgiem un potenciāli nelikumīgiem darījumiem, pārbauda klienta kredītvēsturi vai darbina tā saucamos čatbotus.

Ar šīm funkcijām MI tiek galā visai veiksmīgi, taču viena funkcija gandrīz vai uzkrītoši izpaliek – MI algoritmi, kas pelna naudu finanšu tirgos. Kaut akciju "treideri" jeb cilvēki, kuri lūko nopelnīt, spekulējot finanšu tirgos, nereti mēdz izmantot vienkāršus algoritmus vērtspapīru pirkšanai un pārdošanai, sarežģītāki MI un mašīnmācīšanās iespējoti risinājumi ir daudz mazāk izplatīti. Mašīnmācīšanās faktiski balstās uz lielu datu kopu analīzi un kopsakarību atrašanu datos, un finanšu tirgus ir tā joma, kas ģenerē milzīgu datu apjomu, – šī šķiet ideāla acīmredzama saderība. Jaunā pētījumā, kas publicēts zinātniskajā žurnālā "International Journal of Data Science and Analytics", mēs esam centušies noskaidrot, vai MI finanšu tirgos spēj pelnīt sekmīgāk nekā cilvēki.
Ir specializēti investīciju fondi, kurus angliski apzīmē ar terminu "quant hedge funds" jeb, atšifrējot, kvantitatīvos datos balstīti hedžfondi ("quant" no "quantitative"). Šie fondi apgalvo, ka lēmumu pieņemšanā izmanto MI, taču tie oficiāli nepublisko nekādas atskaites par šo MI algoritmu veiktspēju. Neskatoties uz faktu, ka daži no šādiem fondiem pārvalda miljardiem dolāru, tie aizvien ir nišas pakalpojumu sniedzēji un relatīvi mazi, ja salīdzina ar visu investīciju pakalpojumu nozari kopumā.

No otras puses, akadēmiskos pētījumos atkal un atkal secināts, ka mašīnmācīšanās algoritmi spējuši piegādāt ļoti precīzas finanšu prognozes. Teorētiski tās varētu materializēt augsti ienesīgā ieguldījumu stratēģijā. Un tomēr – pagaidām nešķiet, ka tas notiktu.

Kāds šai nesakritībai cēlonis? Vai tā ir iesīkstējusi fondu pārvaldītāju kultūra, vai tomēr tas ir saistīts ar investīciju jomas praktiskajiem aspektiem?

Mēs analizējām 27 recenzētus pētījumus, kas publicēti laika posmā no 2000. līdz 2018. gadam. Tajos izklāstīti dažādi akciju tirgus prognožu eksperimenti, kur lietā likti mašīnmācīšanās algoritmi. Vēlējāmies noskaidrot, vai šīs prognozēšanas metodes var tikt replicētas reālā vidē.

Pirmais novērojums bija – lielākajā daļā no šiem eksperimentiem paralēli tika darbināti daudzi (atsevišķos gadījumos pat simtiem) investīciju modeļi. Gandrīz katrā gadījumā pētnieki kā primāro eksperimenta galaproduktu uzrādīja veiktspējīgāko modeli. Citiem vārdiem – notika "ogošana datos", pētniekiem atlasot sekmīgāko modeli, bet ignorējot tos, kuru veiktspēja nebija optimāla.

Mūsu aplūkotajos pētījumos izklāstītie modeļi tika raksturoti kā līdz pat 95% precīzi, kas daudzās dzīves jomās nozīmētu milzu panākumus. Taču finanšu tirgū, ja algoritms kļūdās tikai piecos gadījumos no 100, tas tāpat var nozīmēt milzu problēmas. Piemēram, šajos gadījumos pieļautās kļūdas var būt katastrofiskas, nevis nelielas – tādas, kas ne tikai nonullē visu iepriekš nopelnīto, bet izputina visu fondu.

Neviens no mūsu aplūkotajiem eksperimentiem neņēma vērā spēkā esošo finanšu tirgu regulējumu, piemēram, Eiropas Savienībā spēkā esošo MIFID II direktīvu, vai biznesa ētiskos aspektus. Eksperimentu laikā netika veiktas neētiskas darbības, piemēram, apzināta finanšu tirgus manipulācija, taču šo eksperimentu dizainā arī nebija iestrādāti mehānismi, lai nodrošinātu ētisku darījumu praksi. Mūsu ieskatā mašīnmācīšanās un MI algoritmiem, veicot darījumus finanšu tirgos, būtu jāpakļaujas diviem ētiskajiem standartiem – pašam MI jābūt dizainētam ētiskam, kā arī tā praktizētajai investīciju stratēģijai jābūt ētiskai, ņemot vērā vides un sociālos faktorus un labu fondu pārvaldības praksi. Piemēram, šādam ētiskam MI būtu jāizvairās no ieguldījumiem uzņēmumos, kuri var kaitēt sabiedrībai.

Rezumējot – akadēmiskajos pētījumos raksturotie MI "treideru" eksperimenti reālā vidē nav praktiski īstenojami.

Mēs arī lūkojām noskaidrot, vai MI sasniegumi ir salīdzināmi ar ieguldījumu profesionāļu sekmēm. Ja MI pieņemtu līdzvērtīgus vai labākus ieguldījumu lēmumus, tas nākotnē varētu novest pie pamatīga darbavietu sarukuma šajā jomā.

Atklājām, ka tiem nedaudzajiem fondiem, kas savās darbībās pamatā izmanto MI algoritmus un par kuru darbības rezultātiem informācija ir publiski pieejama, caurmērā tirgū sekmējās sliktāk par vidējo rādītāju. Tādējādi secinām, ka šobrīd pagaidām svaru kausi vēl ir pārliecinoši nosvērušies par labu analītiķiem–cilvēkiem. Par spīti visām cilvēku pieļautajām kļūdām, empīriski pierādījumi šobrīd liecina, ka cilvēki šajā jomā vēl ir priekšā MI. Iespējams, to daļēji var izskaidrot efektīvi mentālie īsceļi, kurus cilvēki izmanto ātrai lēmumu pieņemšanai lielas neskaidrības apstākļos.

Nākotnē gan šis spēku samērs varētu mainīties, taču pagaidām pāriešanai uz MI algoritmiem finanšu tirgos vajag vairāk pierādījumu. Uzskatām, ka tuvākajā nākotnē tā vietā, lai pretnostatītu cilvēkus un MI, drīzāk jārunā par spēku apvienošanu. Tas, piemēram, nozīmētu MI algoritmu izmantošanu analītikā, taču gala lēmumu atstājot cilvēku ziņā.

--

Šis raksts ir pārpublicēts no "The Conversation" saskaņā ar "Creative Commons" licenci. Visu rakstu oriģinālvalodā var lasīt vietnē "The Conversation".

Raksta autori ir starpdisciplināra pētnieku komanda – neiropsiholoģe Barbara Sahakiana no Kembridžas Universitātes; mākslīgā intelekta pētnieks Fabio Kucolins no Oksfordas Bruksas universitātes un Kembridžas Universitātes doktorants Voiteks Buczinskis, kurš pēta finanšu tirgus ētiskos aspektus un MI pielietojumu finanšu tirgos.