Director of Portfolio Management at WorldQuant. Expert in quantitative finance.
Възходът на AI очевидно е повлиял на различни индустрии, а финансовата индустрия е сред тези, които са засегнати най-много . Например, публичното пускане на модели като GPT-3.5 миналата година увеличи интереса към използването на AI, за да помогне за увеличаване на способностите на мениджърите на фондове за анализ, управление на риска и вземане на решения.
По този начин инструментите за изкуствен интелект се прилагат, за да направят пазарните оценки по-точни и да управляват рисковете по-ефективно. От портфолио мениджърите се очаква да направят по-ясна оценка на движенията на пазара, да стеснят избора на подходящи инвестиции и да управляват рисковете, когато прилагат алгоритми за машинно обучение, обработка на естествен език и инструменти за изкуствен интелект в своята търговия.
Интегрирането на алгоритми за машинно обучение, както и инструменти за обработка на естествен език в стратегиите за търговия на ключови играчи, им помага да повишат ефективността на тези процеси и да получат конкурентно предимство с по-бързи и по-точни инвестиционни решения и прогнозни анализи.
През последните десетилетия AI беше внедрен в различни сектори на финансовата индустрия. В бек офиса ML алгоритмите се използват за намиране на аномалии в регистрационните файлове за изпълнение, откриване на подозрителни транзакции, както и управление на рисковете, което води до повишена ефективност и сигурност. Във фронт офиса AI помага за сегментиране на клиенти, автоматизиране на процесите за поддръжка на клиенти и оптимизиране на ценообразуването на деривати.
Въпреки това, най-интригуващата част от него са възможностите на AI за страната на закупуването на финансите - идентифициране на прогнозни сигнали сред пазарния шум чрез анализиране на значителни количества данни възможно най-бързо. Например, такива приложения могат да включват прогнозиране на времеви серии, сегментиране на пазари и, разбира се, управление на портфейли от активи. Възможностите на AI да обработва и анализира огромни набори от данни помагат да се намерят фини модели, които традиционните методи вероятно ще пропуснат.
Оптимизирането на портфейла е обичайна практика от няколко десетилетия, като се е развила значително с развитието на науката за данните и прилагането на съвременни изчислителни техники. Класическите подходи, като Модерната теория на портфейла на Марковиц (1952) и Моделът за ценообразуване на капиталовите активи (1964) са въведени преди повече от 50 години, но все още остават актуални. Въпреки това, техните ограничения при справянето с нелинейния риск и зависимостта от исторически данни стават все по-очевидни с всеки изминал ден.
Практики като моделиране на риска, анализ на сценарии и квантова търговия, прилагани широко от ключови играчи, като Renaissance Technologies, DE Shaw и Two Sigma Investments, доведоха до прилагането на по-сложни и усъвършенствани алгоритми. Освен това индустрията е силно повлияна от AI през последните години, тъй като машинното обучение и изкуственият интелект направиха прогнозния анализ по-точен и направиха същото с персонализираните инвестиционни стратегии и автоматизираните сложни процеси на вземане на решения.
Тази управлявана от AI трансформация позволи на портфолио мениджърите да обработват огромни масиви от данни в реално време и да решат трите основни предизвикателства:
Според
Увеличаване на възприемането и инвестициите в решения за управление на активи, задвижвани от AI и подчертаване на практическото използване на AI при оптимизиране на портфолио.
Възприемането на AI в индустрията за управление на активи не е нова тенденция; той бележи растеж през последните години, но все още е ограничен до малък брой играчи на пазара, а именно хедж фондове, офиси за количествено управление, големи изследователски отдели и финансови институции, използващи ИТ услуги.
Вече има много области на приложение на AI:
AI значително подобрява процеса на оптимизиране на изграждането на портфолио. Например, класическият подход на теорията за модерното портфолио на Марковиц, който разчита на концепции за изпъкнала оптимизация, служи като предшественик на съвременните методологии, управлявани от AI. Причината, поради която тази основополагаща теория е толкова важна, е, че тя формира основата, от която AI алгоритмите могат допълнително да променят и усъвършенстват инвестиционните стратегии.
В днешно време AI разширява тази теория, като изследва нови измерения на данните и интегрира усъвършенствани аналитични техники. Тази разширена способност за данни позволява по-нюансирано и информирано вземане на решения - практика, която е широко използвана в индустрията.
Някои техники на ИИ са напълно съвместими с количественото управление, като използват големи обеми от данни за основите на компанията, макроикономическата среда или пазарните условия. Алгоритмите за машинно обучение могат да намерят сложни нелинейни връзки между различни променливи и, разбира се, да открият тенденции, които анализаторите не могат.
Текстовият анализ е друго приложение на AI във фундаменталния анализ. Използвайки обработка на естествен език (NLP), AI обработва и анализира текстови източници като корпоративни отчети за приходите, прессъобщения на централната банка и финансови новини. Чрез NLP AI може да извлече икономическа и финансова важна информация от тези неструктурирани данни. По този начин той осигурява количествена и систематична мярка, която подобрява и помага на човешките интерпретации.
Силите на AI са изключително полезни при търговията, където сложността на транзакциите и нуждата от скорост са в баланс. AI поддържа алгоритмична търговия чрез автоматизиране на много етапи от процеса, подобрявайки ефективността на транзакциите, управлявани на финансовите пазари.
AI отвори възможност за по-широко предлагане на персонализирани инвестиционни консултантски услуги на по-ниска цена. Тези системи използват сложни алгоритми за обработка на пазарни данни в реално време, като измислят най-подходящите стратегии за индивидуалните нужди на клиентите въз основа на техните цели за възвръщаемост и рискови профили.
При управлението на риска AI подпомага чрез моделиране на различни „вероятни, но нежелани“ сценарии, които от своя страна подобряват традиционните практики, които се фокусират само върху предимно вероятни резултати.
Класическите методи за машинно обучение са все още много популярни в управлението на портфолио и те са: линейни модели, включително обикновени най-малки квадрати, регресия на хребета и регресия с ласо. Те често се комбинират с процедурата за оптимизиране на средната дисперсия и техниките за декомпозиция на матрицата, като например декомпозиция на единична стойност (SVD) и анализ на основните компоненти (PCA), които са основополагащи за разбирането на връзките между активите и оптимизирането на разпределението на портфейла.
Разположени между тези класически подходи и по-модерни методи са опорните векторни машини (SVM). Въпреки че SVM се използват на практика, те не са толкова често разгръщани, но играят значителна роля, особено в задачите за класификация, насочени към прогнозиране на производителността на запасите.
Тези задачи обикновено включват прогнозиране дали дадена акция ще претърпи печалба или загуба, като се използват исторически финансови данни, включително колебания в цените на акциите и обеми на търговия, за да се поставят активите в категории и да се прогнозира тяхното представяне.
Говорейки за по-модерни методи, невронните мрежи показват голям напредък в машинното обучение за управление на портфолио и предлагат подобрени възможности за моделиране на сложни нелинейни модели, които са трудни за улавяне с традиционните модели. Освен невронните мрежи, други класически подходи като контролирано и неконтролирано обучение допълнително подобряват и прецизират анализа на данни, което прави възможно откриването и използването на фини пазарни сигнали.
По-нови подходи, като Reinforcement Learning и Deep Q-Learning, въвеждат тези качества в бързо развиващи се среди за вземане на решения, където портфейлите могат да се коригират в реално време, за да се оптимизират финансовите резултати въз основа на обучението на системата от пазарната обратна връзка.
Техниките за обработка на естествен език, като анализ на настроенията, могат да помогнат при избора на общи мнения от неща като статии във вестници, публикации в социални медии и доклади на анализатори. Освен това портфолио мениджърите могат също да анализират езика, използван във финансовите медии, включително отчетите за печалбите на фирмите, за да усетят настроенията на инвеститорите и да предскажат движенията на пазара, като всички те са важна информация в процеса на вземане на решения.
Фирмите, които се специализират във високочестотна търговия (HFT), като тези, които използват базирани на AI количествени алгоритми за търговия, правят пари от неефективност, която се случва само за момент на пазара. Тези фирми използват технологии за машинно обучение, за да анализират подходяща пазарна информация при изключително високи скорости и да правят поръчки с прецизно време за само една милисекунда.
Такова бързо изпълнение им позволява да се възползват от възможностите за арбитраж и да увеличат максимално печалбите, като предприемат действия при несъответствия в цените по-бързо от конкурентите. Въпреки че Renaissance Technologies е известна със своите подходи за количествена търговия, важно е да се има предвид нейната по-широка стратегия, обхващаща различни периоди на задържане от традиционните практики на HFT, които са фокусирани главно върху скоростта.
LIME (Local Interpretable Model-agnostic Explanations) е известен XAI метод, използван, за да направи резултатите от сложни модели за машинно обучение по-разбираеми. При управлението на портфолио този метод може да бъде много ценен за тълкуване на това как моделите на черната кутия правят прогнози. Чрез използване на входни данни и анализиране на въздействието върху резултатите от модела, LIME помага на портфолио мениджърите и специалистите по данни да определят кои функции влияят върху инвестиционните решения повече от други.
Този процес спомага за повишаване на прозрачността на решенията, подсилени с AI, и подкрепя усилията за проверка и подобряване на това колко лесни за разбиране могат да бъдат тези модели. Въпреки това, докато LIME подобрява нашето разбиране за поведението на модела, оценката на цялостната надеждност на моделите включва допълнителни техники за валидиране.
AI технологиите играят основна роля в осигуряването на съответствие с регулаторните рамки и наблюдението на инвестиционните ограничения във финансовата индустрия. Чрез автоматизирането на тези процеси системите с изкуствен интелект помагат на финансовите фирми да се придържат към законовите стандарти по-ефективно, по-точно и да не изпадат в проблеми. Тази технология е много ценна при наблюдение на спазването на големи обеми транзакции и разнообразни портфейлни дейности, където може бързо (фактически мигновено) да идентифицира отклонения от регулаторните изисквания или вътрешни насоки.
Освен това използването на AI свежда до минимум риска от човешка грешка, което е от решаващо значение в регулаторни среди с високи залози, където грешките могат да доведат до правни и финансови последици.
Приложенията на AI в автоматизираното ребалансиране са от решаващо значение за поддържане на идеалното разпределение на активите във времето. Те могат да коригират портфейлите в отговор на пазарни промени или промени в рисковия профил на инвеститора, което гарантира съответствие със стратегическите инвестиционни цели.
В допълнение към приложенията, които са специално предназначени за инвестиции, потенциалът за развитие на изкуствен интелект в бизнеса за управление на активи изглежда обширен. Въпреки факта, че инстинктивно виждаме възможността за автоматизиране на специфични задачи на различни етапи от оперативната верига, все още е трудно да се предвиди напълно разрушителната сила на изкуствения интелект. Това е така, защото се очаква AI да доведе до нови сектори на приложение, тъй като се разработват допълнителни постижения.
Трябва да имаме предвид ограниченията на изкуствения интелект, както и опасностите, които той създава за някои аспекти на управлението на портфейла, въпреки факта, че направи възможно технологичния напредък и повишаването на производителността с помощта на изкуствен интелект. На първо място, подходите за изкуствен интелект и машинно обучение разчитат на данни, които се използват за захранване на алгоритмите за обучение.
Необходимо е тези данни да са с високо качество по отношение на актуализация, точност, пълнота и представителност.
В допълнение към изискването за много голям обем данни, който не винаги е наличен, е необходимо тези данни да бъдат с добро качество. Във всеки друг случай констатациите, получени с помощта на прогнозни модели, не са надеждни или устойчиви.
Освен това, алгоритмите могат също така да правят неверни предположения, като избират неподходящи тенденции от набора от данни, който се анализира, което може да доведе до погрешни заключения. Това може да доведе до грабване в голям мащаб, скокове, които са твърде резки, и най-малките възможни катастрофи. Загубата на пазарна конкуренция може да се случи поради факта, че много пазарни оператори, управляващи едни и същи AI алгоритми, могат да предприемат грешно решение едновременно или да реагират по подобен начин на обстоятелство в реално време. Подобен риск може да стане фатален.
Въпреки потенциалните ползи от AI в управлението на портфолио, както във всяка друга област, има много предизвикателства, които трябва да имаме предвид и в крайна сметка да се справим. Една от основните трудности е възможната липса на прозрачност и проблеми с интерпретацията на AI моделите, което може да направи предизвикателство за мениджърите да обяснят резултатите от тяхното сътрудничество с AI. Тази сложност на използване може да е една от причините, поради които приемането на ИИ в европейските фондове е относително слабо. Към септември 2022 г.
Европейският орган за финансови пазари (ESMA)
На този етап изглежда, че изкуственият интелект все още е далеч от това да замени напълно реалните хора в индустрията за управление на активи. Като се има предвид това, прозрачността, отношенията на доверие и контактът между клиенти и експерти по управление продължават да бъдат ключови характеристики, сега повече от всякога.
И все пак не можем да отречем, че изкуственият интелект носи със себе си нови и вълнуващи инструменти, които могат да се използват във веригата на стойността, и потенциалът на тези инструменти може наистина да промени начина, по който индустрията изглежда днес.