Director of Portfolio Management at WorldQuant. Expert in quantitative finance.
Зростання штучного інтелекту, очевидно, вплинуло на різні галузі, і фінансова індустрія є однією з тих, які зазнали найбільшого впливу . Наприклад, публічний запуск таких моделей, як GPT-3.5 минулого року, підвищив інтерес до використання штучного інтелекту для покращення здібностей менеджерів фондів у аналізі, управлінні ризиками та прийнятті рішень.
Таким чином, інструменти ШІ впроваджуються, щоб зробити оцінку ринку точнішою та ефективніше керувати ризиками. Очікується, що портфельні менеджери будуть більш чітко оцінювати ринкові рухи, звужувати вибір відповідних інвестицій і керувати ризиками, застосовуючи алгоритми машинного навчання, обробку природної мови та інструменти штучного інтелекту у своїй торгівлі.
Інтеграція алгоритмів машинного навчання, а також інструментів обробки природної мови в торгові стратегії ключових гравців допомагає їм підвищити ефективність цих процесів і отримати конкурентну перевагу завдяки швидшим і точнішим інвестиційним рішенням і прогнозній аналітиці.
В останні десятиліття штучний інтелект був реалізований у різних секторах фінансової індустрії. У бек-офісі алгоритми машинного навчання використовуються для пошуку аномалій у журналах виконання, виявлення підозрілих транзакцій, а також керування ризиками, що сприяє підвищенню ефективності та безпеки. У фронт-офісі штучний інтелект допомагає сегментувати клієнтів, автоматизувати процеси підтримки клієнтів і оптимізувати ціни на похідні інструменти.
Однак найбільш інтригуючою частиною цього є можливості штучного інтелекту для фінансової сторони купівлі – виявлення прогнозних сигналів серед ринкового шуму шляхом аналізу значних обсягів даних якомога швидше. Наприклад, такі програми можуть включати прогнозування часових рядів, сегментацію ринків і, звичайно, управління портфелями активів. Можливості штучного інтелекту обробляти й аналізувати величезні набори даних допомагають знаходити тонкі закономірності, які традиційні методи, ймовірно, пропустять.
Оптимізація портфоліо була звичайною практикою протягом кількох десятиліть, значно розвиваючись у зв’язку з розвитком науки про дані та впровадженням передових обчислювальних методів. Класичні підходи, такі як сучасна портфельна теорія Марковіца (1952) і модель оцінки капітальних активів (1964), були введені більше 50 років тому, але й досі залишаються актуальними. Однак їхні обмеження в роботі з нелінійним ризиком і залежність від історичних даних стають усе більш очевидними з кожним днем.
Такі практики, як моделювання ризиків, аналіз сценаріїв і кількісна торгівля, широко застосовувані ключовими гравцями, такими як Renaissance Technologies, DE Shaw і Two Sigma Investments, призвели до реалізації більш складних і вдосконалених алгоритмів. Крім того, індустрія зазнала значного впливу штучного інтелекту в останні роки, оскільки машинне навчання та штучний інтелект зробили прогнозну аналітику більш точною, а також зробили те саме з персоналізованими інвестиційними стратегіями та автоматизованими складними процесами прийняття рішень.
Ця трансформація, керована штучним інтелектом, дозволила менеджерам портфоліо обробляти величезні масиви даних у режимі реального часу та вирішувати три основні завдання:
Відповідно до
Збільшення впровадження та інвестицій у рішення для управління активами на основі ШІ та підкреслення практичного використання ШІ для оптимізації портфеля.
Запровадження ШІ в галузі управління активами не є новою тенденцією; останніми роками він зростає, але все ще обмежується невеликою кількістю гравців ринку, а саме хедж-фондами, офісами кількісного менеджменту, великими дослідницькими відділами та фінансовими установами, які використовують ІТ-послуги.
Вже існує багато сфер застосування ШІ:
ШІ значно покращує процес оптимізації побудови портфоліо. Наприклад, класичний підхід сучасної теорії портфоліо Марковіца, який спирається на концепції опуклої оптимізації, служить попередником сучасних методологій, керованих ШІ. Причина, по якій ця основоположна теорія є настільки важливою, полягає в тому, що вона формує основу, на якій алгоритми ШІ можуть надалі змінювати та вдосконалювати інвестиційні стратегії.
Сьогодні ШІ розширює цю теорію, досліджуючи нові виміри даних та інтегруючи передові аналітичні методи. Ці розширені можливості даних дозволяють приймати детальніші й обґрунтованіші рішення – практика, яка широко використовується в галузі.
Певні методи штучного інтелекту ідеально сумісні з кількісним управлінням, використовуючи великі обсяги даних про фундаментальні показники компанії, макроекономічне середовище чи ринкові умови. Алгоритми машинного навчання можуть знаходити складні нелінійні зв’язки між різними змінними і, звичайно, виявляти тенденції, які аналітики не можуть.
Текстовий аналіз є ще одним застосуванням ШІ у фундаментальному аналізі. Використовуючи обробку природної мови (NLP), штучний інтелект обробляє та аналізує текстові джерела, такі як корпоративні звіти про доходи, прес-релізи центрального банку та фінансові новини. За допомогою НЛП штучний інтелект може витягувати економічно та фінансово важливу інформацію з цих неструктурованих даних. Таким чином, він забезпечує кількісний і систематичний вимір, який покращує та допомагає людським інтерпретаціям.
Здібності штучного інтелекту надзвичайно корисні в торгівлі, де складність транзакцій і потреба в швидкості перебувають у рівновазі. AI підтримує алгоритмічну торгівлю, автоматизуючи багато етапів процесу, підвищуючи ефективність операцій, керованих на фінансових ринках.
AI відкрив можливість ширшої пропозиції персоналізованих інвестиційних консультаційних послуг за нижчою ціною. Ці системи використовують складні алгоритми для обробки ринкових даних у реальному часі, розробляючи найбільш прийнятні стратегії для індивідуальних потреб клієнтів на основі їхніх цілей прибутку та профілів ризику.
В управлінні ризиками штучний інтелект допомагає моделювати різні «ймовірні, але небажані» сценарії, які, у свою чергу, покращують традиційні практики, які зосереджуються лише на переважно ймовірних результатах.
Класичні методи машинного навчання все ще дуже популярні в управлінні портфелем, і це: лінійні моделі, включаючи звичайні найменші квадрати, хребтова регресія та регресія ласо. Вони часто поєднуються з процедурою оптимізації середньої дисперсії та методами декомпозиції матриці, такими як декомпозиція сингулярного значення (SVD) і аналіз головних компонентів (PCA), які є основоположними для розуміння взаємозв’язків активів та оптимізації розподілу портфеля.
Між цими класичними підходами та більш сучасними методами знаходяться опорні векторні машини (SVM). Хоча SVM використовуються на практиці, вони не так часто розгортаються, але відіграють значну роль, зокрема, у задачах класифікації, спрямованих на прогнозування показників запасів.
Ці завдання зазвичай включають прогнозування того, чи буде акція мати прибуток чи збиток, використовуючи історичні фінансові дані, включаючи коливання цін на акції та обсяги торгів, щоб класифікувати активи за категоріями та прогнозувати їх ефективність.
Говорячи про більш сучасні методи, нейронні мережі демонструють значні досягнення в машинному навчанні для управління портфелем і пропонують покращені можливості для моделювання складних нелінійних моделей, які важко охопити традиційними моделями. Крім нейронних мереж, інші класичні підходи, такі як контрольоване та неконтрольоване навчання, ще більше вдосконалюють і вдосконалюють аналіз даних, роблячи можливим виявлення та використання тонких ринкових сигналів.
Новіші підходи, такі як Reinforcement Learning і Deep Q-Learning, передають ці якості в швидкоплинні середовища прийняття рішень, де портфелі можна коригувати в режимі реального часу для оптимізації фінансових результатів на основі навчання системи на основі відгуків ринку.
Методи обробки природної мови, як-от аналіз настроїв, можуть допомогти вибрати загальні думки з газетних статей, публікацій у соціальних мережах і звітів аналітиків. Крім того, портфельні менеджери також можуть аналізувати мову, яка використовується у фінансових ЗМІ, включно зі звітами про прибутки компаній, щоб відчути настрої інвесторів і передбачити рух ринку, що є важливою інформацією в процесі прийняття рішень.
Компанії, які спеціалізуються на високочастотній торгівлі (HFT), як і ті, що використовують алгоритми кількісної торгівлі на основі штучного інтелекту, заробляють на неефективності, яка лише на мить виникає на ринку. Ці фірми використовують технології машинного навчання, щоб аналізувати релевантну ринкову інформацію на надзвичайно високій швидкості та розміщувати замовлення з точним часом всього за мілісекунди.
Таке швидке виконання дозволяє їм отримати вигоду від можливостей арбітражу та максимізувати прибуток, вживаючи заходів щодо розбіжностей у цінах швидше, ніж конкуренти. Хоча Renaissance Technologies відома своїми підходами до кількісної торгівлі, важливо мати на увазі її ширшу стратегію, яка охоплює різні періоди утримання від традиційних практик HFT, які в основному зосереджені на швидкості.
LIME (Local Interpretable Model-agnostic Explanations) — це відомий метод XAI, який використовується для того, щоб зробити результати складних моделей машинного навчання більш зрозумілими. В управлінні портфелем цей метод може бути дуже цінним для інтерпретації того, як моделі чорної скриньки роблять прогнози. Використовуючи вхідні дані та аналізуючи вплив на результати моделі, LIME допомагає менеджерам портфоліо та дослідникам обробки даних визначити, які функції впливають на інвестиційні рішення більше, ніж інші.
Цей процес допомагає підвищити прозорість рішень, підсилених штучним інтелектом, і підтримує зусилля з перевірки та покращення того, наскільки легко зрозуміти ці моделі. Однак, хоча LIME покращує наше розуміння поведінки моделі, оцінка загальної надійності моделей передбачає додаткові методи перевірки.
Технології штучного інтелекту відіграють важливу роль у забезпеченні відповідності нормативним нормам і моніторингу інвестиційних обмежень у фінансовій галузі. Автоматизуючи ці процеси, системи штучного інтелекту допомагають фінансовим компаніям ефективніше й точніше дотримуватися правових стандартів і не мати проблем. Ця технологія дуже цінна для моніторингу відповідності великих обсягів транзакцій і різноманітних портфельних дій, де вона може швидко (фактично миттєво) виявити відхилення від нормативних вимог або внутрішніх інструкцій.
Крім того, використання штучного інтелекту мінімізує ризик людської помилки, що має вирішальне значення в регуляторному середовищі з високими ставками, де помилки можуть призвести до юридичних і фінансових наслідків.
Програми штучного інтелекту в автоматизованому балансуванні мають вирішальне значення для підтримки ідеального розподілу активів з часом. Вони можуть коригувати портфелі у відповідь на зміни ринку або зміни в профілі ризику інвестора, що забезпечує узгодження зі стратегічними інвестиційними цілями.
На додаток до додатків, які спеціально розроблені для інвестицій, потенціал для розвитку штучного інтелекту в бізнесі з управління активами видається великим. Однак, незважаючи на те, що ми інстинктивно бачимо можливість автоматизації певних завдань на різних етапах операційного ланцюга, все ще важко повністю передбачити руйнівну силу штучного інтелекту. Це пов’язано з тим, що ШІ, як очікується, дасть початок новим сферам застосування в міру розробки додаткових досягнень.
Ми повинні пам’ятати про обмеження штучного інтелекту, а також про небезпеку, яку він створює для деяких аспектів управління портфелем, незважаючи на те, що він зробив можливим технологічний прогрес і підвищення продуктивності за допомогою штучного інтелекту. По-перше, підходи до штучного інтелекту та машинного навчання покладаються на дані, які використовуються для живлення алгоритмів навчання.
Необхідно, щоб ці дані були якісними з точки зору актуальності, точності, повноти та репрезентативності.
На додаток до вимоги щодо дуже великого обсягу даних, який не завжди доступний, ці дані мають бути високої якості. У будь-якому іншому випадку висновки, отримані за допомогою прогнозних моделей, не є надійними чи стійкими.
Крім того, алгоритми також можуть робити помилкові припущення, вибираючи невідповідні тенденції з набору даних, який аналізується, що може призвести до помилкових висновків. Це може призвести до великого захоплення, надто різких стрибків і найменших можливих аварій. Втрата ринкової конкуренції може статися через те, що багато операторів ринку, які керують тими самими алгоритмами ШІ, можуть прийняти неправильне рішення одночасно або подібним чином відреагувати на обставини в реальному часі. Такий ризик може стати фатальним.
Незважаючи на потенційні переваги штучного інтелекту в управлінні портфелем, як і в будь-якій іншій сфері, існує багато проблем, про які ми маємо пам’ятати та, зрештою, вирішити їх. Однією з головних труднощів є можлива відсутність прозорості та проблеми з інтерпретацією моделей штучного інтелекту, через що керівникам може бути складно пояснити результати їхньої співпраці з штучним інтелектом. Така складність використання може бути однією з причин відносно низького впровадження ШІ в європейських фондах. Станом на вересень 2022 р.
Європейське управління фінансових ринків (ESMA)
На даний момент здається, що штучний інтелект ще дуже далекий від повної заміни реальних людей в галузі управління активами. З огляду на це, прозорість, довірчі стосунки та контакт між клієнтами та експертами з менеджменту залишаються ключовими характеристиками, зараз як ніколи.
Проте ми не можемо заперечувати, що штучний інтелект приносить із собою нові та захоплюючі інструменти, які можна використовувати в ланцюжку створення вартості, і потенціал цих інструментів може дійсно змінити те, як сьогодні виглядає галузь.