Od ponad 30 lat najwybitniejsi absolwenci kierunków ścisłych starają się tworzyć numeryczne modele rynków finansowych. Niektórzy zarządzający posługujący się podobnymi modelami zdołali w tym czasie osiągnąć imponujące stopy zwrotu. Mimo to inwestowanie z komputerami w roli głównej pozostaje dziedziną niszową — podkreśla „Bloomberg Businessweek”.
Z jednej strony z definicji większość inwestorów nie może stale osiągać ponadprzeciętnych wyników (gdyby jakiś komputer znalazł receptę na łatwe zyski, inne od razu próbowałyby go naśladować). Z drugiej — przewidywanie zachowania rynków jest dużo trudniejsze niż inne powierzane sztucznej inteligencji zadania. Oto dlaczego. Dane rynkowe zmieniają się w czasie, a to utrudnia stworzenie modelu. O ile algorytm rozpoznający ludzi działa dzięki temu, że parametry poszczególnych twarzy pozostają stałe, o tyle na rynkach dochodzi do takich zdarzeń, jak obserwowane w 2013 r. zejście rentowności obligacji poniżej zera czy osiągnięcie przez amerykańskie spółki w 1998 r. astronomicznych poziomów wycen.
Innym problemem jest to, że w notowaniach jest więcej przypadku niż prawdziwych sygnałów (w przypadku algorytmu rozpoznającego twarze odpowiednikiem tego problemu byłoby analizowanie zdjęć zrobionych niemal po ciemku, gdzie większość pikseli to szum, a nie obraz twarzy). Problemy obejmują także utrudniającą szukanie prawidłowości relatywnie krótką historię dostępnych danych (w porównaniu z często nieograniczonymi zbiorami danych z innych dziedzin) oraz fakt, że skuteczność danego sygnału zwykle niewiele przekracza 50 proc. Skutkiem tego ostatniego jest trudność wykorzystania sygnału. Fundusze hedgingowe zajmują dziesiątki podobnych pozycji, a osiągnięty na nich niewielki zysk pomnażają za pomocą dźwigni; po taką metodę trudno jednak sięgnąć inwestorowi indywidualnemu.
— Szukaliśmy ledwie dostrzegalnych wzorców zachowania rynku — wspomina w rozmowie z „Bloomberg Businessweekiem” Glen Whitney, były analityk funduszu Renaissance.
O ile komputery radzą sobie z przetwarzaniem wielkich zbiorów danych i odnajdywaniem już znanych sygnałów, o tyle nowych sygnałów wciąż poszukuje człowiek. Aby zbudować system, który sam wymyśla strategie tradingowe, specjaliści będą musieli nauczyć komputery rozumowania przyczynowo-skutkowego. Oprócz zauważenia, że na przykład zwyżka cen danych akcji zwykle zbiega się ze wzrostem stóp procentowych, powinny one umieć podać możliwą tego przyczynę. Człowiek dobrze rozwiązuje takie zadania, a sztuczna inteligencja dopiero robi w tym kierunku pierwsze kroki.
Funduszom nie jest też łatwo zdobyć właściwie wyszkolonych pracowników. Do pracy w finansach badaczy sztucznej inteligencji zniechęcać może nie tylko perspektywa żmudnego poszukiwania sygnałów, które bardzo szybko potrafią przestać być skuteczne. Podobny wpływ może mieć konkurencyjna specyfika branży, każąca utrzymywać wszelkie osiągnięcia w tajemnicy. Wszystko dlatego, że dla naukowców bardzo ważna jest możliwość współpracy i publikowania.
— Uwielbiamy dokonywać odkryć na temat rynków i mamy świetny zespół, w którym się nimi dzielimy. Nie możemy jednak podawać naszych ustaleń szerszemu kręgowi — przyznaje Pete Muller, założyciel funduszu PDT Partners.
— Według mnie najlepsi specjaliści mogą żądać 2-, a nawet 5-krotnie wyższych zarobków, jeśli praca wymagałaby od nich rezygnacji z publikowania oraz takiej zmiany stylu życia, by dostosować go do pracy w finansach — ocenia Zack Lipton, wykładowca uniwersytetu Carnegie Mellon.
Mimo to możliwość zarobienia dużych pieniędzy oraz zmierzenia się z niepowtarzalnym wyzwaniem przyciąga wielu badaczy — przyznaje naukowiec.
— Wierzę, że kiedyś uda się osiągać ponadprzeciętne stopy zwrotu tylko dzięki maszynom — mówi Zack Lipton.