Машинное обучение в инвестировании - пока просто фантазия?

Среди множества разрекламированных понятий, используемых хедж-фондами, особенно выделяется «машинное обучение». Кандидаты наук, в основном с целью маркетинга, делают ошеломляющие заявления о способности компьютера «обучаться», оценивать информацию, соединять точки и корректировать стратегию. Звучит заманчиво. Но новые голоса указывают на реальность, которая очень отличается от разрекламированного обещания.

У «машинного обучения» есть несколько проблем

Когда пенсионный фонд, учреждение или семейный офис проводит совещание по количественным стратегиям «черного ящика», у них есть тревожная общая черта. Встреча с командой, возглавляемой докторами наук, ученая степень которых уже так долго сопровождает их должности, что распределитель не сомневается в их гениальности, пожалуй, наиболее остро подчеркивает описание стратегии.

Инвесторов редко просят использовать критическое мышление. Эми Элефанте Беди (Amy Elefante Bedi), директор хеджированных стратегий Вашингтонского университета инвестиционного менеджмента в Сент-Луисе, считает по-другому. Она публично жалуется на многочасовые встречи, на которых руководитель фонда много рассуждает, но ничего в итоге не говорит.

В значительной степени, «машинное обучение» вписывается в эту инвестиционную категорию. Не предполагается, что институциональные менеджеры будут задавать вопросы докторской элите, ибо их умы работают на более сложном математическом уровне, чем у простых смертных. Это до тех пор, пока, используя техники анализа драйверов основных показателей, истина не всплывет, и те, кто плавает в океане без купальников, не подвергнутся риску при отливе.

Системы машинного обучения выявляют положительные идеи на рынках, но очень мало говорится о том, что для разработки стратегии нужен человеческий разум.

Машинное обучение основано на концепции, что компьютер самостоятельно определяет, сравнивает и присваивает информации ценность.

«Машинное обучение» и искусственный интеллект, который самостоятельно оценивает информацию, определяет ее значение, а затем принимает торговые/инвестиционные решения — это все замануха. Недавно журнал Wired в статье разрекламировал Numerai, хедж-фонд, зарегистрированный в SEC, «который совершает сделки с использованием моделей машинного обучения». К ним присоединилась Sentient Technologies, инвестиционная фирма, которая похвасталась Bloomberg, что в работе фильтрует «миллиарды единиц данных, выявляет тренды, адаптируется по мере обучения и зарабатывает деньги, торгуя акциями».

Прочитайте еще раз последнюю часть предложения. Компьютер автоматически «адаптируется по мере обучения, в то время как «зарабатывает деньги, торгуя акциями».

Такова почти маниакальная замануха, наряду с интересом инвесторов. Но является ли обещание «машинного обучения» скорее фантазией, чем фактом?

Хотя среди хедж-фондов нет общепринятого определения «машинного обучения», согласно двух экспертам по количественным исследованиям, оно выглядит примерно так:

Концепция машинного обучения состоит в том, что компьютер изучает информацию, часто анализируя огромные объемы данных, а затем присваивает предположительное значение, соответствующее этой информации, без помощи человека или базовых знаний. Затем система машинного обучения принимает инвестиционные решения. Именно это в целом и есть «инвестиционный робот».

Джоуи Круг, ученый, который развивает прогнозирование рынков и в настоящее время входит в состав Совета консультантов в Numerai, а также Дэн Данн из Quantopian, оба согласились с этим общим определением.

Машинное обучение терпит неудачу исходя из трех принципов

Есть три допущения, которые ставят под сомнение машинное «обучение».

Во-первых, концепция «обучение» выходит за пределы базовых ограничений алгебры логики «если-то», на которой основаны все компьютерные системы и математические формулы.

Во-вторых, чтобы алгоритмическая система была прочной, она должна быть обусловлена экономической или рыночной логикой, которая заметно отсутствует в дискуссии квантов.

В-третьих, в то время как способность кандидата наук говорить в течение почти одного часа на презентации и не сказать при этом ничего существенного впечатляет, фактически проверенная эффективность является какой угодно, только не впечатляющей. Это может быть потому, что системы машинного обучения нарушают основные правила формулы алгоритмического трейдинга / инвестирования.

Алгебра логики «если-то» не такая растяжимая, как человеческий разум

Трудно понять, откуда, собственно, взялись алгоритмические методы инвестиций. Однако из документов видно, что хедж-фонды, занимающиеся управляемыми фьючерсами, были первыми, кто стал использовать и рекламировать преимущества системного, математического подхода к рынкам еще в 1980-х годах.

В этом веке, когда электронные рынки стали набирать обороты, документально подтверждено, что деривативные биржи, такие как CME Group, стояли у истоков и пропагандировали идею электронных торговых мест, и свободно создали научную школу о том, как должны работать рынки и регулироваться деривативы.

Что документально не подтверждено и чему не учат доктора наук, так это методы, с помощью которых разрабатываются алгоритмические торговые стратегии, поскольку это считалось собственными знаниями. Эта школа, одна из многих, излагает основные принципы того, как должны разрабатываться алгоритмы и многие из сегодняшних разработчиков алгоритмов из Кремниевой долины игнорируют эти основные заповеди – и это видно из их проверенной эффективности.

Люди учатся с помощью «если-то», а также с помощью нелинейной логики

Первое правило разработки алгоритмов состоит в понимании математических ограничений алгоритмического мышления. Один пробел в концепции машинного обучения заключается в том, что границы математической логики затрудняют компьютеру оценку нелинейной информации. Люди часто обучаются – и разрабатывают инвестиционный тезис – соединяя нелинейные точки. Жесткий метод «обучения» компьютера на самом деле не является обучением и может привести лишь к ограниченной оценке знаний, критическое замечание, про которое Круг говорит, что оно «не является необоснованной критикой».

Все алгоритмы основаны на математике. Вся математика показывает определенные логические утверждения «если-то». Например, если 2 вычитается из 5, то результат равен 3. Все формулы – это утверждения «если-то».

При рассмотрении инвестиции, тем не менее, существует значительное количество нелинейного мышления, которое приводит к инсайтам. Два примера: Брексит — пример, где алгоритмический анализ новостей и большинства исследований привел бы инвестора к неправильному выводу о результатах голосования и, что более важно, последовавшей реакции рынка. Другой пример — анализ, который проводился в 2015 году до краха фондового рынка в августе. Аналитики из Balyasny Asset Management пришли к выводу о том, что отмена стимулов центрального банка окажет на рынки негативное влияние, что не так активно обсуждалось в средствах массовой информации в то время. Они оказались правы и избежали потерь в алгоритмически предсказанном августовском крахе. В обоих случаях, алгоритм не может «выучить» истинный смысл информации на основе общедоступных данных, не говоря уже о присвоении значений и корректировки торговой стратегии.

«Обучению» в машинном обучении уделяется слишком много внимания

Понимая, как разрабатывается инвестиционный тезис, Данн говорит, что слишком много внимания в словосочетании «машинное обучение» уделяется слову «обучение».

Первая часть касается ценности слова «обучение». Кажется, что есть семантический аргумент в пользу того, что на самом деле означает «обучение». Что касается машинного обучения, они не говорят об «обучении» в том смысле, что проводится тест Тьюринга (мера способности компьютера имитировать человека) в отношении полученных знаний. Они говорят о создании базы знаний прошлого поведения для предсказания будущего. Слово «обучение» в «машинном обучении» может быть переоценено.

Большинство людей не согласятся по поводу такого определения «обучения». Когда разработчики алгоритмов используют слово «обучение» в «машинном обучении», это «означает нечто менее надежное», говорит Данн.

Чтобы алгоритм был стабильным, у него должно быть фундаментальное экономическое или рыночное обоснование, либо это везение в большей степени

Слово «обучение» имеет другое значение, когда используется в контексте «машинное обучение», нежели когда речь идет о людях. В то время как при обучении человека процессы принятия решений «если-то» участвуют в значительной степени, часто бывает трудно соединить запутанные экономические точки в инвестиционный тезис, который различает подход.

Второе основное правило разработки алгоритма машинного обучения, которое нарушают хедж-фонды, то, что их формулы редко, если вообще когда-нибудь, объясняются экономическими доводами или рыночной логикой спроса и предложения.

«У большинства людей, использующих машинное обучение, не обязательно есть экономическая логика, или они не объясняют его с этой точки зрения», – сказал Круг. «Многие кванты не понимают экономические доводы».

Проблема может крыться в двух видах стратегий развития формулы: стратегий, обусловленных лишь последними статистическими данными о результативности и тенденциях на рынке, которые происходят в результате повторяющихся экономических доводов или чем-то вроде последовательных рыночных прописных истин. Если формула не подкреплена фундаментальными основами, можно считать, что она, до определенной степени, полагается на удачу.

Данн отмечает, что выяснение экономического или рыночного понимания, почему работает алгоритм – «это очень сложный вопрос». Quantopian, например, хотят увидеть, может ли быть количественная логика подкреплена экономическим или рыночным обоснованием, прежде чем инвестировать, называя это «более сложное требование».

Проверенная эффективность свидетельствует лучше, чем докторская степень и исключительное поведение

Третья причина поставить под сомнение хедж-фонды, использующие машинное обучение, – это отсутствие подтвержденного, общедоступного успеха.

Можно предположить, что, когда нарушаются основные принципы разработки формулы алгоритма, становится сложнее достичь эффективности.

Для машинного обучения, несмотря на заявления, сделанные в СМИ, что системы «учатся» и «зарабатывают деньги, торгуя акциями», нужна еще проверенная, общедоступная эффективность, которая обосновывает это утверждение.

Данн «не может указать на конкретное подтверждение эффективности», чтобы поддержать хедж-фонды, использующие машинное обучение. А вот CTA KLA Capital – один из немногих фондов, опубликовавших свою эффективность. По данным CTA Intelligence, в 2016 году фонд потерял 28% после падения в 2015 году на 12,4%. (Эффективность CTA хедж-фондов должна предоставляться на постоянной основе и аудироваться Национальной фьючерсной ассоциацией).

Пока Sentient Technologies утверждает, что «система искусственного интеллекта развивается автономно, по мере того, как накапливает опыт...», компания не раскрывает проверенную эффективность. То же самое относится и к другому хедж-фонду, восхваляющему достоинства машинного обучения, Numerai.

Машинное обучение повышает ценность инвестиционных исследований, но «машина» не так много «обучается»

В то время как обещания машинного обучения в настоящее время не соответствуют реальности, крайне важно отметить, что проделанная в этом направлении работа дает положительные результаты. Мало обсуждаемый факт, однако, заключается в том, что для того, чтобы соединить точки и провести реальное «обучение», присвоить значения и истолковать данные, чтобы затем создать утверждение «если-то», используется человеческий разум.

Данн отмечает, что многие количественные инвестиционные идеи разрабатываются с помощью методов машинного обучения. Он говорит, что распространенное мнение, будто машина может «учиться», присваивать информации значение, а затем соединять точки, чтобы принимать торговые решения, может быть немного надуманным… на данный момент, во всяком случае.

Two Sigma, ведущий количественный хедж-фонд, не обсуждает публично свою работу. Но инвестиционная компания опубликовала мысли на эту тему, в которых указывает на выявленную ценность методов машинного обучения.

У машинного обучения есть ценность. Идея о том, что компьютер – это гений инвестирования без людей, стоящих за проектом с нелинейными интерпретациями, однако, может быть немного больше, чем просто надуманная.

Фишки, инвестиционные идеи, сигналы и рекомендации!

Хотите получать бесплатные видеокурсы, материалы и участвовать в закрытых вебинарах?

Тогда подписывайтесь на рассылку и получайте доступ!

Комментарии

Только зарегистрированные и авторизованные пользователи могут оставлять комментарии.