ИИ в управлении портфелем

Искусственный интеллект способен анализировать отчеты компаний, отслеживать тысячи сигналов о рисках и тестировать изменения в портфеле гораздо быстрее, чем инвестиционная команда, работающая вручную. Однако это не означает, что он может достоверно прогнозировать поведение рынков или исключить вероятность убытков. Для инвесторов важный вопрос заключается не в том, описывается ли портфель как основанный на ИИ, а в том, на какие решения влияет эта технология, какими данными эти решения подкрепляются и кто несет ответственность, если модель дает сбой.

Роль искусственного интеллекта в управлении портфелем

Использование искусственного интеллекта в управлении портфелем охватывает широкий спектр задач. Некоторые системы извлекают информацию из финансовой отчетности, отчетов о финансовых результатах, новостных сообщений и рыночных данных. Другие оценивают риски, выявляют взаимосвязи между активами, тестируют потенциальные сделки или помогают менеджерам формировать портфели с учетом конкретной цели.

Модели машинного обучения отличаются от традиционных инвестиционных правил тем, что позволяют анализировать большое количество переменных и выявлять закономерности без необходимости заранее запрограммировать каждую взаимосвязь. Система может оценить, как изменения процентных ставок, цен на сырьевые товары, заявлений руководства компаний и волатильности рынка исторически влияли на группу ценных бумаг.

Генеративный ИИ преследует иную цель. Он может подготавливать резюме исследований, отвечать на вопросы по внутренним документам и преобразовывать данные портфеля в черновые варианты комментариев для клиентов. Возможно, он упрощает поиск информации, но не становится экспертом в области инвестиций только потому, что его объяснения звучат уверенно.

Таким образом, само по себе выражение “управление портфелем с использованием ИИ” мало что говорит. Оно может означать как сложную институциональную систему управления рисками, так и робо-консультанта, использующего относительно традиционные правила распределения активов, или же потребительскую платформу, в которой к существующему инвестиционному продукту добавлен чат-бот.

В каких областях ИИ может принести реальную пользу

Инвестиционные команды обрабатывают больше информации, чем способен прочитать любой человек. ИИ может помочь классифицировать эти данные, извлечь из них важные факты и уведомить аналитиков об изменениях, требующих внимания.

Модель может выявить, что руководство компании стало выражаться менее уверенно, что изменились тенденции в области оборотного капитала или что несколько компаний портфеля подвержены одному и тому же риску, который не отражен в их официальной отраслевой классификации. Кроме того, она может сравнивать новый отчет с данными за предыдущие годы более эффективно, чем человек, проводящий такой же поиск вручную.

Еще одной перспективной областью применения является управление рисками. С помощью технологий можно рассчитать, как портфель может отреагировать на изменения процентных ставок, курсов валют, кредитных спредов или волатильности акций. Они позволяют выявлять концентрации рисков, которые трудно заметить, когда активы размещены в различных фондах, юридических лицах и у разных депозитариев.

Такие платформы, как Aladdin от BlackRock, предназначены для объединения информации о портфеле, рисках и операционной деятельности в единой системе. Их ценность заключается не столько в составлении отдельных рыночных прогнозов, сколько в том, чтобы помочь специалистам в области инвестиций получить целостное представление о рисках и проанализировать последствия возможных решений.

ИИ также может повысить эффективность операционного контроля за счет выявления необычных транзакций, несоответствий при сверке данных или нарушений ограничений по портфелю. Такие решения позволяют сократить объем рутинной работы и перенаправить внимание сотрудников на исключительные случаи, требующие принятия решений на основе профессионального суждения.

Оптимизация портфеля — это не хрустальный шар

Оптимизация портфеля направлена на выбор такого сочетания активов, которое обеспечивает привлекательную ожидаемую доходность при заданном уровне риска. Искусственный интеллект позволяет учитывать больше данных и моделировать взаимосвязи, которые традиционные подходы могут упускать из виду.

Ограничением является то, что ожидаемую доходность, риски и корреляции всё равно приходится оценивать. Эти оценки носят неопределённый характер и могут быстро меняться. Активы, которые в условиях стабильного рынка казались слабо взаимосвязанными, могут падать в цене одновременно во время кризиса — именно тогда, когда диверсификация необходима больше всего.

Сложная модель может дать результат распределения активов, который выглядит математически точным, но зависит от допущений, слишком неустойчивых, чтобы его обосновать. Незначительные изменения в исходных данных могут порой привести к существенным изменениям в рекомендуемом портфеле.

Поэтому ограничения играют важную роль. Инвестиционные команды могут ограничивать долю одной компании, сектора или страны в портфеле, устанавливать минимальные требования к ликвидности и ограничивать оборачиваемость активов. Эти правила не позволяют процессу оптимизации формировать теоретически эффективный портфель, который в реальности оказался бы непрактичным или чрезмерно сконцентрированным.

ИИ может улучшить качество анализа, но не может определить цели инвестора. Решения о допустимом уровне убытков, потребностях в ликвидности, инвестиционном горизонте и этических ограничениях по-прежнему остаются прерогативой человека.

Больший объем данных не всегда приводит к принятию более правильных решений

Альтернативные данные расширили спектр информации, доступной инвестиционным менеджерам. Спутниковые снимки, данные о веб-трафике, объявления о вакансиях, отчеты о грузоперевозках, транзакции по кредитным картам и настроения пользователей в Интернете могут дать подсказки об экономической или корпоративной деятельности еще до публикации традиционных финансовых отчетов.

Это преимущество может быть временным. Как только многие инвесторы приобретут один и тот же набор данных и начнут использовать схожие модели, эта информация может найти отражение в рыночных ценах. То, что когда-то служило отличительным сигналом, может превратиться в дорогостоящий товар.

Кроме того, данные могут быть неполными или вводящими в заблуждение. Транзакции по банковским картам могут завышать долю определенных потребителей, данные об онлайн-активности могут подвергаться манипуляциям, а спутниковые данные — неверно интерпретироваться. Исторические данные могут содержать пробелы или отражать условия, которые к настоящему моменту уже утратили актуальность.

Важны также вопросы законности и конфиденциальности. Компании должны понимать, каким образом была собрана информация, может ли она использоваться в инвестиционных целях и можно ли по ней идентифицировать конкретных лиц. Приобретение данных у третьей стороны не снимает с инвестиционного менеджера ответственности за оценку их происхождения.

Модель, обученная на больших объемах некачественной информации, может генерировать ошибки быстрее и в большем масштабе, чем аналитик-человек.

Проблема меняющихся рынков

Модели машинного обучения обучаются на основе исторических примеров. Рынки же представляют собой адаптивные системы, на которые влияют политика, технологии, нормативно-правовое регулирование и поведение других инвесторов.

Стратегия, отлаженная в период снижения процентных ставок, может вести себя непредсказуемо при росте инфляции. Зависимость, наблюдавшаяся до изменения нормативных требований, может исчезнуть после этого. Модели, разработанные в период стабильности на рынках, могут недооценивать скорость исчезновения ликвидности в условиях стресса.

Это явление известно как «дрейф модели» или «смена режима». Условия реальной среды начинают отличаться от условий, представленных в обучающих данных, что снижает достоверность результатов.

Инвестиционные компании должны отслеживать, работает ли модель в соответствии с ожиданиями, а не просто проверять, сохраняется ли её техническая работоспособность. Результаты работы модели следует сравнивать с исходными допущениями, при этом должны быть четко определены пороговые значения, при достижении которых необходимо проводить пересмотр, вводить ограничения или прекратить использование модели.

Человеческий контроль играет наиболее важную роль именно в тех случаях, когда модель сталкивается с чем-то, с чем она ранее не сталкивалась. Именно в таких ситуациях автоматическая оценка достоверности может вводить в заблуждение больше всего.

У персонализации есть практические ограничения

ИИ может помочь консультантам адаптировать портфели с учетом целей инвестора, его готовности к риску, налогового статуса и требований к ликвидности. Он также способен определять, когда портфель отклонился от целевого распределения активов или когда изменение обстоятельств может послужить основанием для его пересмотра.

Благодаря этому персонализация станет доступна клиентам, которые в традиционном частном банке не получили бы полностью индивидуально разработанный портфель. Однако качество результата зависит от предоставленной информации.

Анкета не всегда позволяет понять, как инвестор отреагирует на реальные убытки. Кто-то может утверждать, что спокойно относится к волатильности, когда рынки растут, а затем продать свои активы при первом же значительном падении.

Персонализация также может стать маркетинговым приёмом. Платформа может представлять стандартный портфель с незначительными корректировками в качестве сугубо индивидуальной стратегии. Инвесторам следует задаться вопросом, какие элементы действительно адаптированы под конкретного клиента, а какие остаются одинаковыми для всех клиентов в рамках широкой категории.

Алгоритм может помочь преобразовать заданные предпочтения в распределение средств. Однако он не может определить, осознал ли инвестор все последствия.

Может ли искусственный интеллект предсказывать поведение рынка?

ИИ может оценивать вероятности и выявлять исторические закономерности. Однако он не может с уверенностью предсказать, как рынки отреагируют на выборы, войну, решение регулирующих органов, неожиданное объявление о финансовых результатах или изменение настроений инвесторов.

Прогнозы также могут оказывать влияние на рынок, который они пытаются предсказать. Если многие компании используют сопоставимые данные и модели, они могут одновременно покупать и продавать аналогичные активы. Это может ослабить изначальную инвестиционную возможность и, возможно, усилить ценовые колебания.

Успешные компании, применяющие количественные подходы, демонстрируют, что систематические инвестиционные стратегии могут приносить результаты. Однако они не доказывают, что готовый инструмент на базе искусственного интеллекта способен воспроизвести их результаты. Ведущие компании сочетают собственные данные, инфраструктуру, исследования, системы исполнения ордеров и многолетний накопленный опыт. Кроме того, их модели разрабатываются и контролируются специализированными командами.

Поэтому к потребительскому приложению, которое утверждает, что с помощью искусственного интеллекта может определять акции, которые завтра принесут прибыль, следует относиться с большим скептицизмом. Использование сложной терминологии не означает наличия способности предсказывать будущее.

За что стоит платить?

ИИ может оправдать свои затраты, если он обеспечивает более эффективную консолидацию данных, повышение эффективности исследований, прозрачность рисков или оперативный контроль. Для семейного офиса возможность отслеживать риски по публичным и частным активам может оказаться более ценной, чем очередной источник торговых рекомендаций.

Особое значение имеют достоверные данные и интеграция. Платформа должна предоставлять информацию о том, с какими депозитариями, банками и рыночными источниками она взаимодействует, как осуществляется сверка информации и как производится оценка частных активов.

Анализ сценариев также может оказаться полезным. Система должна позволять инвестору или управляющему проанализировать возможные варианты развития событий при различных допущениях, а не представлять один прогноз в качестве ожидаемого будущего.

Прозрачность важнее новизны. Пользователи должны понимать, на что влияет модель, как проверяется её эффективность и в каких случаях требуется утверждение со стороны человека. Системе, которая не может объяснить свои ограничения, не следует предоставлять больше полномочий только потому, что её внутренние вычисления сложны.

Что обычно можно пропустить

Инвесторам не нужен продукт на базе искусственного интеллекта только потому, что это звучит современно. Многие робо-консультанты используют простые правила формирования портфеля, основанные на диверсификации, периодической ребалансировке и использовании недорогих фондов. Такие решения могут быть вполне полезными, но они не должны стоить дорого только потому, что в интерфейс добавлен чат-бот.

Ежедневные рекомендации по портфелю также не нужны большинству долгосрочных инвесторов. Частые изменения могут привести к увеличению затрат, налогов и усилить соблазн реагировать на рыночные колебания.

Показатели настроения и панели прогнозных данных могут выглядеть впечатляюще, но при этом не способствовать улучшению результатов. Спросите себя, влияет ли эта информация на принятие конкретного решения и было ли заявленное улучшение проверено с учетом затрат.

Самое главное — избегайте продуктов, обещающих стабильно высокую доходность, защиту от убытков или способность с исключительной точностью предсказывать движения рынка. Регулирующие органы приняли меры в отношении инвестиционных компаний, делающих вводящие в заблуждение заявления об использовании искусственного интеллекта. “AI-вошинг” может создать впечатление, что обычная или непроверенная стратегия является более передовой, чем она есть на самом деле.

Вопросы, которые следует задать поставщику услуг

Для начала стоит задаться вопросом: чем на самом деле занимается ИИ? Помогает ли он в проведении исследований, подборе ценных бумаг, определении структуры активов, ребалансировке портфеля или общении с клиентами?

Узнайте, какие данные использует модель и имеет ли поставщик законное право на их использование. Уточните, как часто проводится тестирование системы, кто проверяет её результаты и при каких условиях компания может отменить или приостановить её работу.

К заявлениям о доходности следует относиться с осторожностью. Уточните, основаны ли результаты на реальных портфелях или на исторических симуляциях, учитываются ли в них комиссии и торговые издержки, а также какой эталонный индекс использовался. Бэктест, проведенный после разработки модели, не является эквивалентом независимо подтвержденной истории инвестиционных результатов.

Поставщик услуг также должен объяснить, как хранится информация о клиентах и используется ли она для обучения внешних моделей. Состав портфеля, налоговая ситуация и личные финансовые цели относятся к конфиденциальным данным.

И, наконец, уточните, кто несет ответственность за принятие инвестиционного решения. Технологии не освобождают консультанта или управляющего активами от юридических и профессиональных обязанностей.

Риски, связанные с распространенными моделями

Если многие финансовые учреждения будут полагаться на одних и тех же поставщиков моделей, облачных сервисов и наборов данных, отрасль может оказаться более взаимосвязанной, чем кажется на первый взгляд.

Модели могут одинаково реагировать на рыночный шок, рекомендовать схожие изменения в портфеле или неверно интерпретировать одну и ту же недостоверную информацию. Результатом могут стать торговые операции, усиливающие волатильность.

Зависимость от небольшого числа поставщиков технологий также создает операционный риск. Сбой в работе, кибератака или обновление модели могут одновременно затронуть множество компаний. Инвестиционные менеджеры должны иметь планы действий в чрезвычайных ситуациях и сохранять способность обеспечивать функционирование критически важных процессов в случае, если какой-либо поставщик окажется недоступен.

Передача модели на аутсорсинг не означает передачу ответственности. Компании должны достаточно хорошо понимать систему, чтобы иметь возможность критически оценивать её результаты и справляться с её сбоями.

Контроль со стороны человека должен быть реальным

Включение человека на заключительном этапе автоматизированного процесса не гарантирует эффективного контроля. Сотрудники могут принимать рекомендации модели просто потому, что система кажется более объективной, или из-за того, что у них нет ни времени, ни опыта, чтобы их оспаривать.

Для обеспечения эффективного надзора необходим доступ к соответствующим данным, понимание целевого назначения модели и полномочия отклонять её рекомендации. Решения должны фиксироваться в документах, особенно в тех случаях, когда система влияет на распределение портфеля или рекомендации, предоставляемые клиенту.

Профессионалы в сфере инвестиций будут все чаще выступать не только в роли аналитиков ценных бумаг и специалистов по формированию портфелей, но и в качестве «хранителей моделей». Им необходимо будет понимать, в каких случаях ИИ предоставляет полезную информацию, в каких — просто подтверждает существующую точку зрения, а в каких — вселяет ложную уверенность.

Наиболее эффективный процесс сочетает в себе масштаб вычислений и ответственность человека. ИИ может выявлять закономерности и тестировать сценарии; люди же должны решать, имеют ли эти закономерности экономический смысл и соответствуют ли они интересам инвестора.

Более совершенный стандарт для портфелей, управляемых искусственным интеллектом

Портфель, формируемый с помощью искусственного интеллекта, должен по-прежнему соответствовать тем же основным критериям, что и любой другой инвестиционный подход. Он должен иметь четкую цель, понятные затраты, надлежащую диверсификацию и уровень риска, соответствующий способности инвестора нести убытки.

Его эффективность следует сравнить с более простой альтернативой. Если недорогой диверсифицированный портфель дает аналогичный результат, дополнительная сложность и затраты могут оказаться неоправданными.

Инвесторам также следует проводить различие между более эффективным управлением портфелем и более качественной презентацией. Автоматически сгенерированные комментарии и отполированные информационные панели могут улучшить коммуникацию, не улучшая при этом сами инвестиции.

Искусственный интеллект, скорее всего, найдет широкое применение в таких сферах, как исследования, формирование портфелей, управление рисками и обслуживание клиентов. Его наиболее долгосрочный вклад, возможно, будет заключаться в том, чтобы помогать специалистам более последовательно обрабатывать информацию и отслеживать сложные портфели, а не в том, чтобы заменить их автономным инвестиционным механизмом.

Эта технология может сделать управление портфелем более оперативным и обоснованным, но она не способна устранить неопределённость или определить, что именно должен ценить инвестор. Используйте ИИ там, где он способствует повышению достоверности данных, прозрачности и дисциплины. Сохраняйте скептицизм, когда его представляют в качестве замены диверсификации, собственного суждения или ответственности.