Rozwój funduszy hedgingowych opartych na sztucznej inteligencji

Sztuczna inteligencja odgrywa coraz większą rolę w badaniach, obrocie i zarządzaniu ryzykiem w funduszach hedgingowych. Preqin podaje, że w ciągu ostatnich pięciu lat liczba funduszy korzystających ze sztucznej inteligencji wzrosła o 20%. Technologia ta pozwala zarządzającym analizować większą ilość danych i szybciej reagować, nie eliminuje jednak najstarszych problemów związanych z inwestowaniem: niewiarygodnych sygnałów, przepełnionych rynków oraz nagłych zmian w zachowaniu rynku.

Fundusze hedgingowe zawsze dążyły do uzyskania przewagi informacyjnej lub analitycznej. Niektóre z nich opierały się na ocenie doświadczonych analityków giełdowych. Inne opracowały modele makroekonomiczne, strategie oparte na wydarzeniach lub modele statystyczne.

Sztuczna inteligencja stanowi kontynuację tradycji ilościowej. Systemy oparte na uczeniu maszynowym potrafią analizować duże zbiory danych, wykrywać wzorce i aktualizować swoje wnioski w miarę napływania nowych informacji.

Ta zdolność jest atrakcyjna na rynkach, na których generowana jest większa ilość danych, niż jakikolwiek zespół analityków jest w stanie samodzielnie przeanalizować.

Jednak przetwarzanie większej ilości informacji to nie to samo, co dokładniejsze zrozumienie rynków. Sztuczna inteligencja może usprawnić poszukiwanie okazji, ale jakość podejmowanych przez nią decyzji nadal zależy od danych, celów i założeń wbudowanych w system.

Najpierw pojawiło się inwestowanie ilościowe

Wykorzystanie komputerów w zarządzaniu inwestycjami sięga czasów poprzedzających obecne zainteresowanie sztuczną inteligencją.

Fundusze hedgingowe typu ilościowego od dziesięcioleci stosują metody matematyczne i statystyczne. Poszukują one powtarzających się zależności między papierami wartościowymi, zmiennymi ekonomicznymi i zachowaniami inwestorów, a następnie przekładają te zależności na zasady handlowe.

Jednym z najbardziej znanych przykładów stała się firma Renaissance Technologies. Jej fundusze opierały się na wykorzystaniu ogromnych zbiorów danych i modeli systematycznych, a nie na tradycyjnych analizach spółek czy subiektywnych prognozach rynkowych.

Sukces tej firmy przyczynił się do ugruntowania pozycji inwestowania ilościowego jako odrębnej i wysoce dochodowej gałęzi branży funduszy hedgingowych.

Sztuczna inteligencja stanowi raczej ewolucję tego podejścia, a nie całkowite odejście od niego. Tradycyjne modele często opierają się na relacjach wybranych przez badaczy. Systemy oparte na uczeniu maszynowym mogą analizować szerszy zestaw zmiennych i rozpoznawać wzorce przy mniejszym nakładzie bezpośrednich instrukcji.

Zwiększa to zakres analizy. Może to również sprawić, że wynikająca z tego strategia będzie trudniejsza do wyjaśnienia.

Coraz trudniej jest utrzymać przewagę w zakresie danych

Pierwsze fundusze ilościowe korzystały z informacji i możliwości obliczeniowych, które były niedostępne dla większości konkurentów.

Ta przewaga się zmniejszyła.

Ceny rynkowe, raporty firmowe, dane gospodarcze oraz alternatywne zbiory danych są obecnie dostępne dla szerszego grona przedsiębiorstw. Chmura obliczeniowa obniżyła koszty przetwarzania informacji, a zewnętrzni dostawcy oferują gotowe narzędzia do uczenia maszynowego.

Bariery utrudniające eksperymentowanie zostały zniesione. Bariery utrudniające osiąganie trwałych zwrotów z inwestycji – nie.

Gdy kilka funduszy analizuje podobne dane przy użyciu porównywalnych modeli, mogą one dostrzec tę samą okazję. Wówczas na rynek napływa kapitał, ceny ulegają korekcie, a oczekiwana stopa zwrotu spada.

Przewaga nie polega już na posiadaniu algorytmu, lecz na dysponowaniu lepszymi danymi, solidniejszymi badaniami i szybszym wdrażaniem.

Nawet informacje zastrzeżone nie zachowują swojej wartości w nieskończoność. Gdy konkurenci zorientują się, że dany zbiór danych zawiera przydatną informację, będą dążyć do jej odtworzenia.

Sztuczna inteligencja może przyspieszyć proces odkrywania. Może też przyspieszyć zanik odkrytej szansy.

Dane alternatywne poszerzają horyzonty

Fundusze oparte na sztucznej inteligencji potrafią przetwarzać informacje, które mogą zostać pominięte w tradycyjnej analizie inwestycyjnej.

Zdjęcia satelitarne mogą dostarczać szacunków dotyczących aktywności w fabrykach, portach czy na parkingach przy sklepach. Ceny w Internecie mogą stanowić wczesne sygnały dotyczące inflacji. Dane dotyczące transportu morskiego mogą ujawniać zmiany w przepływach handlowych, natomiast ogłoszenia o pracy mogą wskazywać, gdzie firmy rozszerzają swoją działalność.

Przetwarzanie języka naturalnego pozwala funduszom na analizowanie na szeroką skalę dokumentów korporacyjnych, konferencji dotyczących wyników finansowych, doniesień prasowych oraz aktywności w mediach społecznościowych.

Źródła te mogą pomóc menedżerom w rozpoznaniu zmian, zanim pojawią się one w tradycyjnych sprawozdaniach finansowych.

Powodują one również znaczny hałas.

Nastroje w mediach społecznościowych można manipulować. Obserwacje satelitarne wymagają interpretacji. Wzrost aktywności w dyskusjach internetowych może odzwierciedlać raczej kontrowersje niż siłę rynkową.

Dane alternatywne należy zatem zweryfikować w świetle rzeczywistych wyników gospodarczych. Nowatorski charakter zbioru danych nie stanowi dowodu na to, że zawiera on sygnał pozwalający osiągnąć zysk.

Im więcej informacji przetwarza model, tym większa jest potrzeba odróżnienia użytecznej zmienności od przypadkowych zjawisk.

„Prognoza” to wciąż niebezpieczne słowo

Fundusze hedgingowe oparte na sztucznej inteligencji są często opisywane jako potrafiące przewidywać zmiany na rynku z wyjątkową dokładnością.

To stwierdzenie wyolbrzymia możliwości większości systemów.

Modele uczenia maszynowego zazwyczaj szacują prawdopodobieństwa na podstawie zależności wykrytych w danych historycznych. Mogą one wykazać, że po pewnych kombinacjach cen, zmienności i aktywności handlowej w przeszłości następował konkretny wynik.

Zależności te nie są prawami natury.

Rynki się dostosowują. Inwestorzy reagują na działania innych, zmieniają się przepisy, a systemy gospodarcze ulegają przemianom. Gdy pewien schemat stanie się powszechnie rozpoznawalny, sama aktywność handlowa może go osłabić lub odwrócić.

Model wytrenowany w okresie niskich stóp procentowych może mieć trudności, gdy koszty finansowania gwałtownie wzrosną. Zależności, które sprawdzają się na płynnych rynkach, mogą przestać obowiązywać w czasie kryzysu.

Sztuczna inteligencja może sprawić, że prognozy będą bardziej szczegółowe i będą częściej aktualizowane. Nie może jednak zagwarantować, że jutro będzie wyglądało tak, jak dane, na których została wyszkolona.

Bridgewater stanowi przykład innego zastosowania

Firma Bridgewater Associates znana jest przede wszystkim z systematycznego inwestowania makroekonomicznego, a nie z prowadzenia działalności jako fundusz hedgingowy oparty wyłącznie na sztucznej inteligencji.

Proces inwestycyjny tej firmy od dawna opiera się na jasno określonych zasadach, zależnościach ekonomicznych oraz dogłębnej analizie danych. Sztuczna inteligencja może wspierać tę strukturę, pomagając analitykom w badaniu informacji, weryfikacji hipotez oraz monitorowaniu ryzyka portfelowego.

To rozróżnienie ma znaczenie.

Niektóre fundusze hedgingowe wykorzystują uczenie maszynowe do bezpośredniego generowania transakcji. Inne traktują je jako jeden z elementów szerszego systemu inwestycyjnego. Sztuczna inteligencja może wspierać badania, realizację transakcji lub zarządzanie ryzykiem, nie przejmując jednak kontroli nad całym portfelem.

Podejście firmy Bridgewater pokazuje, w jaki sposób technologia może wzmocnić ugruntowaną filozofię inwestycyjną, a nie ją zastąpić.

Jasne ramy mogą również ułatwić podważanie wyników analizy automatycznej. Gdy wnioski modelu są sprzeczne z rozumieniem sytuacji gospodarczej przez fundusz, badacze mogą zbadać przyczyny tej rozbieżności.

Sztuczna inteligencja jest najbardziej przydatna wtedy, gdy generuje nie tylko odpowiedzi, ale także pytania.

Szybkość wpływa na równowagę sił

Systemy oparte na uczeniu maszynowym potrafią przetwarzać duże zbiory danych znacznie szybciej niż analitycy.

Ma to znaczenie w przypadku strategii, w których informacje szybko tracą na wartości. Fundusze mogą przeanalizować komunikat o wynikach finansowych, sklasyfikować jego treść i złożyć zlecenia, zanim tradycyjny zespół analityczny zakończy swoją analizę.

Algorytmy mogą również monitorować tysiące papierów wartościowych i dostosowywać pozycje w miarę zmian cen, korelacji lub zmienności.

Taka szybkość stanowi przewagę tylko wtedy, gdy sygnał jest wiarygodny, a koszty realizacji są pod kontrolą.

Zbyt częste zawieranie transakcji może obniżać zyski z powodu opłat, spreadów i wpływu na rynek. Szybkie reakcje mogą również spotęgować skutki błędów, jeśli model błędnie zinterpretuje nowe informacje.

Fałszywy sygnał, na który zareagowano w ciągu milisekund, pozostaje fałszywy.

Fundusze hedgingowe muszą zatem zdecydować, które wyniki wymagają natychmiastowej realizacji, a które powinny zostać poddane dodatkowej weryfikacji.

Najszybszy model niekoniecznie jest najbardziej opłacalny.

Sztuczna inteligencja nie eliminuje ludzkich uprzedzeń

Zwolennicy często twierdzą, że sztuczna inteligencja pozwala podejmować bardziej obiektywne decyzje inwestycyjne poprzez ograniczenie wpływu emocji i intuicji.

Może to ograniczyć pewne błędy wynikające z zachowań. Algorytm nie wpada w panikę po spadku na rynku, nie przywiązuje się do ulubionej spółki ani nie zmienia swojej strategii pod wpływem przekonującego prezesa.

Jednak modele przejmują wybory swoich projektantów.

Badacze wybierają dane, określają cel oraz decydują, w jaki sposób system powinien zrównoważyć zysk i ryzyko. Określają również, który okres historyczny ma znaczenie oraz w jaki sposób traktowane są nieudane prognozy.

W związku z tym stronniczość może wynikać raczej z samego sposobu konstruowania modelu niż z emocji zarządzającego portfelem.

Istnieje również ryzyko wystąpienia błędu automatyzacji. Pracownicy mogą kierować się wynikami złożonego systemu, ponieważ wydają się one naukowe, nawet jeśli założenia, na których się opierają, są słabe.

Ludzka ocena nie zniknęła. Została przeniesiona do etapu projektowania, interpretacji i nadzoru nad modelem.

Twierdzenia dotyczące wydajności wymagają solidniejszych dowodów

W raportach branżowych podaje się, że fundusze hedgingowe oparte na sztucznej inteligencji osiągają wyniki lepsze od funduszy tradycyjnych średnio o 5%.

Takie porównania wymagają ostrożności.

Pojęcie funduszu opartego na sztucznej inteligencji nie jest jednoznacznie zdefiniowane. Jeden zarządzający może wykorzystywać uczenie maszynowe do budowania portfela, podczas gdy inny stosuje tę technologię wyłącznie do realizacji zleceń lub monitorowania ryzyka.

Wyniki zależą również od strategii, sytuacji rynkowej, poziomu dźwigni finansowej oraz okresu, za który są mierzone.

Fundusze odnoszące sukcesy mogą upubliczniać swoje metody, podczas gdy fundusze, które poniosły porażkę, znikają z baz danych. Powoduje to powstanie błędu selekcji wynikającego z przetrwania i może sprawiać, że wyniki historyczne wydają się lepsze, niż były w rzeczywistości.

Sztuczna inteligencja może przyczynić się do osiągnięcia lepszych wyników w przypadku niektórych strategii. Nie jest ona jednak sama w sobie czynnikiem wpływającym na stopę zwrotu.

Inwestorzy muszą zrozumieć, w jaki sposób technologia ta wpływa na proces inwestycyjny oraz czy deklarowana przewaga przetrwała w obliczu kosztów transakcyjnych, zmieniających się warunków rynkowych i konkurencji.

Wykorzystanie uczenia maszynowego nie powinno obniżać standardów należytej staranności.

Ryzyko związane z modelem staje się ryzykiem inwestycyjnym

Każdy fundusz ilościowy narażony jest na ryzyko modelowe: możliwość, że jego model rynku jest niekompletny lub błędny.

Sztuczna inteligencja może pogłębić ten problem, ponieważ złożone systemy mogą zachowywać się w sposób trudny do przewidzenia.

Model może osiągać dobre wyniki podczas testów, ponieważ zidentyfikował przypadkowe wzorce w danych historycznych. Zjawisko to nazywa się naddopasowaniem. Strategia ta wydaje się precyzyjna, dopóki nie napotka informacji, z którymi wcześniej nie miała do czynienia.

Modele mogą również stopniowo tracić na skuteczności w miarę zmian warunków rynkowych. Sygnał może nadal przynosić zyski, ale tracić na sile, co powoduje, że system podejmuje większe ryzyko, dążąc do osiągnięcia tego samego zwrotu.

Fundusze hedgingowe muszą sprawdzać, czy aktualne wyniki są zgodne z wynikami pierwotnych badań.

Niezbędna jest niezależna weryfikacja. Zespół opracowujący model nie powinien być jedynym podmiotem odpowiedzialnym za ocenę jego wiarygodności.

Menedżerowie potrzebują również jasno określonych progów, na podstawie których mogą ograniczyć ekspozycję lub zamknąć daną strategię.

Nie należy bronić modelu tylko dlatego, że jest on zbyt złożony, by go zrozumieć.

Modele oparte na dużej liczbie uczestników mogą wzmacniać dynamikę rynków

Rozwój handlu opartego na sztucznej inteligencji może wpłynąć na zachowania rynkowe wykraczające poza poszczególne fundusze.

Jeśli kilka modeli reaguje na te same sygnały, mogą one kupować i sprzedawać w podobnym czasie. Może to prowadzić do nadmiernego zatłoczenia pozycji i gwałtownych wahań cen w momencie odwrócenia się sytuacji.

Strategia może sprawiać wrażenie zdywersyfikowanej, ponieważ obejmuje obrót wieloma papierami wartościowymi. W rzeczywistości jej pozycje mogą zależeć od tego samego czynnika bazowego, co pozycje innych funduszy ilościowych.

Ta ukryta koncentracja ujawnia się w sytuacjach stresowych.

Wymuszone zmniejszenie dźwigni finansowej może spotęgować ten efekt. Gdy rosną straty lub wzrasta zmienność, systemy zarządzania ryzykiem mogą wymagać od kilku funduszy jednoczesnego zmniejszenia ekspozycji.

Każdy fundusz może postępować racjonalnie z własnego punktu widzenia, przyczyniając się jednocześnie do niestabilności na całym rynku.

Sztuczna inteligencja niekoniecznie powoduje takie zachowanie, ale większa automatyzacja i podobieństwo modeli mogą je przyspieszyć.

Osoby zarządzające ryzykiem muszą zatem brać pod uwagę nie tylko to, jakie dane posiada ich własny system, ale także to, jak konkurenci mogą zareagować na te same informacje.

Zarządzanie ryzykiem to jedna z mocniejszych stron tej aplikacji

Sztuczna inteligencja może przynosić wyraźniejsze korzyści w zakresie zarządzania ryzykiem niż w prognozowaniu sytuacji rynkowej.

Systemy mogą monitorować ekspozycje portfelowe, wykrywać nietypowe korelacje oraz identyfikować zmiany płynności. Mogą one analizować, w jaki sposób pozycje pozornie niepowiązane mogą reagować na ten sam wstrząs.

Uczenie maszynowe może również pomóc funduszom w testowaniu szerszego zakresu scenariuszy oraz w identyfikowaniu słabych punktów, które umykają uwadze przy stosowaniu tradycyjnych kategorii ryzyka.

Wynik nadal wymaga interpretacji.

Dane historyczne mogą zawierać niewiele przykładów poważnych zakłóceń na rynku. Model może oszacować prawdopodobieństwo wystąpienia ekstremalnych strat wyłącznie na podstawie dostępnych mu zdarzeń lub założeń.

Analiza scenariuszy powinna zatem uwzględniać sytuacje, które nie wystąpiły w danych szkoleniowych.

Zarządzanie ryzykiem to nie tylko ćwiczenie statystyczne. Wymaga wyobraźni pozwalającej przewidzieć, w jaki sposób rynki, kontrahenci i infrastruktura mogą zawieść.

Sztuczna inteligencja może poszerzyć zakres branych pod uwagę dowodów. Nie jest jednak w stanie przewidzieć każdego możliwego kryzysu.

Talent nabiera coraz bardziej interdyscyplinarnego charakteru

Inwestowanie oparte na sztucznej inteligencji wymaga czegoś więcej niż tylko inżynierów oprogramowania.

Zespoły odnoszące sukcesy łączą w sobie wiedzę specjalistyczną z zakresu matematyki, informatyki, rynków, budowania portfela oraz ryzyka. Nawet zaawansowany technicznie model może zawieść, jeśli jego twórcy nie rozumieją kosztów transakcyjnych ani tego, jak zmienia się płynność rynku w sytuacjach stresowych.

Specjaliści ds. inwestycji muszą również dysponować wystarczającą wiedzą techniczną, aby móc krytycznie oceniać system. Powinni rozumieć, w jaki sposób wybrano dane, co model optymalizuje oraz w jakich obszarach jego wnioski są najmniej wiarygodne.

Rywalizacja o takich pracowników jest kosztowna.

Fundusze hedgingowe rekrutują pracowników z firm technologicznych, uczelni wyższych oraz wyspecjalizowanych firm badawczych. Wynagrodzenie może być bardzo wysokie, zwłaszcza w przypadku pracowników łączących wiedzę z zakresu uczenia maszynowego z doświadczeniem na rynkach finansowych.

Mniejsze firmy zarządzające mogą mieć trudności z dorównaniem zasobom dużych firm zajmujących się inwestowaniem ilościowym.

Technologia zewnętrzna może zmniejszyć tę lukę, ale nie jest w stanie zastąpić wewnętrznego zrozumienia. Fundusz, który polega na systemie, którego nie jest w stanie ocenić, zyskał raczej nowe ryzyko operacyjne niż przewagę inwestycyjną.

Wydatki na technologie nie gwarantują zwrotu z inwestycji

Prognozowano, że do 2025 r. inwestycje funduszy hedgingowych w technologie sztucznej inteligencji osiągną poziom $2 miliardów.

Wydatki mogą przyczynić się do poprawy infrastruktury, badań i realizacji zadań. Mogą one jednak również sfinansować projekty, które nigdy nie zaowocują realną strategią.

Inicjatywy związane ze sztuczną inteligencją mogą zakończyć się niepowodzeniem z powodu niskiej jakości danych, niejasnego pytania badawczego lub niemożności skutecznego działania modelu na rzeczywistych rynkach.

Pomyślny wynik testu nie uwzględnia automatycznie kosztów transakcyjnych, ograniczeń wydajnościowych ani zmian w zachowaniu inwestorów.

Fundusze powinny zatem oceniać projekty technologiczne pod kątem określonych wyników inwestycyjnych lub operacyjnych.

System mający na celu obniżenie kosztów realizacji można poddać ocenie. Model zaprojektowany w celu usprawnienia wykrywania nadużyć można porównać z istniejącymi mechanizmami kontroli. Ogólną obietnicę poprawy wyników inwestycyjnych znacznie trudniej jest ocenić.

Zaawansowanie technologii nie ma znaczenia, jeśli nie przyczynia się do poprawy zwrotów skorygowanych o ryzyko ani do obniżenia wymiernych kosztów.

Zarządzanie musi nadążać za rosnącą złożonością

Fundusze oparte na sztucznej inteligencji muszą mieć jasno określony zakres odpowiedzialności za modele i ich wyniki.

Kierownictwo wyższego szczebla powinno wiedzieć, gdzie podejmowane są zautomatyzowane decyzje, które systemy umożliwiają zawieranie transakcji oraz jakie mechanizmy kontrolne ograniczają ich uprawnienia.

Wszelkie zmiany w modelach muszą zostać udokumentowane i przetestowane przed wdrożeniem. Źródła danych wymagają weryfikacji pod kątem zgodności z przepisami prawnymi i zasadami etyki, zwłaszcza gdy dotyczą one danych osobowych lub materiałów, które nie zostały zebrane w celach inwestycyjnych.

Kolejnym powodem do niepokoju jest cyberbezpieczeństwo. Zastrzeżone modele i zbiory danych stanowią cenne aktywa. Ich kradzież lub manipulacja mogłaby spowodować znaczne straty finansowe.

Fundusze muszą również przygotować się na awarie techniczne. Systemy transakcyjne wymagają zabezpieczeń, procedur ręcznej interwencji oraz zdolności do działania w sytuacji, gdy usługi zewnętrzne staną się niedostępne.

Automatyzacja może ograniczyć liczbę błędów ludzkich przy podejmowaniu rutynowych decyzji. Może jednak prowadzić do poważniejszych błędów, gdy wadliwy proces jest wdrażany na dużą skalę.

Sposób zarządzania decyduje o tym, czy szybkość stanie się atutem, czy też słabym punktem.

Inwestorzy muszą zadawać inne pytania

Inwestorzy instytucjonalni oceniający fundusz hedgingowy oparty na sztucznej inteligencji powinni spojrzeć poza samą narrację dotyczącą technologii.

Kluczową kwestią jest źródło zwrotu.

Inwestorzy muszą zrozumieć, jaką nieefektywność rynku wykorzystuje dana strategia, dlaczego powinna ona utrzymać się oraz co mogłoby spowodować jej zanik. Powinni również przeanalizować jakość danych, walidację modelu oraz wyniki funduszu poza okresem wykorzystanym do opracowania strategii.

Ważna jest również wielkość kapitału. Strategia może sprawdzać się przy ograniczonym kapitale, ale traci na skuteczności, gdy aktywa rosną, a transakcje wywołują zmiany na rynku.

Inwestorzy powinni zapytać, jak szybko zmieniają się modele, kto zatwierdza te zmiany oraz w jaki sposób pracownicy reagują, gdy wyniki wydają się nieuzasadnione.

Muszą również odróżniać prawdziwą przewagę wynikającą z praw własności od korzystania z powszechnie dostępnych narzędzi.

Imponująca prezentacja nie zastąpi solidnego procesu inwestycyjnego.

Przyszłość należy do funduszy hybrydowych, a nie do funduszy autonomicznych

Prognozuje się, że inwestycje w sztuczną inteligencję w sektorze finansowym będą nadal szybko rosły. Firma Gartner przewiduje roczny wzrost na poziomie 30%, choć dane te wymagają weryfikacji i mogą odnosić się do szerszego rynku usług finansowych.

W ciągu najbliższych trzech do pięciu lat uczenie maszynowe prawdopodobnie stanie się rutynowym elementem badań i działalności funduszy hedgingowych.

Nie oznacza to jednak, że fundusze w pełni autonomiczne będą dominować.

Rynki są systemami adaptacyjnymi, na które wpływają polityka, zachowania instytucji oraz wydarzenia niemające prawie żadnych historycznych precedensów. Strategie oparte wyłącznie na automatyzacji mogą przynosić dobre wyniki, ale pozostają narażone na ryzyko związane z założeniami, które mogą okazać się błędne bez żadnego ostrzeżenia.

Bardziej niezawodny model będzie prawdopodobnie łączył analizę automatyczną z badaniami prowadzonymi przez ludzi oraz rygorystycznym nadzorem.

Algorytmy mogą przeszukiwać duże zbiory danych, monitorować pozycje i realizować transakcje. Zarządzający portfelami i zespoły ds. ryzyka muszą zdecydować, czy zidentyfikowane zależności mają sens z ekonomicznego punktu widzenia oraz czy fundusz będzie w stanie przetrwać, gdy przestaną one działać.

Sztuczna inteligencja poszerzy zakres sygnałów, na które mogą zwracać uwagę fundusze hedgingowe. Zwiększy również tempo, w jakim strategie są kopiowane, stają się przedmiotem masowego zainteresowania i tracą na aktualności.

Technologia ta może usprawnić mechanizmy inwestycyjne. Nie eliminuje jednak konkurencji, niepewności ani cyklu rynkowego.

Dla funduszy hedgingowych to wciąż najtrudniejsze problemy.