Globalny wzrost popularności zarządzania portfelem opartego na sztucznej inteligencji

Sztuczna inteligencja coraz głębiej wkracza w zarządzanie portfelami, pomagając firmom inwestycyjnym w analizowaniu rynków, monitorowaniu ryzyka oraz dostosowywaniu usług do indywidualnych potrzeb klientów. Jej atrakcyjność wynika z możliwości przetwarzania ogromnych ilości informacji szybciej niż tradycyjne zespoły analityczne, jednak technologia ta nie zastępuje zasad, na których opiera się budowa portfeli. Alokacja aktywów, dywersyfikacja, wycena i kontrola ryzyka pozostają kluczowe; sztuczna inteligencja zmienia jedynie tempo i skalę, w jakiej można je stosować.

Firma Deloitte ustaliła, że około 60% ankietowanych firm zarządzających inwestycjami wykorzystywało sztuczną inteligencję w umiarkowanym stopniu w działaniach związanych z dystrybucją danych, podczas gdy jedynie 11% określiło jej wykorzystanie jako szerokie. Dane te wskazują, że branża wykracza poza etap eksperymentów, nie osiągając jednak jeszcze pełnej integracji. Większość firm nie powierza decyzji dotyczących portfela autonomicznym systemom. Wprowadzają one sztuczną inteligencję wybiórczo w obszarach badań, komunikacji z klientami, zgodności z przepisami oraz procesów operacyjnych, gdzie korzyści można zmierzyć w bardziej przejrzysty sposób.

Automatyzacja pojawiła się przed sztuczną inteligencją

W zarządzaniu portfelami zaczęto wykorzystywać technologie na długo przed obecną falą generatywnej sztucznej inteligencji. Fundusze ilościowe wykorzystywały modele statystyczne do identyfikacji wzorców, natomiast algorytmiczne systemy transakcyjne zautomatyzowały realizację zleceń i skróciły czas między sygnałem inwestycyjnym a transakcją. Robo-doradcy udostępnili później podobne rozwiązania inwestorom indywidualnym, wykorzystując cyfrowe kwestionariusze, modelowe portfele i automatyczne zrównoważanie portfela, aby zapewnić podstawowe usługi zarządzania inwestycjami po niższych kosztach.

Firma Wealthfront stała się jednym z najbardziej znanych przykładów tej zmiany po tym, jak została założona w 2008 roku i wprowadziła zautomatyzowane inwestowanie w 2011 roku. Jej platforma tworzy portfele z funduszy notowanych na giełdzie, dostosowuje alokację aktywów do profilu ryzyka klienta oraz automatyzuje takie funkcje, jak rebalansowanie portfela i optymalizacja strat podatkowych. Znaczenie tego modelu polega nie tyle na przewidywaniu zachowań rynków, co na standaryzacji procesu, który wcześniej wymagał większego nakładu pracy ludzkiej, co pozwala firmie obsługiwać dużą bazę klientów przy stosunkowo niskich kosztach.

Rozróżnienie między automatyzacją a sztuczną inteligencją jest istotne, ponieważ terminy te są często używane zamiennie. System oparty na regułach może zrównoważyć portfel bez uczenia się na podstawie nowych danych, podczas gdy model oparty na uczeniu maszynowym może korygować swoje wnioski w miarę zmian warunków rynkowych. Oba rozwiązania mogą zwiększyć efektywność, ale wiążą się z różnymi założeniami i ryzykiem.

Sztuczna inteligencja poszerza zakres analizy

Współczesne zespoły inwestycyjne muszą analizować raporty spółek, dane ekonomiczne, notowania rynkowe, wiadomości, analizy oraz coraz większe ilości danych alternatywnych. Sztuczna inteligencja może porządkować te informacje, identyfikować nietypowe wzorce i zwracać uwagę na zmiany, które w przeciwnym razie mogłyby zostać przeoczone. Systemy oparte na języku naturalnym mogą analizować konferencje dotyczące wyników finansowych lub dokumenty regulacyjne, natomiast modele uczenia maszynowego mogą porównywać zależności między tysiącami papierów wartościowych i zmiennych ekonomicznych.

Funkcje te mogą usprawnić proces analizy, pomagając zarządzającym portfelami w testowaniu większej liczby hipotez i monitorowaniu większej liczby pozycji. System może wykryć, że kilka pozycji, które wydają się zdywersyfikowane, jest narażonych na to samo ryzyko związane ze stopami procentowymi, kursami walutowymi lub łańcuchem dostaw. Może on również aktualizować te oceny częściej, niż pozwalałby na to kwartalny przegląd portfela.

Jednak większa ilość danych nie przekłada się automatycznie na lepsze decyzje inwestycyjne. Rynki zawierają zarówno szum, jak i informacje, a modele mogą identyfikować korelacje, które zanikają wraz ze zmianą warunków gospodarczych. System może wygenerować precyzyjną odpowiedź, nie ustalając jednak, czy leżąca u jej podstaw zależność jest trwała lub ma znaczenie ekonomiczne. Sztuczna inteligencja poszerza zakres analizy, ale to zarządzający portfelem musi nadal decydować, co powinno mieć wpływ na alokację kapitału.

Personalizacja staje się coraz bardziej skalowalna

Sztuczna inteligencja zmienia również sposób, w jaki firmy dostosowują portfele i komunikację do indywidualnych potrzeb klientów. Tradycyjne modele zarządzania majątkiem często klasyfikują inwestorów według ogólnych kategorii, takich jak wiek, wartość aktywów i tolerancja ryzyka. Bardziej zaawansowane systemy mogą uwzględniać przepływy pieniężne, zobowiązania, potrzeby w zakresie płynności, sytuację podatkową oraz planowane zobowiązania finansowe, aby stworzyć bardziej szczegółowy obraz tego, co jest odpowiednie dla danego klienta.

Dzięki temu firmy będą mogły zidentyfikować sytuacje, w których portfel klienta nie odzwierciedla już jego aktualnej sytuacji lub gdy aktywa rozłożone na kilku rachunkach powodują niezamierzoną koncentrację. Doradcy mogą również korzystać z podsumowań generowanych przez sztuczną inteligencję, aby przygotować się do spotkań i skoncentrować dyskusję na decyzjach najbardziej istotnych dla klienta, zamiast tracić czas na ręczne gromadzenie informacji.

Jakość personalizacji zależy od jakości danych źródłowych. Wiele firm nadal przechowuje informacje o klientach w rozproszonych systemach, a dane dotyczące majątku prywatnego i struktury rodzinnej mogą być dokumentowane w sposób niespójny. Sztuczna inteligencja potrafi analizować otrzymane dane, ale nie jest w stanie skorygować każdego braku ani ustalić, czy deklarowane przez klienta preferencje przetrwają poważny spadek na rynku. Nawet bardziej szczegółowa rekomendacja może okazać się nieodpowiednia, jeśli opiera się na niekompletnych informacjach.

Zarządzanie ryzykiem oferuje bardziej przekonujący argument przemawiający za jego zastosowaniem

Ryzyko portfelowe to jeden z obszarów, w którym sztuczna inteligencja może przynieść najbardziej namacalne korzyści praktyczne. Narzędzia oparte na uczeniu maszynowym mogą monitorować zmiany zmienności, korelacji, płynności i koncentracji portfela, umożliwiając firmom szybsze wykrywanie pojawiających się ekspozycji. Mogą one również wspierać analizę scenariuszy poprzez porównywanie zachowań różnych aktywów w poprzednich okresach napięć rynkowych.

Narzędzia te są cenne, ponieważ ryzyko często występuje w różnych kategoriach, które w tradycyjnej sprawozdawczości traktuje się oddzielnie. Portfel może zawierać akcje, obligacje i inwestycje prywatne, które wszystkie zależą od tej samej sytuacji gospodarczej, mimo że są klasyfikowane jako różne klasy aktywów. Sztuczna inteligencja może pomóc w ujawnieniu tej ukrytej wspólnej ekspozycji poprzez analizę szerszego zakresu powiązań.

Analiza historyczna ma jednak swoje ograniczenia. Modele wytrenowane na danych dotyczących poprzednich kryzysów nie są w stanie w pełni przewidzieć zdarzeń o innych przyczynach lub w odmiennych strukturach rynkowych, a korelacje często ulegają zmianie właśnie wtedy, gdy inwestorzy najbardziej ich potrzebują. Zespoły ds. ryzyka muszą zatem łączyć wyniki modeli z testami warunków skrajnych opartymi na sytuacjach, które nie wystąpiły w dostępnych danych. Sztuczna inteligencja może usprawnić system ostrzegania, ale nie jest w stanie zidentyfikować każdego prawdopodobnego źródła straty.

Oszczędności zależą od zmian w projekcie

Firmy inwestycyjne oczekują, że sztuczna inteligencja obniży koszty dzięki automatyzacji przeglądu dokumentów, sporządzania raportów, uzgadniania danych oraz niektórych aspektów obsługi klienta. Korzyści te mogą być znaczne w organizacjach, w których wysoko wykwalifikowani pracownicy wciąż poświęcają dużo czasu na powtarzalne zadania. Zarządzający portfelami i doradcy będą mogli wówczas poświęcić więcej uwagi analizie, strategii i relacjom z klientami.

Oszczędności nie pojawiają się automatycznie, ponieważ firmy muszą zainwestować w infrastrukturę danych, cyberbezpieczeństwo, integrację systemów oraz szkolenia pracowników, zanim technologia ta będzie mogła skutecznie funkcjonować. Wdrożenie aplikacji opartej na sztucznej inteligencji w oparciu o rozdrobnione bazy danych może raczej stworzyć kolejną warstwę złożoności, zamiast ją wyeliminować. Zewnętrzni dostawcy wiążą się również z kosztami licencji i zależnościami, które należy ocenić w kontekście oczekiwanych korzyści w zakresie wydajności.

Najprzekonujące uzasadnienia biznesowe opierają się na jasno zdefiniowanym procesie i mierzalnych wynikach. Skuteczność skrócenia czasu potrzebnego na przygotowanie raportu dotyczącego portfela można ocenić, podobnie jak zmniejszenie liczby fałszywych alertów dotyczących zgodności. Ogólna ambicja przekształcenia zarządzania inwestycjami za pomocą sztucznej inteligencji jest trudniejsza do zweryfikowania i częściej prowadzi do kosztownych eksperymentów bez wyraźnych korzyści.

Ludzka ocena staje się bardziej widoczna

Sztuczna inteligencja jest często przedstawiana jako sposób na wyeliminowanie emocji i ludzkich uprzedzeń z decyzji inwestycyjnych. Systematyczne zasady mogą rzeczywiście zapobiec sytuacji, w której zarządzający portfelem porzuci strategię z powodu krótkoterminowego strachu lub przywiązania do konkretnej inwestycji. Modele te nadal jednak odzwierciedlają ludzkie wybory dotyczące danych, celów i ograniczeń wykorzystanych do ich stworzenia.

To naukowcy decydują, który okres historyczny ma znaczenie, w jaki sposób należy mierzyć ryzyko oraz jakie wyniki system powinien optymalizować. Stronniczość może zatem wynikać raczej z konstrukcji modelu niż z intuicji tradera. Pracownicy mogą również ulegać stronniczości związanej z automatyzacją, przyjmując zalecenie tylko dlatego, że wydaje się ono matematycznie zaawansowane, nawet jeśli opiera się na słabych założeniach.

Rola zarządzającego portfelem polega obecnie na interpretacji i kwestionowaniu wyników. Specjaliści muszą na tyle dobrze rozumieć system, by rozpoznać, kiedy wynik jest sprzeczny z logiką ekonomiczną, kiedy dane są niewiarygodne lub kiedy zmieniające się warunki rynkowe sprawiły, że model stracił na aktualności. Ludzki osąd nie zniknął z tego procesu; jego rola polega teraz na podejmowaniu decyzji, kiedy nie należy kierować się wskazówkami maszyny.

Rozporządzenie wynika z tej decyzji

Zarządzanie portfelem wspomagane przez sztuczną inteligencję podlega tym samym obowiązkom w zakresie odpowiedniości, obowiązków powierniczych i ujawniania informacji, co tradycyjne doradztwo. Firma nie może przenieść odpowiedzialności na algorytm, gdy rekomendacja jest nieodpowiednia lub model prowadzi do szkodliwych skutków. Organy regulacyjne będą oczekiwać od instytucji udokumentowania, w jaki sposób systemy wpływają na decyzje oraz kto ponosi odpowiedzialność za ich zatwierdzanie.

Wyjaśnialność nabiera szczególnego znaczenia, gdy sztuczna inteligencja ma wpływ na konkretnego klienta. Inwestorzy nie muszą rozumieć każdego technicznego obliczenia, ale powinni mieć możliwość uzyskania zrozumiałego wyjaśnienia, dlaczego dany portfel lub rekomendacja są odpowiednie. Bardzo złożone modele mogą zapewniać jedynie nieznaczny wzrost skuteczności prognozowania, a jednocześnie utrudniać takie wyjaśnienie.

Przedsiębiorstwa stoją zatem przed dylematem wyboru między złożonością a kontrolą. W niektórych przypadkach prostszy model, zrozumiały dla pracowników i organów regulacyjnych, może okazać się bardziej przydatny niż bardziej precyzyjny system, którego działania nie da się wiarygodnie wyjaśnić ani poddać krytycznej analizie.

Kwestie bezpieczeństwa ograniczają tempo wdrażania

Systemy zarządzania portfelem oparte na sztucznej inteligencji wymagają dostępu do wrażliwych danych rynkowych, dotyczących klientów oraz transakcji. Wiąże się to z ryzykiem w zakresie poufności, cyberbezpieczeństwa oraz korzystania z usług zewnętrznych dostawców technologii. Dokumentacja dotycząca zarządzania majątkiem może ujawniać strukturę rodziny, interesy biznesowe, sytuację podatkową oraz planowane transakcje, co sprawia, że naruszenie bezpieczeństwa może przynieść szczególnie poważne szkody.

Instytucje muszą dysponować jasnymi zasadami określającymi, które systemy mogą uzyskiwać dostęp do informacji o klientach, gdzie dane są przetwarzane oraz czy zewnętrzni dostawcy mogą wykorzystywać je do szkolenia innych modeli. Należy również uniemożliwić pracownikom wprowadzanie informacji poufnych do narzędzi, które nie zostały zatwierdzone do użytku w sektorze finansowym.

Cyberbezpieczeństwo to tylko część problemu. Firmy muszą być przygotowane na błędne wyniki, przerwy w świadczeniu usług oraz możliwość manipulacji modelem poprzez wprowadzenie uszkodzonych danych. Odporność operacyjna wymaga zdolności do wykrywania problemów i kontynuowania działania w sytuacji, gdy zautomatyzowane systemy są niedostępne.

Przewaga konkurencyjna przesuwa się w kierunku wdrażania

Narzędzia oparte na sztucznej inteligencji stają się coraz bardziej dostępne, co zmniejsza prawdopodobieństwo, że sam dostęp do tej technologii zapewni trwałą przewagę. Konkurencyjne firmy mogą pozyskać podobne modele, moc obliczeniową i dane rynkowe, co oznacza, że wyróżnienie się na tle konkurencji będzie w coraz większym stopniu zależało od informacji zastrzeżonych, skutecznej integracji oraz jakości nadzoru sprawowanego przez ludzi.

Duże instytucje mogą czerpać korzyści z obszernych zbiorów danych i zespołów specjalistów, podczas gdy mniejsze firmy mogą uzyskać zaawansowane możliwości dzięki platformom zewnętrznym. Te ostatnie zyskują dostęp po niższych kosztach, ale tracą część kontroli nad infrastrukturą i projektowaniem modeli. W obu przypadkach wartość systemu zależy od tego, czy jest on wbudowany w proces inwestycyjny, a nie dodany jako odrębna funkcja.

Najnowsze badania PwC dotyczące zarządzania aktywami i majątkiem wskazują, że wiodące firmy wprowadzają technologie, takie jak sztuczna inteligencja i zaawansowana analityka, do samego serca procesów inwestycyjnych, dystrybucyjnych i obsługi klienta, zamiast wykorzystywać je wyłącznie jako narzędzia pomocnicze. To rozróżnienie odzwierciedla kolejny etap wdrażania tych technologii: przewaga konkurencyjna będzie wynikać z przeprojektowania procesów roboczych i procesów decyzyjnych w oparciu o te technologie, a nie z samego ogłoszenia, że sztuczna inteligencja jest w użyciu.

Zarządzanie portfelem pozostaje działaniem w warunkach niepewności

W ciągu najbliższych trzech do pięciu lat sztuczna inteligencja będzie nadal zyskiwać na znaczeniu w obszarach badań, zarządzania ryzykiem, obsługi klienta oraz zarządzania portfelami. Narzędzia oparte na języku naturalnym usprawnią dostęp do informacji, natomiast modele uczenia maszynowego pomogą firmom monitorować większe i bardziej złożone portfele. Te zmiany prawdopodobnie sprawią, że organizacje inwestycyjne będą działać szybciej i będą miały większe możliwości skalowania działalności.

Nie sprawią one, że rynki staną się przewidywalne. Ceny odzwierciedlają zmieniające się oczekiwania, decyzje polityczne i zachowania ludzkie, a zależności wykryte w danych historycznych mogą ulec osłabieniu, gdy inwestorzy zaczną na ich podstawie podejmować decyzje handlowe. Sztuczna inteligencja może zwiększyć prawdopodobieństwo podjęcia trafnej decyzji, ale nie może zagwarantować jej wyniku ani określić, jakie ryzyko powinien podjąć inwestor.

Najbardziej wiarygodny model nie jest zatem ani w pełni zautomatyzowany, ani całkowicie uzależniony od indywidualnej oceny. Maszyny mogą przetwarzać informacje, wykrywać wzorce i egzekwować zasady dotyczące portfela, podczas gdy ludzie oceniają, czy wynik ma sens ekonomiczny i pozostaje odpowiedni dla klienta. Sztuczna inteligencja zmienia mechanizmy zarządzania portfelem, ale zdyscyplinowana alokacja aktywów, jasna odpowiedzialność oraz zrozumienie niepewności będą nadal decydować o tym, czy mechanizmy te przynoszą lepsze wyniki inwestycyjne.