Sztuczna inteligencja w zarządzaniu portfelem

Sztuczna inteligencja potrafi analizować raporty firmowe, monitorować tysiące sygnałów ryzyka i testować zmiany w portfelu znacznie szybciej niż zespół inwestycyjny działający ręcznie. Nie oznacza to jednak, że potrafi ona wiarygodnie przewidywać zachowania rynków ani wyeliminować ryzyka strat. Dla inwestorów istotne nie jest to, czy portfel jest określany jako oparty na sztucznej inteligencji, ale na jakie decyzje wpływa ta technologia, jakie dane stanowią podstawę tych decyzji oraz kto ponosi odpowiedzialność, gdy model się myli.

Rola sztucznej inteligencji w zarządzaniu portfelem

Wykorzystanie sztucznej inteligencji w zarządzaniu portfelem obejmuje szeroki zakres zastosowań. Niektóre systemy pozyskują informacje ze sprawozdań finansowych, konferencji dotyczących wyników finansowych, doniesień prasowych i danych rynkowych. Inne szacują ryzyko, identyfikują powiązania między aktywami, testują potencjalne transakcje lub pomagają zarządzającym w tworzeniu portfeli dostosowanych do konkretnego celu.

Modele oparte na uczeniu maszynowym różnią się od tradycyjnych zasad inwestowania, ponieważ potrafią analizować ogromną liczbę zmiennych i wykrywać wzorce bez konieczności wcześniejszego zaprogramowania wszystkich zależności. System może oceniać, w jaki sposób zmiany stóp procentowych, cen surowców, komunikatów spółek oraz zmienności rynkowej wpływały w przeszłości na daną grupę papierów wartościowych.

Sztuczna inteligencja generatywna służy innym celom. Potrafi podsumowywać wyniki badań, odpowiadać na pytania dotyczące dokumentów wewnętrznych oraz przekształcać dane dotyczące portfela w szkice komentarzy dla klientów. Być może ułatwia ona wyszukiwanie informacji, ale nie staje się ekspertem inwestycyjnym tylko dlatego, że jej wyjaśnienia brzmią przekonująco.

Samo sformułowanie “zarządzanie portfelem oparte na sztucznej inteligencji” niewiele zatem mówi. Może ono odnosić się zarówno do zaawansowanego instytucjonalnego systemu zarządzania ryzykiem, jak i do robo-doradcy stosującego stosunkowo konwencjonalne zasady alokacji, czy też do platformy konsumenckiej, która wzbogaciła istniejący produkt inwestycyjny o chatbota.

W jakich obszarach sztuczna inteligencja może wnieść rzeczywistą wartość

Zespoły inwestycyjne przetwarzają więcej informacji, niż jakakolwiek osoba jest w stanie przeczytać. Sztuczna inteligencja może pomóc w klasyfikacji tych materiałów, wyodrębnieniu istotnych faktów oraz powiadamianiu analityków o zmianach wymagających uwagi.

Model może wykryć, że kierownictwo firmy stało się mniej pewne w swoich wypowiedziach, że zmieniły się trendy dotyczące kapitału obrotowego lub że kilka spółek z portfela ma wspólną ekspozycję, której nie uwzględniają ich formalne klasyfikacje sektorowe. Może on również porównać nowy raport z wieloletnimi danymi ujawnionymi wcześniej w sposób bardziej efektywny niż osoba przeprowadzająca to samo wyszukiwanie ręcznie.

Kolejnym wiarygodnym obszarem zastosowania jest zarządzanie ryzykiem. Technologia pozwala obliczyć, jak portfel może zareagować na zmiany stóp procentowych, kursów walut, spreadów kredytowych lub zmienności cen akcji. Umożliwia ona wykrycie koncentracji, które trudno dostrzec, gdy aktywa są utrzymywane za pośrednictwem wielu funduszy, podmiotów prawnych i podmiotów sprawujących nadzór nad aktywami.

Platformy takie jak Aladdin firmy BlackRock zostały zaprojektowane w celu zgromadzenia informacji dotyczących portfela, ryzyka i działalności operacyjnej w jednym systemie. Ich wartość polega nie tyle na tworzeniu pojedynczych prognoz rynkowych, co na ułatwianiu specjalistom ds. inwestycji spójnego przeglądu ekspozycji oraz analizowania konsekwencji potencjalnych decyzji.

Sztuczna inteligencja może również usprawnić procesy kontroli operacyjnej poprzez wykrywanie nietypowych transakcji, rozbieżności w uzgodnieniach lub naruszeń ograniczeń dotyczących portfela. Rozwiązania te pozwalają ograniczyć powtarzalne zadania, jednocześnie kierując uwagę pracowników na wyjątki wymagające oceny sytuacji.

Optymalizacja portfela to nie kryształowa kula

Optymalizacja portfela polega na doborze kombinacji aktywów, która zapewnia atrakcyjną oczekiwaną stopę zwrotu przy wybranym poziomie ryzyka. Sztuczna inteligencja pozwala uwzględnić większą ilość danych i modelować zależności, które mogą umknąć tradycyjnym metodom.

Ograniczeniem jest to, że nadal trzeba szacować oczekiwane stopy zwrotu, ryzyko i korelacje. Szacunki te są niepewne i mogą ulegać gwałtownym zmianom. Aktywa, które w normalnych warunkach rynkowych wydawały się słabo powiązane, mogą tracić na wartości jednocześnie w czasie kryzysu – właśnie wtedy, gdy dywersyfikacja jest najbardziej potrzebna.

Złożony model może generować alokację, która wydaje się matematycznie precyzyjna, ale opiera się na założeniach zbyt kruchych, by ją uzasadnić. Niewielkie zmiany w danych wejściowych mogą czasami powodować znaczne zmiany w rekomendowanym portfelu.

Ograniczenia mają zatem zasadnicze znaczenie. Zespoły inwestycyjne mogą ograniczać ekspozycję na jedną spółkę, sektor lub kraj, wymagać minimalnej płynności oraz nakładać ograniczenia dotyczące obrotów. Zasady te zapobiegają dążeniu procesu optymalizacji do teoretycznie efektywnego portfela, który w rzeczywistości okazałby się niepraktyczny lub nadmiernie skoncentrowany.

Sztuczna inteligencja może usprawnić analizę, ale nie jest w stanie określić celów inwestora. Decyzje dotyczące akceptowalnej straty, potrzeb w zakresie płynności, horyzontu inwestycyjnego oraz ograniczeń etycznych pozostają zasadniczo w gestii człowieka.

Większa ilość danych nie oznacza automatycznie lepszych decyzji

Dane alternatywne poszerzyły zakres informacji dostępnych dla zarządzających inwestycjami. Zdjęcia satelitarne, ruch internetowy, ogłoszenia o pracy, dane dotyczące transportu, transakcje kartami kredytowymi oraz nastroje w sieci mogą dostarczać wskazówek dotyczących aktywności gospodarczej lub działalności przedsiębiorstw jeszcze przed opublikowaniem tradycyjnych sprawozdań finansowych.

Ta przewaga może mieć charakter tymczasowy. Gdy wielu inwestorów nabywa ten sam zbiór danych i stosuje podobne modele, informacje te mogą znaleźć odzwierciedlenie w cenach rynkowych. To, co kiedyś stanowiło wyróżniający się sygnał, może stać się kosztownym towarem.

Dane mogą być również niekompletne lub wprowadzające w błąd. Transakcje kartowe mogą nadmiernie uwzględniać niektórych konsumentów, aktywność w Internecie może być manipulowana, a dane satelitarne mogą być błędnie interpretowane. Dane historyczne mogą zawierać luki lub odzwierciedlać warunki, które już nie mają zastosowania.

Istotne znaczenie mają również kwestie zgodności z prawem i prywatności. Firmy muszą zrozumieć, w jaki sposób zebrano dane, czy można je wykorzystać do celów inwestycyjnych oraz czy umożliwiają one identyfikację konkretnych osób. Zakup danych od podmiotu zewnętrznego nie zwalnia zarządzającego inwestycjami z obowiązku oceny ich pochodzenia.

Model wyszkolony na ogromnych ilościach niewiarygodnych danych może generować błędy szybciej i na większą skalę niż analityk.

Problem zmieniających się rynków

Modele uczenia maszynowego uczą się na podstawie przykładów z przeszłości. Rynki są jednak systemami adaptacyjnymi, na które wpływają polityka, technologia, regulacje oraz zachowania innych inwestorów.

Strategia opracowana w okresie spadających stóp procentowych może zachowywać się w nieoczekiwany sposób w obliczu wzrostu inflacji. Zależność zaobserwowana przed zmianą przepisów może po niej zaniknąć. Modele opracowane w okresie stabilnej sytuacji rynkowej mogą nie uwzględniać tempa, w jakim płynność finansowa zanika w warunkach kryzysowych.

Zjawisko to nazywa się dryfem modelu lub zmianą reżimu. Środowisko zaczyna różnić się od warunków przedstawionych w danych szkoleniowych, co zmniejsza wiarygodność wyników.

Firmy inwestycyjne muszą monitorować, czy model zachowuje się zgodnie z oczekiwaniami, a nie tylko czy pozostaje sprawny pod względem technicznym. Wyniki należy porównywać z pierwotnymi założeniami, przy czym należy określić jasne progi wymagające przeglądu, ograniczenia lub wycofania modelu.

Ludzki nadzór ma największe znaczenie wtedy, gdy model napotyka coś, czego wcześniej nie widział. Właśnie wtedy automatyczna ocena pewności może być najbardziej myląca.

Personalizacja ma praktyczne ograniczenia

Sztuczna inteligencja może pomóc doradcom w dostosowywaniu portfeli do celów inwestora, jego tolerancji ryzyka, sytuacji podatkowej oraz wymagań dotyczących płynności. Pozwala ona również wykryć, kiedy portfel odbiega od docelowej alokacji lub kiedy zmieniające się okoliczności mogą uzasadniać jego przegląd.

Dzięki temu personalizacja mogłaby stać się dostępna dla klientów, którzy w tradycyjnym banku prywatnym nie otrzymaliby w pełni dostosowanego do ich potrzeb portfela. Jednak jakość wyniku zależy od dostarczonych informacji.

Kwestionariusz nie zawsze pozwala ustalić, jak inwestor zareaguje na rzeczywistą stratę. Ktoś może twierdzić, że nie przeszkadza mu zmienność, gdy rynki idą w górę, a potem sprzedać akcje już przy pierwszym poważnym spadku.

Personalizacja może również stać się narzędziem marketingowym. Platforma może przedstawiać standardowy portfel z niewielkimi modyfikacjami jako wysoce zindywidualizowaną strategię. Inwestorzy powinni zapytać, które elementy są rzeczywiście dostosowane do ich potrzeb, a które pozostają niezmienne dla wszystkich klientów należących do danej szerokiej kategorii.

Algorytm może pomóc w przełożeniu określonych preferencji na alokację środków. Nie jest jednak w stanie ustalić, czy inwestor zrozumiał związane z tym konsekwencje.

Czy sztuczna inteligencja potrafi przewidzieć zmiany na rynku?

Sztuczna inteligencja potrafi oszacować prawdopodobieństwa i rozpoznać wzorce historyczne. Nie jest jednak w stanie z całą pewnością przewidzieć, jak rynki zareagują na wybory, wojnę, decyzję organu regulacyjnego, nieoczekiwane ogłoszenie wyników finansowych czy zmianę nastrojów inwestorów.

Prognozy mogą również wpływać na rynek, który mają przewidywać. Jeśli wiele firm korzysta z podobnych danych i modeli, mogą one jednocześnie kupować i sprzedawać podobne aktywa. Może to osłabić pierwotną szansę i potencjalnie nasilić wahania cen.

Firmy odnoszące sukcesy w dziedzinie analizy ilościowej pokazują, że systematyczne strategie inwestycyjne mogą się sprawdzać. Nie udowadniają one jednak, że gotowe narzędzie oparte na sztucznej inteligencji jest w stanie odtworzyć ich wyniki. Wiodące firmy łączą własne dane, infrastrukturę, badania, systemy realizacji zleceń oraz wiedzę zgromadzoną przez lata. Ich modele są ponadto opracowywane i nadzorowane przez wyspecjalizowane zespoły.

Aplikację konsumencką, która twierdzi, że dzięki sztucznej inteligencji potrafi wskazać akcje, które jutro przyniosą zysk, należy zatem traktować z dużym sceptycyzmem. Wyrafinowana terminologia nie świadczy o zdolności przewidywania.

Za co warto zapłacić?

Warto zainwestować w sztuczną inteligencję, jeśli zapewnia ona lepszą konsolidację, większą efektywność badań, lepszy wgląd w ryzyko lub lepszą kontrolę operacyjną. Dla family office możliwość monitorowania ekspozycji na aktywa publiczne i prywatne może być cenniejsza niż kolejne źródło rekomendacji inwestycyjnych.

Szczególnie ważne są wiarygodne dane i integracja. Platforma powinna wyjaśniać, z jakimi podmiotami sprawującymi nadzór, bankami i źródłami rynkowymi się łączy, w jaki sposób dokonuje się uzgadniania informacji oraz jak wyceniane są aktywa prywatne.

Przydatna może być również analiza scenariuszy. System powinien umożliwiać inwestorowi lub zarządzającemu przeanalizowanie możliwych scenariuszy przy różnych założeniach, zamiast przedstawiać jedną prognozę jako przewidywaną przyszłość.

Przejrzystość jest ważniejsza niż nowatorskość. Użytkownicy powinni rozumieć, na co model ma wpływ, w jaki sposób testowana jest jego wydajność oraz w jakich przypadkach wymagana jest weryfikacja przez człowieka. System, który nie potrafi wyjaśnić swoich ograniczeń, nie powinien otrzymywać większych uprawnień tylko dlatego, że jego wewnętrzne obliczenia są skomplikowane.

Co zazwyczaj można pominąć

Inwestorzy nie potrzebują produktu opartego na sztucznej inteligencji tylko dlatego, że ta nazwa brzmi nowocześnie. Wiele robo-doradców stosuje proste zasady zarządzania portfelem oparte na dywersyfikacji, okresowym zrównoważaniu portfela i funduszach o niskich kosztach. Rozwiązania te mogą być jak najbardziej przydatne, ale nie powinny być wyceniane na wysoką cenę tylko dlatego, że do interfejsu dodano chatbota.

Dla większości inwestorów długoterminowych codzienne rekomendacje dotyczące portfela również nie są konieczne. Częste zmiany mogą zwiększyć koszty, obciążenia podatkowe oraz pokusę reagowania na rynkowe wahania.

Wskaźniki nastrojów i pulpity prognostyczne mogą sprawiać wrażenie zaawansowanych, nie przyczyniając się jednak do poprawy wyników. Należy zadać sobie pytanie, czy informacje te mają wpływ na konkretną decyzję oraz czy deklarowana poprawa została zweryfikowana po uwzględnieniu kosztów.

Co najważniejsze, należy unikać produktów obiecujących niezmiennie ponadprzeciętne zyski, ochronę przed stratami lub możliwość przewidywania zmian na rynku z wyjątkową dokładnością. Organy nadzorcze podjęły działania przeciwko firmom inwestycyjnym, które podają wprowadzające w błąd informacje na temat wykorzystania przez nie sztucznej inteligencji. “AI washing” może sprawić, że zwykła lub niesprawdzona strategia będzie wydawać się bardziej zaawansowana, niż jest w rzeczywistości.

Pytania, które warto zadać usługodawcy

Na początek warto zadać sobie pytanie, czym właściwie zajmuje się sztuczna inteligencja. Czy wspiera badania, wybiera papiery wartościowe, określa alokację aktywów, dokonuje rebalansowania portfela, czy też komunikuje się z klientami?

Zapytaj, z jakich danych korzysta model oraz czy dostawca ma prawo do ich wykorzystywania. Dowiedz się, jak często system jest testowany, kto weryfikuje jego wyniki oraz jakie okoliczności skłoniłyby firmę do unieważnienia lub zawieszenia jego działania.

Z deklaracjami dotyczącymi wyników należy podchodzić z ostrożnością. Należy ustalić, czy wyniki opierają się na rzeczywistych portfelach, czy na symulacjach historycznych, czy uwzględniają opłaty i koszty transakcyjne oraz jaki benchmark został zastosowany. Test historyczny przeprowadzony po opracowaniu modelu nie jest równoznaczny z niezależnie zweryfikowaną historią wyników inwestycyjnych.

Usługodawca powinien również wyjaśnić, w jaki sposób przechowywane są dane klientów oraz czy są one wykorzystywane do szkolenia modeli zewnętrznych. Skład portfela, sytuacja podatkowa oraz osobiste cele finansowe stanowią dane wrażliwe.

Na koniec należy zapytać, kto ponosi odpowiedzialność za decyzję inwestycyjną. Technologia nie zwalnia doradcy ani zarządzającego aktywami z obowiązków prawnych i zawodowych.

Ryzyko związane z powszechnie stosowanymi modelami

Jeśli wiele instytucji finansowych korzysta z usług tych samych dostawców modeli, usług w chmurze i zbiorów danych, branża ta może okazać się bardziej powiązana, niż się wydaje.

Modele mogą reagować w podobny sposób na wstrząs rynkowy, zalecać porównywalne zmiany w portfelu lub błędnie interpretować te same nieprawidłowe informacje. Wynikające z tego transakcje mogą spotęgować zmienność.

Uzależnienie od niewielkiej liczby dostawców technologii wiąże się również z ryzykiem operacyjnym. Awaria, cyberatak lub aktualizacja modelu mogą jednocześnie wpłynąć na wiele firm. Zarządzający inwestycjami muszą dysponować planami awaryjnymi i zachować zdolność do prowadzenia kluczowych procesów w przypadku, gdy dostawca stanie się niedostępny.

Zlecenie wykonania modelu na zewnątrz nie oznacza zrzeczenia się odpowiedzialności. Firmy muszą posiadać wystarczającą wiedzę na temat systemu, aby móc weryfikować jego wyniki i radzić sobie z jego awariami.

Nadzór ze strony ludzi musi być rzeczywisty

Umieszczenie osoby na końcu zautomatyzowanego procesu nie gwarantuje skutecznego nadzoru. Pracownicy mogą akceptować zalecenia modelu, ponieważ system wydaje się bardziej obiektywny lub ponieważ brakuje im czasu i wiedzy specjalistycznej, by je podważyć.

Skuteczny nadzór wymaga dostępu do odpowiednich danych, zrozumienia przeznaczenia modelu oraz uprawnień do odrzucenia jego rekomendacji. Decyzje powinny być dokumentowane, zwłaszcza gdy system ma wpływ na alokację portfela lub doradztwo dla klienta.

Specjaliści ds. inwestycji będą w coraz większym stopniu pełnić rolę opiekunów modeli, a także analityków rynkowych i osób odpowiedzialnych za budowę portfeli. Będą musieli rozumieć, kiedy sztuczna inteligencja dostarcza użytecznych informacji, kiedy jedynie potwierdza istniejący pogląd, a kiedy budzi fałszywe poczucie pewności.

Najskuteczniejszy proces łączy w sobie skalę obliczeniową z ludzką odpowiedzialnością. Sztuczna inteligencja potrafi rozpoznawać wzorce i testować scenariusze; to ludzie muszą zdecydować, czy te wzorce mają sens z ekonomicznego punktu widzenia i czy odpowiadają inwestorowi.

Wyższy standard dla portfeli zarządzanych przez sztuczną inteligencję

Portfel zarządzany przy pomocy sztucznej inteligencji powinien nadal spełniać te same podstawowe kryteria, co każda inna strategia inwestycyjna. Powinien mieć jasno określony cel, zrozumiałe koszty, odpowiednią dywersyfikację oraz poziom ryzyka zgodny z tolerancją inwestora na straty.

Jego wyniki należy porównać z prostszą alternatywą. Jeśli niedrogi, zdywersyfikowany portfel przynosi podobne wyniki, dodatkowa złożoność i koszty mogą okazać się nieuzasadnione.

Inwestorzy powinni również odróżniać lepsze zarządzanie portfelem od lepszej prezentacji. Automatycznie generowane komentarze i dopracowane pulpity nawigacyjne mogą usprawnić komunikację, nie poprawiając jednak samych inwestycji.

Sztuczna inteligencja prawdopodobnie znajdzie szerokie zastosowanie w badaniach, tworzeniu portfeli, zarządzaniu ryzykiem oraz obsłudze klienta. Jej najtrwalszym wkładem może być raczej pomoc specjalistom w przetwarzaniu informacji i bardziej spójnym monitorowaniu złożonych portfeli, a nie zastąpienie ich autonomicznym mechanizmem inwestycyjnym.

Technologia ta może przyspieszyć zarządzanie portfelem i zapewnić lepszy wgląd w sytuację, ale nie jest w stanie wyeliminować niepewności ani określić, na co inwestor powinien zwracać uwagę. Należy korzystać ze sztucznej inteligencji tam, gdzie przyczynia się ona do poprawy jakości danych, przejrzystości i dyscypliny. Należy zachować sceptycyzm, gdy przedstawia się ją jako substytut dywersyfikacji, własnej oceny sytuacji lub odpowiedzialności.