Развитие хедж-фондов, основанных на искусственном интеллекте
Искусственный интеллект играет всё более заметную роль в исследованиях, торговле и управлении рисками хедж-фондов. По данным Preqin, за последние пять лет количество фондов, использующих ИИ, выросло на 20%. Эта технология позволяет управляющим анализировать больше данных и быстрее реагировать, но она не устраняет самые давние проблемы инвестирования: ненадежные сигналы, перенасыщенность рынка и внезапные изменения в поведении рынка.
Хедж-фонды всегда стремились получить информационное или аналитическое преимущество. Одни полагались на суждения опытных специалистов по подбору акций. Другие разрабатывали макроэкономические модели, стратегии, ориентированные на конкретные события, или статистические модели.
Искусственный интеллект развивает традиции количественного анализа. Системы машинного обучения способны анализировать большие наборы данных, выявлять закономерности и корректировать свои выводы по мере поступления новой информации.
Эта способность особенно востребована на рынках, где генерируется столько данных, что ни одна команда аналитиков не способна проанализировать их в одиночку.
Однако обработка большего объема информации — это не то же самое, что более точное понимание рынков. ИИ может повысить эффективность поиска возможностей, но качество принимаемых им решений по-прежнему зависит от данных, целей и допущений, заложенных в систему.
Сначала появилось количественное инвестирование
Использование компьютеров в сфере управления инвестициями началось ещё до того, как искусственный интеллект стал предметом широкого интереса.
Количественные хедж-фонды уже на протяжении десятилетий применяют математические и статистические методы. Они выявляют повторяющиеся закономерности в взаимосвязях между ценными бумагами, экономическими показателями и поведением инвесторов, а затем преобразуют эти закономерности в торговые правила.
Одним из наиболее ярких примеров стала компания Renaissance Technologies. Ее фонды использовали обширные массивы данных и систематические модели вместо традиционного анализа компаний или субъективных рыночных прогнозов.
Успех этой компании способствовал тому, что количественное инвестирование стало самостоятельным и высокодоходным направлением в индустрии хедж-фондов.
ИИ представляет собой скорее эволюцию этого подхода, чем полный отход от него. Традиционные модели часто основываются на взаимосвязях, выбранных исследователями. Системы машинного обучения способны анализировать более широкий набор переменных и выявлять закономерности, требуя при этом меньше прямых указаний.
Это расширяет аналитические возможности. Кроме того, это может затруднить объяснение разработанной стратегии.
Становится всё сложнее сохранить преимущество в области данных
Первые количественные фонды пользовались преимуществами, связанными с доступом к информации и вычислительным ресурсам, которые были недоступны для большинства конкурентов.
Это преимущество сократилось.
Рыночные цены, отчеты компаний, экономические данные и альтернативные наборы данных теперь доступны более широкому кругу предприятий. Облачные вычисления снизили затраты на обработку информации, а внешние поставщики предлагают готовые инструменты машинного обучения.
Барьеры, препятствовавшие экспериментам, исчезли. Однако барьеры, мешающие получению стабильной доходности от инвестиций, остались.
Когда несколько фондов анализируют схожие данные с использованием сопоставимых моделей, они могут обнаружить одну и ту же инвестиционную возможность. В результате в сделку вливается капитал, цены корректируются, а ожидаемая доходность снижается.
Преимущество переходит от наличия алгоритма к обладанию более качественными данными, более тщательным анализом и более быстрым выполнением.
Даже конфиденциальная информация не сохраняет свою ценность бесконечно. Как только конкуренты поймут, что тот или иной набор данных содержит полезную информацию, они постараются его воспроизвести.
ИИ может ускорить процесс открытий. Он также может ускорить исчезновение обнаруженной возможности.
Альтернативные данные расширяют сферу деятельности
Фонды, основанные на искусственном интеллекте, способны обрабатывать информацию, которая может ускользнуть от внимания при традиционном инвестиционном анализе.
Спутниковые снимки позволяют оценить уровень активности на заводах, в портах или на автостоянках при автосалонах. Цены в интернете могут служить ранними индикаторами инфляции. Данные о морских перевозках позволяют выявить изменения в торговых потоках, а объявления о вакансиях могут указывать на направления расширения деятельности компаний.
Обработка естественного языка позволяет фондам в широких масштабах анализировать отчетность компаний, отчеты о финансовых результатах, новостные публикации и активность в социальных сетях.
Эти источники могут помочь руководителям выявить тенденции ещё до того, как они отразятся в традиционной финансовой отчётности.
Кроме того, они создают значительный шум.
Настроения в социальных сетях можно манипулировать. Данные спутниковых наблюдений требуют интерпретации. Рост активности в онлайн-обсуждениях может отражать скорее противоречия, чем коммерческую мощь.
Поэтому альтернативные данные необходимо проверять на соответствие реальным экономическим результатам. Новизна набора данных не является доказательством того, что он содержит прибыльный сигнал.
Чем больше информации обрабатывает модель, тем важнее отличать значимые отклонения от случайных.
«Прогноз» по-прежнему остаётся опасным словом
Хедж-фонды на базе искусственного интеллекта часто характеризуются как способные с исключительной точностью прогнозировать движения рынка.
В этом утверждении преувеличиваются возможности большинства систем.
Модели машинного обучения, как правило, оценивают вероятности на основе закономерностей, выявленных в исторических данных. Они могут установить, что за определенными сочетаниями цен, волатильности и торговой активности ранее следовал конкретный результат.
Эти взаимосвязи не являются законами природы.
Рынки адаптируются. Инвесторы реагируют друг на друга, меняется нормативная база и меняются экономические условия. Как только какая-либо закономерность становится общепризнанной, сама торговля может привести к ее ослаблению или изменению в обратную сторону.
Модель, обученная в период низких процентных ставок, может столкнуться с трудностями при резком росте стоимости заимствований. Зависимости, характерные для ликвидных рынков, могут исчезнуть в условиях кризиса.
ИИ может делать прогнозы более подробными и обновлять их чаще. Однако он не может гарантировать, что завтрашний день будет соответствовать данным, на которых он был обучен.
Компания Bridgewater демонстрирует иной подход
Компания Bridgewater Associates известна в первую очередь своими систематическими макроинвестициями, а не тем, что является хедж-фондом, работающим исключительно на основе искусственного интеллекта.
Его инвестиционный процесс уже давно основан на четких правилах, экономических взаимосвязях и всестороннем анализе данных. Искусственный интеллект может поддержать эту структуру, помогая исследователям анализировать информацию, проверять гипотезы и отслеживать риски портфеля.
Это различие имеет значение.
Некоторые хедж-фонды используют машинное обучение для непосредственного формирования торговых операций. Другие применяют его в качестве одного из факторов в рамках более широкой инвестиционной стратегии. ИИ может помогать в проведении аналитики, исполнении сделок или управлении рисками, не контролируя при этом весь портфель.
Подход компании Bridgewater демонстрирует, как технологии могут укрепить устоявшуюся инвестиционную философию, а не заменить её.
Четкая концептуальная основа также может облегчить проверку результатов автоматизированного анализа. Если выводы модели противоречат представлениям фонда об экономической ситуации, исследователи могут проанализировать причины такого расхождения.
ИИ наиболее полезен тогда, когда он не только дает ответы, но и формулирует вопросы.
Скорость меняет соотношение сил
Системы машинного обучения способны обрабатывать большие массивы данных гораздо быстрее, чем аналитики-люди.
Это имеет значение в стратегиях, где информация быстро теряет свою ценность. Фонды могут проанализировать отчет о прибылях и убытках, классифицировать его формулировки и открыть позиции ещё до того, как традиционная аналитическая команда завершит его изучение.
Алгоритмы также могут отслеживать тысячи ценных бумаг и корректировать позиции по мере изменения цен, корреляций или волатильности.
Такая скорость даёт преимущество только в том случае, если сигнал является надёжным, а затраты на выполнение находятся под контролем.
Слишком частая торговля может снизить доходность из-за комиссий, спредов и влияния на рынок. Быстрые реакции также могут усугубить ошибки, если модель неверно интерпретирует новую информацию.
Ложный сигнал, на который отреагировали в течение миллисекунд, остаётся ложным.
Поэтому хедж-фонды должны определить, какие результаты требуют немедленного выполнения, а какие должны пройти дополнительную проверку.
Самая быстрая модель не всегда является самой прибыльной.
ИИ не устраняет человеческие предубеждения
Сторонники часто утверждают, что ИИ позволяет принимать более объективные инвестиционные решения за счет снижения влияния эмоций и интуиции.
Это может помочь избежать определенных поведенческих ошибок. Алгоритм не впадает в панику после падения рынка, не привязывается к любимой компании и не меняет свою стратегию под влиянием убедительных слов генерального директора.
Но модели унаследовали предпочтения своих дизайнеров.
Исследователи отбирают данные, определяют цель и решают, как система должна балансировать доходность и риск. Кроме того, они определяют, какой исторический период следует учитывать и как обрабатывать неверные прогнозы.
Таким образом, систематическая ошибка может возникать в результате построения модели, а не под влиянием эмоций портфельного менеджера.
Существует также опасность возникновения «уклона автоматизации». Сотрудники могут слепо доверять сложной системе только потому, что её результаты выглядят научно обоснованными, даже если лежащие в их основе допущения являются неубедительными.
Человеческое суждение никуда не исчезло. Оно перешло в сферу разработки, интерпретации и контроля модели.
Заявления о производительности требуют более весомых доказательств
Согласно отраслевым отчетам, хедж-фонды, использующие искусственный интеллект, превосходят традиционные фонды в среднем на 5%.
К таким сравнениям следует относиться с осторожностью.
Понятие «фонд, управляемый с использованием искусственного интеллекта» не имеет единого определения. Один управляющий может использовать машинное обучение для формирования портфеля, а другой — применять его исключительно для исполнения сделок или мониторинга рисков.
Результаты также зависят от стратегии, рыночной конъюнктуры, уровня кредитного плеча и периода, за который проводится оценка.
Успешные фонды могут обнародовать свои методы, в то время как неудачные фонды исчезают из баз данных. Это приводит к возникновению «искажения выживаемости» и может создать впечатление, что исторические показатели были лучше, чем на самом деле.
ИИ может способствовать достижению более высоких результатов при реализации некоторых стратегий. Сам по себе он не является фактором, определяющим доходность.
Инвесторам необходимо понять, как данная технология влияет на инвестиционный процесс и сохранилось ли заявленное преимущество с учетом транзакционных издержек, изменений на рынках и конкуренции.
Использование методов машинного обучения не должно приводить к снижению стандартов проведения комплексной проверки.
Модельный риск превращается в инвестиционный риск
Каждый количественный фонд сталкивается с риском модели: вероятностью того, что его представление о рынке является неполным или неверным.
ИИ может усугубить эту проблему, поскольку поведение сложных систем может быть труднопредсказуемым.
Модель может демонстрировать хорошие результаты на этапе тестирования, поскольку она выявила случайные закономерности в исторических данных. Это явление называется переобучением. Такая стратегия кажется точной до тех пор, пока не сталкивается с информацией, с которой она ранее не сталкивалась.
Модели также могут постепенно терять эффективность по мере изменения рыночных условий. Сигнал может оставаться прибыльным, но при этом терять силу, в результате чего система будет вынуждена идти на больший риск для достижения той же доходности.
Хедж-фонды должны отслеживать, насколько текущие результаты соответствуют исходным исследованиям.
Независимая проверка имеет решающее значение. Команда, разрабатывающая модель, не должна быть единственной, кто принимает решение о её достоверности.
Руководителям также необходимы четкие критерии для снижения рисков или прекращения реализации стратегии.
Не следует отстаивать ту или иную модель только потому, что она слишком сложна для понимания.
Модели с большим количеством участников могут усиливать колебания на рынках
Расширение торговли с использованием искусственного интеллекта может повлиять на поведение рынка не только на уровне отдельных фондов.
Если несколько моделей реагируют на одни и те же сигналы, они могут совершать покупки и продажи примерно в одно и то же время. Это может привести к скоплению позиций и резким ценовым колебаниям при изменении рыночной конъюнктуры.
Стратегия может казаться диверсифицированной, поскольку в рамках её реализации осуществляется торговля множеством ценных бумаг. На самом деле её позиции могут зависеть от того же базового фактора, что и позиции других количественных фондов.
Эта скрытая концентрация становится заметной в стрессовой ситуации.
Принудительное сокращение левериджа может усилить этот эффект. В случае роста убытков или повышения волатильности системы управления рисками могут потребовать от нескольких фондов одновременного сокращения рисковых позиций.
Каждый фонд может действовать рационально с собственной точки зрения, при этом способствуя нестабильности на рынке в целом.
ИИ не обязательно является причиной такого поведения, но более высокая степень автоматизации и сходство моделей могут способствовать его усилению.
Поэтому специалисты по управлению рисками должны учитывать не только то, какой информацией располагает их собственная система, но и то, как на эту же информацию могут отреагировать конкуренты.
Управление рисками — одна из наиболее эффективных областей применения
ИИ может принести более очевидные преимущества в сфере управления рисками, чем в области прогнозирования рыночной конъюнктуры.
Системы позволяют отслеживать риски портфеля, выявлять необычные корреляции и фиксировать изменения ликвидности. Они позволяют анализировать, как, казалось бы, не связанные между собой позиции могут реагировать на один и тот же шок.
Машинное обучение также может помочь фондам проанализировать более широкий спектр сценариев и выявить уязвимости, которые упускаются из виду при использовании традиционных категорий рисков.
Полученный результат по-прежнему требует интерпретации.
Исторические данные могут содержать лишь несколько примеров серьезных рыночных потрясений. Модель может оценить вероятность экстремальных убытков только на основе доступных ей событий или допущений.
Поэтому анализ сценариев должен включать ситуации, которые не встречались в обучающих данных.
Управление рисками — это не просто статистическая задача. Оно требует умения представить себе, как могут выйти из строя рынки, контрагенты и инфраструктура.
ИИ может расширить круг учитываемых фактов. Однако он не способен предсказать каждый возможный кризис.
Сфера талантов становится всё более междисциплинарной
Для инвестирования с использованием искусственного интеллекта требуются не только программисты.
Успешные команды объединяют в себе экспертные знания в области математики, информатики, рынков, формирования портфелей и рисков. Даже технически совершенная модель может оказаться неэффективной, если её разработчики не понимают, как формируются торговые издержки или как меняется ликвидность рынка в условиях давления.
Профессионалам в сфере инвестиций также необходимы достаточные технические знания, чтобы критически оценивать работу системы. Они должны понимать, как отбирались данные, что именно оптимизирует модель и в каких аспектах её выводы являются наименее достоверными.
Конкуренция за таких специалистов обходится дорого.
Хедж-фонды набирают сотрудников из технологических компаний, университетов и специализированных исследовательских фирм. Уровень вознаграждения может быть весьма высоким, особенно для сотрудников, обладающих знаниями в области машинного обучения и опытом работы на финансовых рынках.
Небольшим управляющим компаниям может быть сложно сравниться с крупными количественными компаниями по объему ресурсов.
Внешние технологии могут сократить этот разрыв, но не могут заменить внутреннее понимание. Фонд, который полагается на систему, которую не может оценить, приобретает не инвестиционное преимущество, а новый операционный риск.
Расходы на технологии не гарантируют прибыль
По прогнозам, объем инвестиций хедж-фондов в технологии искусственного интеллекта к 2025 году должен составить $2 миллиарда.
Эти расходы могут способствовать улучшению инфраструктуры, научных исследований и реализации проектов. Они также могут пойти на финансирование проектов, которые так и не приведут к разработке жизнеспособной стратегии.
Инициативы в области искусственного интеллекта могут заканчиваться неудачей из-за низкого качества данных, неясной постановки исследовательской задачи или неспособности модели эффективно работать в реальных рыночных условиях.
Успешный тест не учитывает автоматически транзакционные издержки, ограничения пропускной способности или изменения в поведении инвесторов.
Поэтому фонды должны оценивать технологические проекты с учетом заданных инвестиционных или операционных результатов.
Систему, призванную сократить затраты на выполнение, можно оценить. Модель, разработанную для повышения эффективности выявления мошенничества, можно сравнить с существующими механизмами контроля. А вот общие обещания по улучшению результатов инвестиционной деятельности оценить гораздо сложнее.
Степень совершенства технологии не имеет значения, если она не способствует повышению доходности с поправкой на риск или снижению измеримых затрат.
Система управления должна идти в ногу со сложностью
Фонды, использующие искусственный интеллект, должны четко определять ответственность за модели и их результаты.
Руководство высшего звена должно понимать, в каких случаях принимаются автоматизированные решения, какие системы могут осуществлять торговые операции и какие меры контроля ограничивают их полномочия.
Изменения в моделях должны быть задокументированы и протестированы перед внедрением. Источники данных подлежат правовой и этической экспертизе, особенно если они содержат персональные данные или материалы, которые не были собраны в инвестиционных целях.
Еще одной проблемой является кибербезопасность. Проприетарные модели и наборы данных представляют собой ценные активы. Их кража или неправомерное использование могут привести к значительному финансовому ущербу.
Фонды также должны быть готовы к техническим сбоям. Торговые системы должны быть оснащены средствами защиты, процедурами ручного вмешательства и способностью функционировать в случае недоступности внешних сервисов.
Автоматизация позволяет сократить количество человеческих ошибок при принятии рутинных решений. Однако она может привести к более серьезным ошибкам, если несовершенный процесс внедряется в широких масштабах.
Система управления определяет, станет ли скорость преимуществом или уязвимостью.
Инвесторам нужны другие вопросы
Институциональным инвесторам, оценивающим хедж-фонд, работающий на основе искусственного интеллекта, следует не ограничиваться лишь технологической составляющей.
Главный вопрос заключается в том, откуда берется доходность.
Инвесторам необходимо понимать, на какой неэффективности рынка основана данная стратегия, почему она должна сохраняться и что может привести к её исчезновению. Им следует проанализировать качество данных, валидацию модели, а также результаты деятельности фонда за период, выходящий за рамки периода, использованного при разработке стратегии.
Важна и объёмность. Стратегия может работать при ограниченном капитале, но терять эффективность по мере роста активов и когда сделки начинают влиять на рынок.
Инвесторам следует задаться вопросом, как быстро меняются модели, кто утверждает эти изменения и как сотрудники реагируют, когда результаты кажутся необоснованными.
Кроме того, им необходимо проводить различие между подлинным конкурентным преимуществом и использованием широко доступных инструментов.
Впечатляющая демонстрация не может заменить надежный инвестиционный процесс.
Будущее за гибридными фондами, а не за автономными фондами
По прогнозам, объем инвестиций в искусственный интеллект в финансовом секторе будет продолжать быстро расти. Компания Gartner прогнозирует годовой рост на уровне 30%, хотя эта цифра требует подтверждения и, возможно, относится к рынку финансовых услуг в целом.
В ближайшие три–пять лет машинное обучение, скорее всего, станет неотъемлемой частью аналитической работы и операционной деятельности хедж-фондов.
Это не означает, что на рынке будут доминировать полностью автономные фонды.
Рынки представляют собой адаптивные системы, формируемые политикой, поведением институтов и событиями, практически не имеющими исторических прецедентов. Чисто автоматизированные стратегии могут демонстрировать высокую эффективность, но они по-прежнему зависят от допущений, которые могут оказаться неверными без каких-либо предупреждающих признаков.
Более надежная модель, скорее всего, будет сочетать в себе автоматизированный анализ с исследованиями, проводимыми людьми, и тщательным контролем.
Алгоритмы способны осуществлять поиск по обширным наборам данных, отслеживать позиции и совершать сделки. Управляющие портфелями и специалисты по рискам должны определить, имеют ли выявленные взаимосвязи экономический смысл и сможет ли фонд выжить, если эти взаимосвязи перестанут действовать.
ИИ расширит спектр сигналов, на которые могут ориентироваться хедж-фонды. Кроме того, он ускорит процессы копирования стратегий, их массового внедрения и утраты актуальности.
Эта технология может способствовать совершенствованию механизмов инвестирования. Однако она не устраняет конкуренцию, неопределенность или рыночные циклы.
Для хедж-фондов эти проблемы по-прежнему остаются наиболее сложными.
