Проблемът с Machine learning алгоритмите

Самият Machine learning позволява  на инвеститорите да обхванат огромна база от данни, като  например публикациите в една социална мрежа, по начин, по който никой обикновен човек не би могъл. Въпреки огромния си потенциал обаче, той вдъхва смесени чувства. Т.нар. Eurekahedge AI Hedge Fund Index, който след възвращаемостта на 13 хедж фонда, които използват machine learning, са нараснали само със 7% на годишна база и то за последните пет години, докато S&P500 има около 13% доходност на годишна база. През септември, индекса се сгромоляса с 5%.

Според Marcos Lopez de Prado, който е завежда Machine Learning отдела при AQR Capital Management казва, че потенциалната спънка за machine learning стратегиите е слабата зависимост между сигналът, който те генерират и шумът на пазара. "Machine learning алгоритмите винаги ще идентифицират един модел, дори и да такъв да не съществува". - казва Lopez. С други думи, алгоритмите могат да сметнат лъжливите движения на пазара като пазарен модел и да предизвикат фалшив сигнал по стратегията. "Нужно е дълбоко познание за пазарите за да се приложи machine learning алгоритъм  успешно". - казва Lopez

Nigol Koulajian споделя това виждане. Основателят на Quest Partners, базиран систематичен макро хедж фонд в Ню Йорк, казва, че т.нар. quants в следствие от финансови програми и работата при високотехнологични компании се очаква от тях да създават алгоритми на много по-високо ниво на сложност и прецизност, от колкото се търси във финансовия свят. Koulajian споделя: "Те идват с нагласата, че света е техен, че ще го превземат с големите си бази от данни". Във финансовия свят обаче, пазарите не са статични и те не са затворени системи като една игра на шах. "Достатъчна е една капка само в морето, която реално може да ви затрие доходността образувана в рамките на 20 години".

Вземете под внимание една рискова стратегия, която е работила добре десетилетие след финансовата криза. "Всички купуват на дъното". - отбелязва Koulajian. "Всичките тези хора са се научили реално да потискат волатилността. Ако се използва machine learning, може да се имплементира стратегията по всевъзможни начини. Рискът, според Koulajian, идва от това, че непреклонния бичи пазар, който доказа, че тази стратегия работи прекрасно се дължи единствено на ликвидността от централната банка - а в момента наблюдаваме точно това отдръпване. През това време, рискът, предполага, че S&P500 може да падне с около 30%. През август, CBOE Skew Index, който следва губещите опции, достигна рекордни нива. Ако ще купувате дъното чрез machine learning по-добре кажете, че сте използвали сложен модел, но реално ще сте изгубили поглед върху по-големия риск, който се крие.

Machine learning не е нещо ново, казва Robert Frey. Frey в края на 80-те години създава свой хедж фонд, който по-късно е бил погълнат от Renaissance Technologies, където по-късно фонда става ядрото на статистическия анализ и алго стратегии за Medallion Fund. "Чувате всичките тези неща за AI и machine learning", казва Frey. "Повече от тези техники и технологии обаче съществуват от десетилетия, а ние реално сме използвали някои от тях в Renaissance. Фундаменталните процеси, за които говорим са реално комбинация от интензивен статистически анализ, компютърни изчисления и накрая стигаме до т.нар. neural - network - type branch, където всички модели могат да се видят, които се водят класификатори".

След оттеглянето си от Renaissance през 2004 г., Frey започнал своя quantitative финансова инициатива в Stony Brook University и отворил свои семеен офис, който се превърнал в FQS Capital Partners. В FQS, Frey използва алго техники, с които оценявал хедж фондове, фокусирайки се върху това точно да определи тяхното поведение и да го приложи към системни пазарни и икономически трендове.

Jamie Wise, CEO на Periscope Capital, който е хедж фонд базиран в Торонто с размер от $250 милиона, казва, че главната идея зад AI е, че той е всезнаещ, и че ще отнеме работните ни места. Фонда е разработил стратегия на базата на neural networks и machine learning и за него това си остава просто инструмент. Инструмент с много специфична задача.

Кои са тогава най-добрите приложения на machine learning във финансовия свят? Lopez de Prado има няколко любими. Едно от тези приложения например е т.нар. factor investing. Приложението на традиционни, икономически методи с линейна регресия за да се намери точния инвестиционен фактор. Няма причина да се вярва, че тези фактори ще са линейни. По-скоро новооткритите фактори ще се отнасят за близкото бъдеще, които ще реагират на нелинейни ефекти.

Друго приложение можем да намерим при оформянето на портфолио структурата. Алгоритмите могат да оформят модели на сложни структури от данни много по-добре от решението на Markowtiz за конструиране на едно портфолио, като представянето му е много по-добро.

Machine learning е полезен в и засичането на фалшиви стратегии, не само в извличането на масивни редове от данни. Повечето емпирични открития във финансовия свят са неверни като най-вече на тях им липсва икономически облик. Благодарение на backtesting възможността, machine learning метода може да спомогне за определянето на вероятността една инвестиционна стратегия да е грешна.

Докато machine learning и AI методите стават все по-повсеместни, инвестирането остава сфера с огромни предизвикателства за прилагането на такива техники. Да обориш колективното мислене на тълпата е много по-трудно от това да познаваш лица в движещите се коли. "Кучето ми може да разпознава лица. Дъщеря ми, която е тийнейджър говори три езика. Но не бих си поверил спестяванията си на никой от тях". - Lopez de Prado споделя в заключение.

Източник: Bloomberg Finance L.P.

Графики: Used with permission of Bloomberg Finance L.P.

Прочети още:

• Защо трейдърите трябва да се ужасяват от роботите през новото десетилетие
• Quant трейдърите се готвят да шортнат щатските индекси
• Bitcoin – стабилен по време на пазарните разпродажби
• Goldman CEO Solomon вини алго трейдинга за октомврийското разпродаване