В статье, опубликованной на The Conversation (источник), анализируются причины, по которым ИИ, очевидно предназначенный для анализа огромных объемов данных, до сих пор не занял главенствующую роль на мировых финансовых рынках. Соавторами статьи являются профессор клинической нейропсихологии Барбара Саакян (Кембриджский университет), профессор искусственного интеллекта Фабио Куццолин (Оксфордский университет Бруска) и кандидат наук Войтек Бучински (Кембриджский университет).
Искусственный интеллект (ИИ) во многих случаях превосходит интеллектуальные возможности человека даже в областях, прежде считавшихся недосягаемыми для него. Это шахматы, игры-аркады, управление беспилотными авто, построение белков и др. Что касается индустрии финансовых услуг, то ускорившийся технический прогресс уже влияет на нее все сильнее и сильнее. Многие руководители финансового сектора так или иначе подтверждают, что по сути им приходится управлять «технологическими предприятиями, имеющими банковскую лицензию».
Кроме того, наблюдается быстрое развитие индустрии финансовых технологий, где техностартапы с возрастающей частотой бросают вызов традиционным финансовым учреждениям из сферы розничных банковских услуг, пенсионного обеспечения или управления личными инвестициями. ИИ все чаще применяются за кулисами таких процессов, как кибербезопасность, противостояние отмыванию денег, клиентский анализ или чат-боты.
Почему полноценного ИИ нет на Уолл-стрит?
Среди многочисленных случаев успешного применения искусственного интеллекта явно отсутствует один – в котором ИИ самостоятельно действует на финансовых рынках, принося доход. Разумеется, простые алгоритмы трейдерами используются, однако алгоритмы машинного обучения при принятии инвестиционных решений применяются ими значительно реже.
Но почему так? Подготовка решения у ИИ традиционно строится на анализе данных в огромном объеме и на обнаружении среди них заданных закономерностей. А поскольку именно финансовые рынки генерируют данные в крупнейших объемах, то использование искусственного интеллекта их участниками кажется вполне очевидным.
Часть специализированных инвестиционных организаций, называющих себя Quant (т.е. «количественные»), а также некоторые хедж-фонды утверждают, что вырабатывают инвестиционные решения при помощи ИИ. Однако ими не публикуются официальные данные о результативности алгоритмов машинного обучения. Кроме того, даже несмотря управление некоторыми из этих компаний миллиардным бюджетов, они остаются нишевыми и сравнительно небольшими по сравнению с крупнейшими «акулами» инвестиционной индустрии.
Но в отношении ИИ-алгоритмов в финансовых прогнозах также проводились неоднократные академические исследования, сообщавшие о достижении высокоточных результатов. Т.е. в теории эти алгоритмы могли бы выступить в качестве достаточно успешных инвестиционных стратегий в финансовой отрасли. Однако этого почему-то не происходит. Так в чем же причина? Неужели применению ИИ препятствует некая культура финансовых топ-менеджеров, либо это что-то иное, относящееся к практическим аспектам инвестирования?
Реалистичность финансовых прогнозов ИИ
Выполнив анализ 27 рецензируемых академических исследований, что были опубликованы в 2000-2018 гг. и описывали самые различные варианты экспериментов в отношении прогнозирования на фондовом рынке при помощи выстроенных алгоритмов машинного обучения, мы решили определить, возможно ли применить эти методы прогнозирования на реальных финансовых рынках.
Мы обратили внимание, что большинство исследования строилось на параллельном применении несколько версий (даже более сотни) различных инвестиционных моделей. При этом экспериментаторы объявляли в итоге основным продуктом исследования наиболее эффективную модель, т.е. попросту отбирали лучший результат и отбрасывали прочие модели, как неоптимальные.
Но такой подход в реальном мире инвестиционного управления работать не будет, поскольку любая выбранная стратегия подлежит на нем лишь однократному применению и продемонстрирует либо однозначную прибыль, либо убыток, причем отменить эти результаты невозможно.
Поэтому исследования «инвестиционных» ИИ путем перебора нескольких вариантов с заявлением наиболее удачной модели в качестве идеального решения – такое в финансовом секторе признается вводящим в заблуждение и, скорее всего, незаконным.
Предположим, что нами было запущено три вариантных модели одинаковой стратегии. В одной из них достигнут проигрыш -40%, в другой проигрыш -20%, а в третьей 20% выигрыша. И если третью модель демонстрировать как единственно успешный результат, то очевидно, что ее показатели исказят действительную эффективность хедж-фонда. Требуется тестировать единственную версию алгоритма и именно ее называть репрезентативной при демонстрации инвестиционной установки, поскольку лишь этот вариант наиболее реалистичен.
В изученным нами работах исследовательские модели достигли по сути наивысшего уровня точности – почти 95% – что признается крупнейшим успехом во многих жизненных сферах. Но при прогнозировании финансового рынка даже 5-ти процентная ошибка алгоритма может стать настоящей проблемой. Причем эта проблема может оказаться катастрофической, а не просто незначительной – будет стерта не только прибыль, но и весь основной капитал.
Также нами отмечено, что большинстве исследований ИИ-алгоритмов отсутствует какая-либо прозрачность в отношении их механизмов работы. В реальном мире подобное, с большой вероятностью, доверие инвесторов не вызовет. Кроме того, это может оказаться проблемой для государственного регулирования.
Наконец в большей части экспериментов были проигнорированы торговые издержки. Но даже если за годы пользования ИИ они сократятся, то равными нулю все равно не будут, а значит их следовало учесть в составе разницы между прибылью и убытком.
По нашему мнению, алгоритмы ИИ, используемые при выборе инвестиционных решений, обязаны отвечать условиям двух этических норм: достижение этичности ИИ в базовом смысле и поддержание этичности при принятии инвестиционных решений с принятием во внимание социальных, экологических и управленческих соображений. Таким способом удастся помешать ИИ при даче инвестиционных рекомендаций, к примеру, в компании, способные навредить обществу.
Таким образом ИИ, рассмотренные в публикуемых материалах академических исследований, в реальной финансовой индустрии использовать невозможно.
Люди лучше?
Мы также постарались сравнить достижения «инвестиционных» ИИ с результатами профессионалов этой финансовой сферы. Очевидно, если бы искусственный интеллект мог инвестировать так же, как люди, или даже лучше, это привело бы к масштабному снижению рабочих мест на различных «уолл-стритах».
Мы обнаружили, что несколько применяющих ИИ фондов, чьи данные об эффективности раскрываются в общедоступных рыночных источниках, в целом показали по рынку низкие результаты.
В результате мы пришли к выводу, что сегодня имеются веские доводы как в пользу «искусственных» аналитиков, так и реальных инвестиционных менеджеров. Несмотря на известные несовершенства последних, эмпирические данные безусловно доказывают, что в настоящее время люди превосходят ИИ. Это отчасти может происходить из-за эффективных умственных напряжений, используемых, когда нам требуется выбирать быстрые решения при достаточно неопределенных условиях.