26 октября 2023
Ключевые моменты
Систематические или алгоритмические подходы налагают беспристрастную дисциплину на инвестиционные решения, но также создают определенные проблемы.
Систематические стратегии могут не быстро адаптироваться к структурным изменениям на рынке.
Алгоритмические подходы могут стать причиной необоснованных или преувеличенных заявлений инвестиционных менеджеров об использовании новейших инструментов искусственного интеллекта или машинного обучения.
Бэктесты, проводимые неопытными исследователями, могут оказаться слишком сложными, что приведет к разочаровывающим реальным результатам.
Далее в тексте:
Систематический подход - когда совершают сделки на основе моделей или компьютерных программ.
Дискреционный подход – торговые решения принимаются на усмотрение управляющего портфелем.
-прим. Holy Finance.
Систематический подход - когда совершают сделки на основе моделей или компьютерных программ.
Дискреционный подход – торговые решения принимаются на усмотрение управляющего портфелем.
-прим. Holy Finance.
Аннотация
В эпоху недорогих вычислений и огромного объема данных, все большую популярность приобретают систематические, или алгоритмические, инвестиции. Систематические стратегии появляются как в виде самостоятельных продуктов, так и в виде стратегий хвостового хеджирования и защитно-оверлейных стратегий. Действительно, в условиях огромного роста объема данных, их обработка становится невозможной без использования системных инструментов. Ключевым преимуществом системного подхода является дисциплина, которую он налагает, - например, машины не подвержены таким поведенческим проблемам, как предвзятость, а во время кризиса системная стратегия сохраняет "холодную голову". Систематические подходы также создают множество проблем. Систематические стратегии не могут быстро адаптироваться к структурным изменениям на рынке. Кроме того, они несут в себе риск "технологического вымывания", когда инвестиционный продукт заявляет об использовании "новейших инструментов искусственного интеллекта и машинного обучения", но эти инструменты применяются неправильно или играют минимальную роль. Важно отметить, что если систематические инструменты применяются неопытным исследователем, то результаты бэктестов часто оказываются завышенными, что приводит к разочаровывающим результатам в реальной торговле.
Мы все кванты
В моей статье “Man vs. Machine”, я выполняю интригующее упражнение. Для анализа потребовалась обширная выборка хедж-фондов. Половина выборки заявила, были ли они систематическими или дискреционными. Другая половина не сделала никаких заявлений, но предоставила подробные описания того, что делал фонд. Мы намеревались выполнить следующее упражнение по обработке естественного языка: мы искали слова и фразы, которые отличали бы систематический от дискреционного подхода в нашей обучающей выборке (где мы знали правду), а затем применили это к тысячам несекретных фондов.
Некоторые слова имели большой смысл, например "алгоритмический". Нам также понравилось слово "quant" или количественный. К нашему удивлению, слово "количественный" не отделяло систематический от дискреционного подхода. Действительно, более вероятно, что “quant” ассоциировалось с описаниями дискреционных фондов!
“Мы все кванты, но не все из нас управляют систематическими портфелями”.
Что это значит? Все просто: количественный анализ является важной частью инвестиционного процесса как для дискреционных, так и для систематических фондов. В то время как в прошлом дискреционный портфельный менеджер мог бы предоставить электронную таблицу с моделями оценки для своих любимых акций, сегодняшняя информационная среда требует использования количественных инструментов. Тысячи баз данных теперь доступны специалистам по инвестициям, и маловероятно, что какой-либо один менеджер сможет вручную обработать все данные, требуемые этими количественными инструментами.
В сегодняшних условиях мы все являемся квантами, но не все мы ведем систематические портфели. При систематическом инвестировании сделки генерируются по правилам или алгоритмам, которые, конечно же, разработаны людьми. Эти алгоритмы работают независимо при использовании в реальной торговле. В дискреционных портфелях менеджеры принимают окончательное торговое решение, даже если они могут использовать множество количественных инструментов для содействия процессу принятия решений. Однако, в конце концов, торговую идею генерирует человек, а не алгоритм.
Происхождение
35 лет назад систематическое инвестирование было нишевым инвестиционным стилем, в основном ориентированным на системы отслеживания трендов. Первоначальные алгоритмы реализовали вековой инвестиционный подход, называемый техническим анализом. Хотя технический анализ имеет множество разновидностей, идентификация и экстраполяция трендов является его краеугольным камнем. Одним из недостатков является неизбежный поворотный момент. В какой-то момент времени тренд развернется. Алгоритмы эволюционировали таким образом, что после продолжительного тренда (или очень сильного сигнала тренда), риск снижался. Эта возможность эффективно позволяла осуществлять развороты и снижала потери, понесенные в поворотных точках.
Следующей волной были количественные модели отбора акций. В этих моделях использовался алгоритмический подход для определения акций, которые стратегия должна покупать или продавать. Для долгосрочных портфелей эти модели определяли избыточный и недостаточный вес ценных бумаг. Эти модели, как правило, выходили за рамки ценовых данных и включали фундаментальную информацию, такую как оценка, рост, прибыльность и показатели качества.
Следующим значительным нововведением в систематическом инвестировании стало появление так называемых смарт-бета стратегий. Эти недорогие продукты могут быть ориентированы на определенный фактор или стратегию, например, на ценность. Название, обычно применяемое к широкому спектру шаблонных или алгоритмических стратегий, часто с впечатляющими результатами тестирования на прошлых данных, создает впечатление, что эти стратегии разумны. Однако существует множество стратегий, которые не являются разумными, в рамках этой рубрики. Стратегии smart beta создают индекс, используя алгоритмический подход. Инвесторы могут получить доступ к стратегии во многих формах, таких как биржевые фонды или взаимные фонды. Стратегии Smart beta также имеют многофакторные версии.
Одновременно с появлением на рынке большего количества капитала, многие менеджеры поняли, что самый простой способ увеличить альфу - это снизить издержки. Одним из способов снижения затрат было улучшение исполнения. Следовательно, третьей волной стало появление систематической высокочастотной торговли. Такая торговля может обеспечить автономную прибыльность таким фондам, как Renaissance Technologies, или она может быть частью стратегий исполнения как систематических, так и дискреционных фондов.
В настоящее время мы находимся в начале эры использования инструментов искусственного интеллекта (ИИ) как в систематических, так и в дискреционных стратегиях. Например, большие языковые модели позволяют анализировать огромное количество финансовой информации и выделять факторы риска.
Машинное обучение
В последние годы появились инструменты машинного обучения для разработки систематических инвестиционных стратегий. Эти инструменты существуют уже довольно давно. Действительно, почти 25 лет назад я пытался внедрить некоторые инструменты глубокого обучения доходности акционерного капитала. Модель потерпела неудачу, потому что была слишком простой. Она была простой из-за вычислительных ограничений.
Три конкретных фактора привели к резкому росту числа приложений для машинного обучения. Во-первых, значительно возросла скорость вычислений. В 1990 году суперкомпьютер Cray 2 стоил 32 миллиона долларов (в сегодняшних долларах), весил 5500 фунтов и нуждался в охлаждающем устройстве. Он был способен выполнять 1,9 миллиарда операций в секунду. Сегодня ваш мобильный телефон работает в 500 раз быстрее, чем Cray 2.
Второй фактор - это данные. Во времена Cray 2 стоимость гигабайта хранилища составляла 10 000 долларов. Сегодня стоимость гигабайта составляет менее одного цента. Это позволяет дешево собирать и хранить огромные объемы данных. В дополнение к дешевому хранилищу, объем данных расширился за пределы финансовой информации и информации о ценах, включив в себя неструктурированные данные из множества источников (текст, голос, Интернет, изображения и т.д.).
“Машина не способна испытывать сожаление”.
Третий фактор - это программное обеспечение с открытым исходным кодом. В прошлом разработка программного обеспечения была изолирована. Сегодня у нас совершенно иная ситуация. Разработка намного эффективнее, потому что инженерам не нужно изобретать велосипед: они заходят на GitHub и обнаруживают, что многие другие сталкивались с той же проблемой, с которой сталкиваются они, и решения находятся в свободном доступе для них.
Преимущества систематического инвестирования
Главное преимущество - это дисциплина. Используя согласованный набор правил, алгоритм реализует эти правила. Очевидно, что машина не имеет прямых поведенческих предубеждений и не станет жертвой человеческих эмоций. Действительно, лучшие алгоритмические стратегии будут наблюдать за эмоциональным выбором других людей, извлекать из него уроки и выгоду. Например, алгоритм не обязательно будет удерживать убыточные сделки (смещение диспозиции). Машина не способна испытывать сожаление. Кроме того, в периоды повышенной напряженности на рынке машина “сохраняет хладнокровие”.
Вторым преимуществом является способность машины обрабатывать информацию. Два компонента повышают ценность этой обработки. Во-первых, учитывая стремительный рост объема больших данных, машина может обрабатывать большие наборы данных - задача, которая неосуществима для менеджера, работающего без модели. Другой компонент - это скорость. Независимо от того, обрабатываете ли вы большие наборы данных или быстро реагируете на новости на рынке, машина обладает неоспоримыми преимуществами.
Недостатки систематического инвестирования
Основным недостатком является потеря гибкости. Алгоритмы - это упрощение мира, и часто они сильно параметризованы. Они оптимизированы на основе прошлого, но мир меняется. На этот раз все всегда по-другому. Даже при современных технологиях создать надежный алгоритм, который эволюционировал бы с течением времени, — непростая задача. Адаптация стационарного алгоритма к нестационарному рынку - верный путь к провалу.
Вторым недостатком является тенденция к переоборудованию на стадии разработки модели. Алгоритмы и параметризации оптимизированы с учетом прошлых данных. Учитывая, что отношение сигнал/шум настолько низкое для финансовых активов, исследователи склонны оптимизировать уровень шума. Алгоритм с избыточной подгонкой будет отлично смотреться при тестировании на истории и плохо работать при реальной торговле.
В-третьих, алгоритмы обычно не учитывают структуру рынка. Например, алгоритм может успешно обнаружить рыночное занижение цены. В таком случае модель не перегружена (т.е. результаты тестирования на истории не завышены). Однако при применении в торговле в режиме реального времени эта модель дает сбой. Неудача не связана с недостатками в процессе исследования. Вместо этого рынок эволюционировал по мере того, как на него выходили другие, чтобы воспользоваться тем, что (сейчас) является временным занижением цен.
“Все алгоритмы должны быть объяснимы”.
В-четвертых, некоторые инвесторы попадают в ловушку “черного ящика”. Это часто происходит с реализациями машинного обучения, которые управляются исключительно данными, а не основаны на прочном экономическом фундаменте. Инвесторам следует остерегаться заявлений менеджеров типа “Мы не можем раскрыть, как работает модель, потому что это конфиденциальная информация”. Все алгоритмы должны быть объяснимы. Даже самые сложные алгоритмы машинного обучения могут быть в некоторой степени подвергнуты обратной инженерии путем подачи импульсов на входные данные, чтобы определить, как изменяются выходные данные модели.
Наконец, новые инструменты ИИ несут в себе риск. Например, генеративный ИИ может обучаться на основе прошлых данных и может унаследовать некоторые поведенческие предубеждения. GPT являются относительно новым, и иногда экстраполяции, сделанные текущим поколением алгоритмов, могут быть проблематичными. Для успешного внедрения этих инструментов управляющим активами, скорее всего, лучше доработать инструменты GPT с открытым исходным кодом под свои нужды, а не полагаться на готовые коммерческие продукты, которые страдают от проблемы "черного ящика".
Будущее систематического инвестирования
Я считаю, что мы находимся на переломном этапе в сфере управления инвестициями. Инвесторы правильно понимают, что инструменты систематического инвестирования не только останутся, но и, скорее всего, станут еще более популярными. Инвестиционные менеджеры все активнее внедряют эти инструменты. Однако их внедрение требует значительных навыков и сотрудничества между специалистами по инвестициям, технологиям и количественным показателям.
В текущий переходный период некоторым управляющим активами необходимо поставить галочку, поэтому они будут предлагать некоторое усовершенствование своих текущих стратегий с помощью машинного обучения и ИИ. Однако такие управляющие находятся в весьма невыгодном положении. Во-первых, у них может не быть опыта в разработке систематических моделей или машинном обучении/ИИ. Летний стажер с одним курсом машинного обучения в резюме не является "экспертом". Во-вторых, при наличии сотен алгоритмов машинного обучения, а также растущего числа инструментов искусственного интеллекта, выбор подхода, наиболее подходящего для решения конкретной задачи, требует навыков. В-третьих, неопытные фирмы ошибочно полагают, что "большие данные бесплатны". Даже если данные легко доступны в Интернете, они не бесплатны. Очистка данных требует значительных усилий (и затрат). Если данные не очищены, то при применении алгоритма они могут дать недостоверные результаты. В-четвертых, многие инвестиционные компании вряд ли располагают специализированными вычислительными мощностями, необходимыми для успешного обучения и работы таких алгоритмов в режиме реального времени.
"Эффективность зависит от квалификации команды, применяющей технологию".
Если собрать все эти моменты воедино, то многие инвесторы будут разочарованы, поскольку они думали, что инвестируют в новейшие технологии. Однако сама по себе технология не увеличивает вероятность успеха: успех зависит от мастерства команды, которая применяет технологию для решения инвестиционной задачи. Поэтому я вижу, что в сфере управления инвестициями происходит изменение. Некоторые небольшие компании, которые не могут позволить себе нанять команду специалистов по машинному обучению, инвестировать в IT-ресурсы для надежного управления базами данных или приобрести необходимые вычислительные активы, потерпят неудачу или будут приобретены более крупными компаниями, имеющими и опыт, и необходимые технологические активы.
Один прогноз сделать несложно. Исследовательские проекты, которые еще несколько десятилетий назад были лишь теоретическими, теперь вполне осуществимы. Уже сейчас мы наблюдаем всплеск исследований в области систематического инвестирования, и это только вершина айсберга. Систематические стратегии все чаще используются институциональными инвесторами в программах хеджирования и защитного оверлея, а также в решениях по распределению активов для замены части портфелей акций и ценных бумаг с фиксированным доходом. В последний год мы стали свидетелями появления нового класса перспективных инструментов искусственного интеллекта. Как я уже отмечал, существуют риски, которые необходимо снижать. Новые систематические стратегии обещают улучшить выбор портфеля, а также снизить риски. Сейчас интересное время для работы в сфере управления активами.
Не является индивидуальной инвестиционной рекомендацией | При копировании ссылка обязательна | Нашли ошибку - выделить и нажать Ctrl+Enter | Жалоба