28 сентября 2024 Morningstar
Искусственный интеллект способен превзойти аналитиков-людей в предсказании доходности акций, но их совместная работа дает наилучшие результаты. Исследование, опубликованное в Journal of Financial Economics, показывает, что ИИ, анализируя корпоративные данные и макроэкономические показатели, превосходит большинство аналитиков. Однако в ситуациях, требующих глубоких знаний, человек остается незаменим. Совместная модель, объединяющая ИИ и человеческие прогнозы, уменьшила количество ошибок на 90%. Это подтверждает, что наилучшие результаты достигаются при сочетании аналитических способностей человека и вычислительной мощи ИИ. Об этом - в статье Ларри Сведроу для Morningstar.
Машинное обучение - это область исследований, посвященная пониманию и созданию методов, которые используют данные для повышения производительности без вмешательства человека. Это часть искусственного интеллекта.
Алгоритмы машинного обучения строят модель на основе выборочных данных, известных как обучающие данные, для составления прогнозов или принятия решений, не будучи явно запрограммированными на это. Эти алгоритмы используются в самых разных областях применения, таких как медицина, фильтрация электронной почты, распознавание речи и компьютерное зрение, где сложно или неосуществимо разработать обычные алгоритмы для выполнения необходимых задач.
Хотя алгоритмическая торговля уже давно широко применяется в инвестировании, искусственный интеллект также может быть использован для принятия решений на ранних стадиях формирования портфеля. Потенциальные преимущества искусственного интеллекта включают в себя:
Превосходную вычислительную мощность для анализа большого объема данных за короткий промежуток времени.
Избегание когнитивных искажений, которым подвержены люди; ИИ более рационален.
Может ли ИИ заменить людей в прогнозировании доходности акций или позволить им делать более точные прогнозы?
ИИ vs. Аналитики-люди
Шон Цао, Вэй Цзян, Чжунбо Ван и Баочжун Ян, авторы книги "От человека к человеку", в статье "От машины к человеку + машина: искусство и ИИ в биржевом анализе", опубликованной в октябрьском номере журнала Journal of Financial Economics за 2024 год, рассмотрели, как ИИ работает по сравнению с аналитиками-людьми при прогнозировании доходности акций. Их целью было определить:
При каких обстоятельствах люди-аналитики сохраняют преимущество перед ИИ?
Как влияет сочетание аналитиков-людей и ИИ на точность прогнозирования запасов?
Каковы последствия этих выводов для более широкого применения искусственного интеллекта в квалифицированных профессиях и процессах принятия решений?
Авторы построили свою собственную модель искусственного интеллекта для прогнозирования доходности акций за 12 месяцев (исходя из целевых цен за 12 месяцев) и сравнили их с прогнозами аналитиков, сделанными в то же время по тем же акциям. В качестве исходных данных они собирали переменные на уровне компаний, отрасли и макроэкономические показатели, а также текстовую информацию из раскрытия информации компаниями, новостей и социальных сетей (обновленных непосредственно перед публикацией прогноза аналитиков), намеренно исключая оценки и прогнозы самих аналитиков, чтобы модель искусственного интеллекта не извлекла выгоду, основываясь на выводах людей. Их выборка аналитических прогнозов была составлена на основе аналитической базы данных Thomson Reuters Institutional Brokers Estimate System. После объединения IBES с данными CRSP и Compustat их окончательная выборка состоит из 1 153 565 прогнозов целевых цен на 12 месяцев для 6 315 фирм, подготовленных 11 890 аналитиками из 861 брокерской фирмы, и 5 885 063 прогнозов прибыли на первый и четвертый кварталы для 8 062 фирм, подготовленных 14 363 аналитиками из 926 брокерских фирм. Их модель охватывала период с 2001 по 2018 год.
Авторы обнаружили:
ИИ-аналитик, обученный анализировать корпоративную информацию, отраслевые тенденции и макроэкономические показатели, превосходит большинство аналитиков (54,5%) в прогнозировании доходности акций. Преимущество машины может заключаться либо в ее превосходной способности обрабатывать информацию, либо в ее невосприимчивости к предсказуемым человеческим предубеждениям, обусловленным стимулами или психологическими особенностями.
По мнению аналитиков, модель ИИ смогла генерировать более высокую доходность, или альфу, порядка 50-72 базисных пунктов в месяц, что статистически значимо на уровне 1% почти во всех случаях.
Модель искусственного интеллекта уверенно обошла аналитиков с низкой квалификацией и практически сравнялась с аналитиками (коэффициент превосходства аналитиков составил 49,3%), которые демонстрировали превосходную производительность в течение каждого из последних пяти лет, причем такого превосходства достигли всего 7,3% всех аналитиков.
Макропеременные и доходность компаний внесли наибольший вклад в эффективность модели искусственного интеллекта (27,6% и 24,4% соответственно), за ними следуют переменные, характеризующие компании (22%), и текстовая информация (9,3%), что подчеркивает важность качественной информации. Информация о доходах имела самую низкую долю (2%).
Люди превосходят ИИ в тех случаях, когда институциональные знания имеют решающее значение — например, когда речь идет о нематериальных активах и финансовых проблемах. Например, люди-аналитики лучше справляются с прогнозированием доходности небольших и менее ликвидных фирм. Они также работают лучше при наличии нематериальных активов, в отраслях или компаниях, переживающих быстрые изменения или высокую конкурентную динамику, а также в случаях, когда фирмы сталкиваются с повышенным риском банкротства или испытывают значительный финансовый стресс.
ИИ выигрывает, когда информация прозрачна, но объемна.
После добавления прогнозов аналитиков к информационному набору моделей машинного обучения, лежащих в основе их ИИ-аналитики, полученная модель превзошла 54,8% прогнозов модели, основанной только на ИИ, а также снизила количество экстремальных ошибок.
Аналитики-люди и модель ИИ с одинаковой вероятностью допускали экстремальные ошибки (9,3% и 7,8%, соответственно, при использовании порога в 90-й процентиль) - объединенная модель позволила избежать примерно 90% экстремальных ошибок, допущенных аналитиками-людьми, и 40% ошибок, допущенных только ИИ.
Комбинированная модель использует взаимодополняющие преимущества как человека, так и ИИ. ИИ превосходно обрабатывает большие объемы данных и выявляет закономерности, в то время как люди-аналитики добавляют нюансов и контекстуальной информации, что позволяет получить более надежный инструмент прогнозирования.
Аналитики догонят машины после того, как станут доступны "альтернативные данные", если их работодатели создадут возможности ИИ.
Доказанное взаимодействие между людьми и машинами показывает, как люди могут использовать свои преимущества для лучшей адаптации к растущему потенциалу ИИ.
Дополнено ИИ
Возможно, самым интересным открытием стало то, что, хотя модель превзошла аналитиков в прогнозировании доходности, когда дело дошло до прогнозирования прибыли, аналитики превзошли машину с вероятностью 69,2%. Однако объединенная модель аналитиков и искусственного интеллекта превзошла 55% прогнозов аналитиков.
Результаты исследования привели авторов к выводу: "В целом, это исследование подтверждает гипотезу о том, что возможности аналитиков могут быть расширены с помощью искусственного интеллекта и, что более важно, что работа аналитиков обладает дополнительной ценностью и синергией с моделированием на основе искусственного интеллекта, особенно в необычных и быстро меняющихся ситуациях".
Они добавили: "Хотя будущее ИИ остается неопределенным, те части человеческих навыков, которые, как мы знаем, являются дополнительными для ИИ, обещают многообещающее сотрудничество и расширение возможностей человека и машины".
Эмпирическое исследование эффективности фондов ИИ
Есть одно исследование, в котором мы можем ознакомиться с результатами работы паевых инвестиционных фондов, основанных на искусственном интеллекте.
Руи Чен и Цзиньцзюань Жэнь, авторы исследования "Работают ли взаимные фонды, основанные на ИИ, лучше?", опубликованного в августовском номере журнала Finance Research Letters за 2022 год, оценили эффективность паевых инвестиционных фондов, основанных на ИИ. Их выборка данных была взята из базы данных паевых инвестиционных фондов США CRSP, свободной от предвзятости, и охватывала 26-месячный период с ноября 2017 по декабрь 2019 года. Они отметили фонды, работающие на ИИ, как те, которые используют технологии машинного обучения для активного отбора акций при выборе портфеля; количественные фонды - это те, которые используют фиксированные правила и численные методы для создания компьютерных моделей и принятия инвестиционных решений; и дискреционные фонды - это традиционные фонды, которые выбирают акции и принимают инвестиционные решения в основном на основе человеческого суждения.
Ниже приводится краткое изложение их результатов:
Результаты паевых инвестиционных фондов, основанных на искусственном интеллекте, были статистически неотличимы от показателей совокупного рынка в течение 25 из 26 месяцев в течение выборочного периода.
Фонды, основанные на искусственном интеллекте, не приносили существенной прибыли с поправкой на риск и демонстрировали лишь незначительное превосходство в навыках выбора акций (только при равном весе) и отсутствие навыков выбора времени выхода на рынок.
Фонды, работающие на базе искусственного интеллекта, превзошли аналоги, управляемые людьми, благодаря более низкому обороту — 31% против 72%, что привело к более низким транзакционным издержкам и несколько более высоким навыкам выбора акций.
Фонды, работающие на ИИ, держали меньше акций (149 против 197) — таким образом, их портфели были более концентрированными.
Фонды, работающие на ИИ, избежали некоторых распространенных поведенческих предубеждений (таких как эффект предрасположенности).
Выводы для инвесторов
Цао, Цзян, Ван и Ян показали, что биржевые прогнозы можно улучшить, объединив сильные стороны искусственного интеллекта и людей-аналитиков, что приведет к лучшим результатам, чем если бы они полагались только на них. Они продемонстрировали, что ИИ и люди-аналитики дополняют друг друга — ИИ превосходно обрабатывает большие объемы данных и выявляет закономерности, в то время как люди обеспечивают контекстуальное понимание, интуицию и детальное понимание нюансов. Осознание этого взаимодействия помогает при разработке систем, в которых вклад ИИ, и человека максимально эффективен. Однако на сегодняшний день нет никаких свидетельств того, что фонды, основанные на искусственном интеллекте, работают эффективнее с поправкой на риск.
Возможно, самым важным выводом является то, что модели искусственного интеллекта помогают избежать предвзятого отношения человека, делая прогнозы более точными, что должно привести к повышению эффективности рынков и уменьшению возможности получения прибыли за счет выбора системы безопасности.
http://www.morningstar.co.uk/ (C) Источник
Не является индивидуальной инвестиционной рекомендацией | При копировании ссылка обязательна | Нашли ошибку - выделить и нажать Ctrl+Enter | Отправить жалобу
Машинное обучение - это область исследований, посвященная пониманию и созданию методов, которые используют данные для повышения производительности без вмешательства человека. Это часть искусственного интеллекта.
Алгоритмы машинного обучения строят модель на основе выборочных данных, известных как обучающие данные, для составления прогнозов или принятия решений, не будучи явно запрограммированными на это. Эти алгоритмы используются в самых разных областях применения, таких как медицина, фильтрация электронной почты, распознавание речи и компьютерное зрение, где сложно или неосуществимо разработать обычные алгоритмы для выполнения необходимых задач.
Хотя алгоритмическая торговля уже давно широко применяется в инвестировании, искусственный интеллект также может быть использован для принятия решений на ранних стадиях формирования портфеля. Потенциальные преимущества искусственного интеллекта включают в себя:
Превосходную вычислительную мощность для анализа большого объема данных за короткий промежуток времени.
Избегание когнитивных искажений, которым подвержены люди; ИИ более рационален.
Может ли ИИ заменить людей в прогнозировании доходности акций или позволить им делать более точные прогнозы?
ИИ vs. Аналитики-люди
Шон Цао, Вэй Цзян, Чжунбо Ван и Баочжун Ян, авторы книги "От человека к человеку", в статье "От машины к человеку + машина: искусство и ИИ в биржевом анализе", опубликованной в октябрьском номере журнала Journal of Financial Economics за 2024 год, рассмотрели, как ИИ работает по сравнению с аналитиками-людьми при прогнозировании доходности акций. Их целью было определить:
При каких обстоятельствах люди-аналитики сохраняют преимущество перед ИИ?
Как влияет сочетание аналитиков-людей и ИИ на точность прогнозирования запасов?
Каковы последствия этих выводов для более широкого применения искусственного интеллекта в квалифицированных профессиях и процессах принятия решений?
Авторы построили свою собственную модель искусственного интеллекта для прогнозирования доходности акций за 12 месяцев (исходя из целевых цен за 12 месяцев) и сравнили их с прогнозами аналитиков, сделанными в то же время по тем же акциям. В качестве исходных данных они собирали переменные на уровне компаний, отрасли и макроэкономические показатели, а также текстовую информацию из раскрытия информации компаниями, новостей и социальных сетей (обновленных непосредственно перед публикацией прогноза аналитиков), намеренно исключая оценки и прогнозы самих аналитиков, чтобы модель искусственного интеллекта не извлекла выгоду, основываясь на выводах людей. Их выборка аналитических прогнозов была составлена на основе аналитической базы данных Thomson Reuters Institutional Brokers Estimate System. После объединения IBES с данными CRSP и Compustat их окончательная выборка состоит из 1 153 565 прогнозов целевых цен на 12 месяцев для 6 315 фирм, подготовленных 11 890 аналитиками из 861 брокерской фирмы, и 5 885 063 прогнозов прибыли на первый и четвертый кварталы для 8 062 фирм, подготовленных 14 363 аналитиками из 926 брокерских фирм. Их модель охватывала период с 2001 по 2018 год.
Авторы обнаружили:
ИИ-аналитик, обученный анализировать корпоративную информацию, отраслевые тенденции и макроэкономические показатели, превосходит большинство аналитиков (54,5%) в прогнозировании доходности акций. Преимущество машины может заключаться либо в ее превосходной способности обрабатывать информацию, либо в ее невосприимчивости к предсказуемым человеческим предубеждениям, обусловленным стимулами или психологическими особенностями.
По мнению аналитиков, модель ИИ смогла генерировать более высокую доходность, или альфу, порядка 50-72 базисных пунктов в месяц, что статистически значимо на уровне 1% почти во всех случаях.
Модель искусственного интеллекта уверенно обошла аналитиков с низкой квалификацией и практически сравнялась с аналитиками (коэффициент превосходства аналитиков составил 49,3%), которые демонстрировали превосходную производительность в течение каждого из последних пяти лет, причем такого превосходства достигли всего 7,3% всех аналитиков.
Макропеременные и доходность компаний внесли наибольший вклад в эффективность модели искусственного интеллекта (27,6% и 24,4% соответственно), за ними следуют переменные, характеризующие компании (22%), и текстовая информация (9,3%), что подчеркивает важность качественной информации. Информация о доходах имела самую низкую долю (2%).
Люди превосходят ИИ в тех случаях, когда институциональные знания имеют решающее значение — например, когда речь идет о нематериальных активах и финансовых проблемах. Например, люди-аналитики лучше справляются с прогнозированием доходности небольших и менее ликвидных фирм. Они также работают лучше при наличии нематериальных активов, в отраслях или компаниях, переживающих быстрые изменения или высокую конкурентную динамику, а также в случаях, когда фирмы сталкиваются с повышенным риском банкротства или испытывают значительный финансовый стресс.
ИИ выигрывает, когда информация прозрачна, но объемна.
После добавления прогнозов аналитиков к информационному набору моделей машинного обучения, лежащих в основе их ИИ-аналитики, полученная модель превзошла 54,8% прогнозов модели, основанной только на ИИ, а также снизила количество экстремальных ошибок.
Аналитики-люди и модель ИИ с одинаковой вероятностью допускали экстремальные ошибки (9,3% и 7,8%, соответственно, при использовании порога в 90-й процентиль) - объединенная модель позволила избежать примерно 90% экстремальных ошибок, допущенных аналитиками-людьми, и 40% ошибок, допущенных только ИИ.
Комбинированная модель использует взаимодополняющие преимущества как человека, так и ИИ. ИИ превосходно обрабатывает большие объемы данных и выявляет закономерности, в то время как люди-аналитики добавляют нюансов и контекстуальной информации, что позволяет получить более надежный инструмент прогнозирования.
Аналитики догонят машины после того, как станут доступны "альтернативные данные", если их работодатели создадут возможности ИИ.
Доказанное взаимодействие между людьми и машинами показывает, как люди могут использовать свои преимущества для лучшей адаптации к растущему потенциалу ИИ.
Дополнено ИИ
Возможно, самым интересным открытием стало то, что, хотя модель превзошла аналитиков в прогнозировании доходности, когда дело дошло до прогнозирования прибыли, аналитики превзошли машину с вероятностью 69,2%. Однако объединенная модель аналитиков и искусственного интеллекта превзошла 55% прогнозов аналитиков.
Результаты исследования привели авторов к выводу: "В целом, это исследование подтверждает гипотезу о том, что возможности аналитиков могут быть расширены с помощью искусственного интеллекта и, что более важно, что работа аналитиков обладает дополнительной ценностью и синергией с моделированием на основе искусственного интеллекта, особенно в необычных и быстро меняющихся ситуациях".
Они добавили: "Хотя будущее ИИ остается неопределенным, те части человеческих навыков, которые, как мы знаем, являются дополнительными для ИИ, обещают многообещающее сотрудничество и расширение возможностей человека и машины".
Эмпирическое исследование эффективности фондов ИИ
Есть одно исследование, в котором мы можем ознакомиться с результатами работы паевых инвестиционных фондов, основанных на искусственном интеллекте.
Руи Чен и Цзиньцзюань Жэнь, авторы исследования "Работают ли взаимные фонды, основанные на ИИ, лучше?", опубликованного в августовском номере журнала Finance Research Letters за 2022 год, оценили эффективность паевых инвестиционных фондов, основанных на ИИ. Их выборка данных была взята из базы данных паевых инвестиционных фондов США CRSP, свободной от предвзятости, и охватывала 26-месячный период с ноября 2017 по декабрь 2019 года. Они отметили фонды, работающие на ИИ, как те, которые используют технологии машинного обучения для активного отбора акций при выборе портфеля; количественные фонды - это те, которые используют фиксированные правила и численные методы для создания компьютерных моделей и принятия инвестиционных решений; и дискреционные фонды - это традиционные фонды, которые выбирают акции и принимают инвестиционные решения в основном на основе человеческого суждения.
Ниже приводится краткое изложение их результатов:
Результаты паевых инвестиционных фондов, основанных на искусственном интеллекте, были статистически неотличимы от показателей совокупного рынка в течение 25 из 26 месяцев в течение выборочного периода.
Фонды, основанные на искусственном интеллекте, не приносили существенной прибыли с поправкой на риск и демонстрировали лишь незначительное превосходство в навыках выбора акций (только при равном весе) и отсутствие навыков выбора времени выхода на рынок.
Фонды, работающие на базе искусственного интеллекта, превзошли аналоги, управляемые людьми, благодаря более низкому обороту — 31% против 72%, что привело к более низким транзакционным издержкам и несколько более высоким навыкам выбора акций.
Фонды, работающие на ИИ, держали меньше акций (149 против 197) — таким образом, их портфели были более концентрированными.
Фонды, работающие на ИИ, избежали некоторых распространенных поведенческих предубеждений (таких как эффект предрасположенности).
Выводы для инвесторов
Цао, Цзян, Ван и Ян показали, что биржевые прогнозы можно улучшить, объединив сильные стороны искусственного интеллекта и людей-аналитиков, что приведет к лучшим результатам, чем если бы они полагались только на них. Они продемонстрировали, что ИИ и люди-аналитики дополняют друг друга — ИИ превосходно обрабатывает большие объемы данных и выявляет закономерности, в то время как люди обеспечивают контекстуальное понимание, интуицию и детальное понимание нюансов. Осознание этого взаимодействия помогает при разработке систем, в которых вклад ИИ, и человека максимально эффективен. Однако на сегодняшний день нет никаких свидетельств того, что фонды, основанные на искусственном интеллекте, работают эффективнее с поправкой на риск.
Возможно, самым важным выводом является то, что модели искусственного интеллекта помогают избежать предвзятого отношения человека, делая прогнозы более точными, что должно привести к повышению эффективности рынков и уменьшению возможности получения прибыли за счет выбора системы безопасности.
http://www.morningstar.co.uk/ (C) Источник
Не является индивидуальной инвестиционной рекомендацией | При копировании ссылка обязательна | Нашли ошибку - выделить и нажать Ctrl+Enter | Отправить жалобу