Μια δημοσίευση από ερευνητές του hedge fund AQR Capital Management και του Πανεπιστημίου Yale εξετάζει ένα από τα πιο σημαντικά ερωτήματα στα χρηματοοικονομικά: Θα αντικαταστήσει η τεχνητή νοημοσύνη και η μηχανική μάθηση τους ανθρώπους ερευνητές και traders;
Σε 44 σελίδες πυκνά γραμμένης θεωρίας και εμπειρικών αποτελεσμάτων υπό τον τίτλο « Η Αρετή της Πολυπλοκότητας στην Πρόβλεψη Απόδοσης », οι Bryan Kelly, Semyon Malamud και Kangying Zhao ισχυρίζονται ότι πιο σύνθετα μοντέλα – πολύ πολύπλοκα για να τα επεξεργαστούν οι άνθρωποι – ξεπερνούν σε απόδοση τα απλούστερα μοντέλα. Όπως αναφέρει το Bloomberg News, η αντίδραση ήταν άμεση , με τουλάχιστον έξι άρθρα να αμφισβητούν τα ευρήματα, τα οποία ο Kelly στη συνέχεια υπερασπίστηκε .
Αναλύοντας τον προβληματισμό που έχει ανακύψει, ο αρθρογράφος του Bloomberg Άαρον Μπράουν, υπογραμμίζει ότι τα θεωρητικά επιχειρήματα είναι τρομακτικά τεχνικά, αλλά το βασικό ερώτημα είναι αρχαίο και εύκολο στην κατανόηση.
Και εξηγεί ότι μια προσέγγιση στην πρόβλεψη είναι να αναζητήσει κανείς μερικούς βασικούς δείκτες με σαφείς περιστασιακούς δεσμούς με αυτό που επιθυμεί να προβλέψει και να τους συνδυάσει με απλούς τρόπους: «Για να προβλέψετε την απόδοση της χρηματιστηριακής αγοράς του επόμενου μήνα, για παράδειγμα, μπορείτε να εξετάσετε την απόδοση αυτού του μήνα, τα επιτόκια, τους λόγους τιμής-κερδών και παρόμοιες μεταβλητές. Όλα τα άλλα αντιμετωπίζονται ως τυχαίος θόρυβος που πρέπει να αγνοηθεί. Το πρόβλημα με τη χρήση πάρα πολλών δεικτών ή τον συνδυασμό τους με υπερβολικά πολύπλοκους τρόπους είναι η «υπερβολική προσαρμογή». Λαμβάνετε ένα μοντέλο που εξηγεί τέλεια το παρελθόν και καθόλου το μέλλον. Έχετε δημιουργήσει ένα μοντέλο που εκμεταλλεύτηκε τον θόρυβο του παρελθόντος για να εξηγήσει τα πάντα, αλλά αυτές οι σχέσεις θορύβου δεν θα διατηρηθούν στο μέλλον», αναφέρει χαρακτηριστικά.
Ο Μπράουν περιγράφει κι έναν ακόμα τρόπο: «Προσθέστε κάθε πιθανό δείκτη στο μοντέλο (ο τεχνικός όρος είναι «μοντέλο νεροχύτη κουζίνας») και δοκιμάστε κάθε σύνθετο συνδυασμό. Αν οι μετοχές με «V» στο σύμβολο ticker τους τείνουν να ανεβαίνουν τις βροχερές Τρίτες, αυτό ισχύει για το μοντέλο σας. Η ιδέα είναι ότι ακόμη και αν ένας δείκτης δεν έχει προγνωστική αξία, δεν βλάπτει τις προβλέψεις σας. Απλώς προσθέτει θόρυβο. Μπορείτε να βάλετε τα πάντα και στη συνέχεια να συρρικνώσετε τον θόρυβο αργότερα ή να κάνετε πολλές συναλλαγές, ώστε ο θόρυβος να διαφοροποιηθεί».
Η περίπτωση του Kelly
Για τον αρθρογράφο του Bloomberg, η συζήτηση που πυροδότησε η εργασία είναι πιο λεπτή από αυτό το παράδειγμα. Ο Kelly και οι άλλοι δεν ενσωματώνουν κάθε πιθανό δείκτη στο μοντέλο τους, αλλά απλώς 15 μεταβλητές με 12 μηνιαίες τιμές η καθεμία — 300 συνολικά — από τις οποίες προσαρμόζουν 12.000 παραμέτρους για να προβλέψουν την απόδοση της χρηματιστηριακής αγοράς τον επόμενο μήνα. Δεν χρησιμοποιούν γράμματα σε σύμβολα ticker ούτε τον καιρό την Τρίτη.
Η ρουλέτα
Ο ίδιος υπενθυμίζει ότι μια πολύ παρόμοια συζήτηση έλαβε χώρα πριν από μισό αιώνα στο πλαίσιο της ρουλέτας. Στις αρχές της δεκαετίας του 1960, ο Ed Thorp , ο καθηγητής μαθηματικών που εφηύρε την καταμέτρηση φύλλων μπλακτζάκ, και ο Claude Shannon , ο πατέρας της θεωρίας της πληροφορίας, κατασκεύασαν τον πρώτο φορητό υπολογιστή στον κόσμο για την πρόβλεψη των περιστροφών στη ρουλέτα. Τα προηγούμενα συστήματα για την νίκη στη ρουλέτα βασίζονταν στην καταγραφή προηγούμενων αποτελεσμάτων για να βρουν αριθμούς που εμφανίζονταν πιο συχνά από άλλους. Πολλοί υποστήριζαν ότι οι τροχοί της ρουλέτας ήταν πολύ καλά κατεργασμένοι για να αποκομίσουν ένα χρήσιμο πλεονέκτημα από αυτό.
Η βασική ιδέα του Thorp ήταν ότι αν οι τροχοί της ρουλέτας κατασκευάζονταν με αρκετή ακρίβεια ώστε κάθε αριθμός να εμφανίζεται με την ίδια συχνότητα, έπρεπε να είναι προβλέψιμοι. Η αρχική του εργασία έδειξε ότι μια περιστροφή στη ρουλέτα είχε δύο φάσεις. Όταν η μπάλα περιστρεφόταν στο εξωτερικό χείλος του μπολ – την τροχιά της μπάλας – και η κεφαλή του τροχού (το κινούμενο μέρος με όλους τους αριθμούς) περιστρεφόταν προς την αντίθετη κατεύθυνση, το σύστημα διέπεται από απλή Νευτώνεια φυσική.
Αν γνωρίζατε την ταχύτητα της μπάλας και της κεφαλής του τροχού, καθώς και τους συντελεστές τριβής, ήταν απλό να προβλέψετε ποιος αριθμός θα βρισκόταν κάτω από την μπάλα όταν έβγαινε από την τροχιά και έπεφτε κάτω στην κεφαλή του τροχού. Μόλις η μπάλα έβγαινε από την τροχιά, οι εκτροπείς, η περιστροφή και οι αναπηδήσεις έκαναν την κίνησή της χαοτική και δύσκολη στην πρόβλεψη. Παρ’ όλα αυτά, απλώς γνωρίζοντας ποιος αριθμός βρισκόταν κάτω από την μπάλα όταν έβγαινε από την τροχιά, μπορούσατε να προσδιορίσετε το ένα τρίτο του τροχού στο οποίο θα προσγειωνόταν η μπάλα στο 40% του χρόνου — υπεραρκετό για κερδοφόρα στοιχήματα.
Οι κβαντικοί επενδυτές
Αυτό οδήγησε σε μία από τις βασικές αρχές για τους κβαντικούς επενδυτές: Η ευκαιρία συνίσταται στην εύρεση της προβλεψιμότητας των πραγμάτων που άλλοι άνθρωποι αντιμετωπίζουν ως τυχαία και της αβεβαιότητας σε πράγματα που άλλοι άνθρωποι αντιμετωπίζουν ως ντετερμινιστικά. Μέχρι τη δεκαετία του 1970, η κατασκευή ενός φορητού υπολογιστή ρουλέτας και η απόδειξη ότι λειτουργούσε ήταν μια από τις τελετουργίες μετάβασης για τους κβαντικούς επενδυτές.
Οι βελτιώσεις στην τεχνολογία οδήγησαν σε τεράστιες βελτιώσεις στην ακρίβεια και την αξιοπιστία.
Ωστόσο, στα μέσα της δεκαετίας του 1970, ο τομέας είχε διχαστεί. Η μία ομάδα, οι φυσικοί, διοχέτευαν την ενέργειά τους σε βελτιωμένες συσκευές μέτρησης. Χρησιμοποίησαν σύνθετες εξισώσεις για να επεξεργαστούν τα σχετικά δεδομένα χρησιμοποιώντας αιτιώδη μοντέλα που προέρχονται από τη φυσική. Από την άλλη ήταν οι στατιστικολόγοι, που χρησιμοποιούσαν «πρωτόγονες εκδόσεις αλγορίθμων μηχανικής μάθησης» για να εκμεταλλευτούν μοτίβα.
Οι δύο ομάδες είχαν επιχειρήματα αρκετά παρόμοια με την τρέχουσα κατάσταση σχετικά με την πολυπλοκότητα. Το μεγάλο πλεονέκτημα των φυσικών ήταν οι συσκευές που απαιτούσαν ελάχιστη ή καθόλου εκπαίδευση για μεμονωμένους τροχούς, καθώς βασίζονταν στον καθολικό φυσικό νόμο και όχι στις ατέλειες των μεμονωμένων τροχών. Τα πλεονεκτήματα της άλλη ομάδας ήταν το χαμηλό κόστος και η υψηλότερη ακρίβεια πρόβλεψης – ειδικά στα πιο πρόχειρα καζίνο με φθηνότερους τροχούς και χαλαρή συντήρηση – με το κόστος να χρειάζονται ώρες βαθμονόμησης πριν τα στοιχήματα γίνουν κερδοφόρα. 2
«Ποντάρω στην πολυπλοκότητα έναντι της θεωρίας εδώ και 50 χρόνια και στην πρόβλεψη έναντι της κατανόησης. Πάντα πίστευα ότι η μηχανική μάθηση και η τεχνητή νοημοσύνη θα αντικαταστήσουν τους ανθρώπινους αναλυτές και εμπόρους (καθώς και τους ανθρώπινους οδηγούς, γιατρούς, δικηγόρους και επιστήμονες, μεταξύ πολλών άλλων). Οι αλγόριθμοι μηχανικής μάθησης και τεχνητής νοημοσύνης που θα πετύχουν θα βρουν τα δικά τους μοτίβα από όσο το δυνατόν περισσότερα δεδομένα, αντί να καθοδηγούνται από ανθρώπους για να επιλέξουν σχετικά δεδομένα και να επιβάλουν a priori θεωρητικούς περιορισμούς στις απαντήσεις. Αλλά συχνά κάνω λάθος, οπότε μην βάζετε όλα τα χρήματά σας στον αριθμό που αρέσει περισσότερο στον υπολογιστή της ρουλέτας μου», καταλήγει ο Ααρόν Μπράουν.
