Rozwój sztucznej inteligencji w zarządzaniu aktywami

Jedną z pierwszych poważnych oznak wyższości komputera nad człowiekiem było pokonanie Gariia Kasparowa przez Depp Blue. Pomimo pewnych kontrowersji związanych z brakiem transparentności ze strony firmy IBM (NYSE: IBM), porażka szachowego mistrza stała się faktem. Obecnie coraz więcej funduszy inwestycyjnych korzysta z rozwiązań opartych o sztuczną inteligencję (SI). Pierwsze poważne próby wykorzystania SI w inwestowaniu pojawiły się w latach 90. Stosowanie takich narzędzi jak sieci neuronowe nie przełożyło się jednak na znacznie większe zyski w porównaniu do funduszy zarządzanych przez ludzi. Nie przejawiały one znaczących korzyści nad tradycyjnym modelem zarządzania aktywami.

Szeroko rozumiana sztuczna inteligencja jest obecna w życiu ludzi już od ponad 50 lat. Termin ten jest jednak często nadużywany, ponieważ rozwijanie algorytmów stosowanych przez wiele firm technologicznych pomimo ich zaawansowania nie jest czystą SI sensu stricto. Warto pamiętać, że stworzenie modeli zachowań inteligentnych z przyczyn technicznych jest dla nas jeszcze stosunkowo trudne do zrealizowania.

- $this->copyright_for_current_language

Coraz popularniejsze staje się tzw. "uczenie maszynowe" (ang. machine learning, ML) oraz wykorzystywanie takich mechanizmów jak algorytmy genetyczne oraz deep learning. Systemy uczące się działają na zasadzie wyciągania wniosków z popełnianych błędów oraz wprowadzania odpowiednich modyfikacji. Najbardziej rozpowszechnioną metodą nauki jest tzw. "uczenie się z nadzorem", gdzie dostarczana z zewnątrz informacja profiluje działanie systemu. Uczenie się na przykładach przez ML umożliwia automatyzację konkretnej strategii stosowanej np. przez danego inwestora oraz jej poprawę. Coraz częściej możemy spotkać się z opinią, że w niedalekiej przyszłości podobne systemy niemal w całości zastąpią człowieka przy podejmowaniu decyzji inwestycyjnych.

Znaczący rozwój nowych technologii na rynkach finansowych został zapoczątkowany przez High Frequency Trading (HFT). Ten rodzaj handlu wykorzystuje się na europejskim rynku finansowym od połowy lat dwutysięcznych. Głównym zadaniem HFT jest stosowanie strategii arbitrażowych. Widoczny jest również stopniowy rozwój stosowanych schematów, począwszy od prostych skryptów po zaawansowane algorytmy uczące się. Pomimo takich wydarzeń jak flash crash ocenia się, że stosowanie takich innowacji wspomaga działanie rynków finansowych. Jednak warto pamiętać o pewnych zagrożeniach związanych z stosowaniem podobnych rozwiązań. Flash crash oraz przypadek Knight Capital Group (NYSE: KCG), kiedy to na skutek błędów we wdrożeniu kolejnej wersji systemu doprowadzono do straty ok. 460 mln USD sprawiły, że rozpoczęto dyskusję na temat nałożenia limitów na podmioty wykorzystujące HFT.

- $this->copyright_for_current_language

Najbardziej obiecującym kierunkiem w którym mogą podążać zarządzający aktywami jest tzw. deep learning. To jedna z najszybciej rozwijających się gałęzi uczenia maszynowego, polegająca na wykorzystywaniu bardzo złożonych sieci neuronowych. Służą one również do rozpracowywania elementów takich jak obiekty oraz wzory poprzez analizę danych na znacznie większą skale niż jest to w stanie zrobić człowiek.

Technologia ta jest stosowana m.in. przez Google Photos, gdzie za jej pomocą możliwe jest rozpoznawanie twarzy. W 2014 roku firma z Moutain View przejęła za ponad 500 milionów dolarów startup DeepMind, który opracował skuteczniejszą technologię chłodzenia dużych przestrzeni za pomocą sztucznej inteligencji. Firma planuje zająć się również wykorzystywaniem algorytmów uczenia maszynowego w rozpoznawaniu chorób.

Jak będzie wyglądał przeciętny fundusz inwestycyjny za 10 lat? W obecnym momencie możemy być świadkami swoistej transformacji świata finansów i ekonomii. Największe fundusze takie jak BlackRock, Bridgewater oraz Scgroders przeznaczają znaczne środki na rozwój technologii związanych ze sztuczną inteligencją.

Na świecie możemy już spotkać fundusze zarządzane w całości przez "maszyny", które są w stanie osiągać dobre rezultaty. Przykładem może być tutaj Simplex, który zanotował znaczący wzrost wartości aktywów na skutek prawidłowego pozycjonowania przed wynikami referendum w Wielkiej Brytanii.