Почему успех на фондовом рынке теперь зависит от симбиоза человека и ИИ

Искусственный интеллект получает сейчас широкое распространение в различных сферах человеческой деятельности, но  в сфере алгоритмической торговли на сегодняшний день результаты, увы, более чем скромные. Читал, недавно, про соревнование различных ИИ по доходности на рынках. Кто-то из них был лучше кто-то хуже, но результат был сугубо отрицательным. В чем же причина такого состояния дел? 

Проблема «специализированного ИИ» 

На сегодняшний день универсального ИИ, который умеет абсолютно все, пока не изобрели. Современные модели — это узкоспециализированные инструменты, созданные, например, для генерации изображений, текстов, медицинской диагностики и — что представляет для нас особый интерес — для помощи программистам. Однако специализированного ИИ для трейдинга среди них до сих пор нет.

Оказалось, что научить ИИ написанию музыки или созданию изображений гораздо легче, чем созданию алгоритмических систем. Это объясняется фундаментальным различием в доступности данных: если модели для генерации контента обучаются на обширных и общедоступных массивах данных, то в трейдинге отсутствует аналогичная открытая база знаний. Успешные методики, подобные тем, что использовал Джеймс Саймонс тщательно скрываются, что создает дефицит информации для обучения.

Исторические предпосылки:  от магнитных лент к «аномалиям»       

Сама тема математического описания экономических процессов стала практически реализуемой только с появлением электронных баз данных с которыми можно было собственно работать.  Первые машинописные исторические базы данных котировок акций появились в Чикагском  университете в 1960-х годах. Хранились эти данные на магнитных лентах и доступ к ним был  ограничен очень узким кругом академических сотрудников, таких например как Юджин Фама, который на тот момент был аспирантом, а позже профессором и Нобелевским  лауреатом. Это был очень узкий круг лиц. Даже в 1980-е годы фондам, таким например как Renaissance Technologies  Джима Саймонса, приходилось содержать отделы, которые занимались  ручным сбором информации котировок с различных бирж для оцифровки и структурирования данных. К тому же были проблемы, связанные с мощностью компьютеров, кадровые проблемы. Им тогда приходилось нанимать математиков, физиков и криптографов, которые даже и не слышали о фондовом рынке.    

По мере решения этих проблем появились и результаты в виде устойчивых закономерностей, которые дают положительную и постоянную во времени вероятность наступления различных экономических событий, Саймонс называл их «аномалиями». Уже тогда, в 80-х, Саймонс  экспериментировал с цепями Маркова. Эта модель описывает последовательности событий, где вероятность следующего шага зависит только от текущего состояния, а не от всей предыстории. Будучи фундаментальным математическим аппаратом в области искусственного интеллекта, цепи Маркова использовались в связке с алгоритмом Баума-Велша. Как отмечал Саймонс, этот инструмент оказался чрезвычайно мощным для дешифровки скрытой структуры финансовых рынков.

В общих чертах цепь Маркова выглядит следующим образом — это математическая модель, которая описывает последовательность случайных событий, где вероятность каждого следующего события зависит только от текущего состояния, а не от всей предыдущей истории. Сам Андрей Марков в 1913 году, анализировал в качестве примера первую главу «Евгения Онегина». Суть эксперимента в том, что Марков доказал, что даже в таких, казалось бы, творческих и свободных последовательностях, как стихотворный текст, существуют статистические закономерности. Можно просчитать в зависимости от ситуации вероятность появления отдельных букв и слов.

Подобными исследованиями на биржевых рынках занимался Тоби Крэйбл, который с 80-х годов занимается торговлей на бирже при помощи торговых систем, под управлением его хедж фонда находится около 5 млрд $. Он описывал как пример закономерности связанные с несколькими закрытиями предыдущих торговых сессий  «close to close patterns».  Например: рынок два дня подряд рос,  или два дня подряд падал,  или сначала было падение, а потом рост, или три дня подряд рынок падал и т.д.  Некоторые сочетания при тестировании давали 58% вероятность краткосрочного роста или падения в зависимости от инструмента. 

ИИ как инструмент, а не панацея

За последние десятилетия ИИ сделал качественный скачок и все больше, и больше входит в нашу обычную жизнь . Все больше появляется гаджетов которые способны в той или иной степени самостоятельно выполнять и решать различные задачи. Все шире и разнообразнее становится функционал искусственного интеллекта. В области биржевой торговли  крупные фонды, такие как  Two Sigma, Сitadel и Renaissance Technologies заявляют о применении ИИ в своей работе. Алгоритмические хедж-фонды добиваются улучшения своих результатов, используя модели машинного обучения для обработки собственных, проверенных временем наработок, полученных в результате исследований. Таким образом, искусственный интеллект стал мощным инструментом для обработки и верификации гипотез, но не их генератором с «нуля».

Уже сегодня мы можем применять инструменты искусственного интеллекта в биржевой торговле, однако заимствовать их приходится из смежных областей — программирования, Data Science, прикладной математики. Готового «ИИ-трейдера» в природе пока не существует. И, как ни парадоксально, это благо — ведь именно это доказывает непреходящую ценность образования, которое мы получаем в стенах университетов.

Создавать и обучать специализированный ИИ для трейдинга — наша общая задача. Ключ к ее решению — в фундаментальном образовании, которое позволяет не просто использовать готовые инструменты, а понимать саму природу рынков и создавать новые решения.