Каково влияние ИИ и машинного обучения на управление финансами и портфелем и как они помогают лицам, принимающим решения, иметь лучшие инструменты и активы для принятия правильных решений?
Технология является ключевым компонентом управления активами и считается жизненно важной функцией во многих аспектах процесса финансовых инвестиций, начиная от торговли, управления рисками, операций и обслуживания клиентов. Технологии позволили финансовым компаниям извлечь выгоду из реакции за доли секунды и объединить множество источников данных для принятия обоснованных решений, и теперь финансовые компании также начинают больше инвестировать в ИИ и МО на протяжении всего жизненного цикла клиента; за пределами алгоритмической торговли для обслуживания клиентов и управления рисками.
Машинное обучение может помочь финансовым компаниям принимать более обоснованные торговые решения, уменьшая негативное влияние человеческих предубеждений на инвестиционный процесс, что в конечном итоге помогает снизить волатильность рынка. Вопрос в том, как ОД помогает преодолеть эти человеческие предубеждения и есть ли негативный эффект? Означает ли это, что машинное обучение может заменить людей в этой отрасли? В конце концов, машинное обучение может анализировать огромное количество данных лучше и быстрее, чем люди — какое влияние это может оказать на финансовый сектор?
Предвзятые решения: машинное обучение VS человеческое поведение
Как люди, мы склонны принимать иррациональные решения. Это в нашей природе, и в последние годы экономисты-бихевиористы и когнитивные психологи пролили свет на широкий спектр иррациональных решений, принимаемых большинством людей (HBR). В этом диапазоне определены такие вещи, как неприятие потерь и предвзятость подтверждения.
Предвзятость подтверждения связана с негативными последствиями отсутствия результатов или игнорирования доказательств, которые в противном случае могли бы изменить нашу точку зрения, поскольку она характеризуется тенденцией искать, интерпретировать и запоминать информацию таким образом, который подтверждает наши существующие предубеждения, которые не всегда могут быть оправданы. на основе фактических данных (Психология сегодня).
Это может быть серьезной проблемой в трейдинге, поскольку приводит к тому, что трейдеры становятся слишком самоуверенными в своих позициях и остаются в сделках после того, как от них следует отказаться, потому что они сосредоточены на торговых индикаторах и поведении рынка, которые поддерживают сохранение позиции. Трейдеры, которые не могут бороться с предвзятостью подтверждения, в конечном итоге понесут огромные торговые убытки (Инвестопедия). Это можно автоматизировать с помощью предварительного заказа на продажу актива, когда он достигает определенной ценовой точки (стоп-лосс).
Неприятие потерь — это тенденция людей предпочитать избегать потерь, а не приобретать выгоды, и негативный эффект этого может проявляться в сопротивлении изменениям, когда мы больше сосредотачиваемся на том, что мы можем потерять, а не на том, что мы можем получить. Это наносит ущерб торговому процессу — например, скажем, инвестор покупает акции, а цена растет. Неприятие убытков в этом случае было бы боязнью того, что акции могут падать так же быстро, как и росли, что заставляет их продавать акции слишком рано и упускать потенциальную прибыль от более длительного удержания акций. Негативным эффектом здесь является то, что слишком ранний выход для защиты прибыли серьезно ограничивает потенциал роста (Synapsetrading).
С другой стороны, неприятие убытков также может проявляться в том, что вы держите акции ниже цены, которую вы изначально заплатили, исключительно потому, что вы не хотите нести убытки. Это может нанести ущерб трейдеру, поскольку может помешать ему закрыть убыточную сделку, даже если он не видит перспективы разворота, что приведет к еще большим убыткам (Synapsetrading).
Как машинное обучение может помочь в этом случае?
Внедряя машинное обучение в инвестиционный процесс, управляющие активами теперь могут устранять систематические предубеждения, объединяя широкий набор источников данных о торговой истории отдельного лица или команды, моделях общения, психометрических характеристиках и методах управления временем. Все это позволяет компаниям выявлять движущие силы производительности и поведенческие первопричины на более детальном и индивидуальном уровне, чем ранее (McKinsey) — см. сводную диаграмму McKinsey ниже.
Его также можно использовать для опроса исторических торговых записей портфельных менеджеров и групп аналитиков для поиска закономерностей, проявляющих эти предубеждения. Затем люди могут перепроверить инвестиционные решения, которые соответствуют этим шаблонам, используя ML для проверки предвзятости на каждом уровне инвестиционного процесса, чтобы обеспечить соблюдение лучших практик (HBR).
Тем не менее, у медали есть две стороны: алгоритмы машинного обучения сами по себе могут демонстрировать существенные погрешности, связанные с источниками данных, используемыми в процессе обучения, с недостатками самих алгоритмов или принадлежащими человеку, который изначально создал эти алгоритмы ( ХБР). Учитывая, что функции и связанные данные, используемые для обучения алгоритмов, разрабатываются и собираются людьми, индивидуальные предубеждения могут мешать подготовке данных для обучения моделей. Это означает, что модель может не отражать существенные закономерности, присутствующие в наборе данных, из-за отсутствия достаточных функций и связанных наборов данных, используемых в первую очередь для обучения моделей.
Более того, исследования показали, что без намерения бизнес-решения и моральные решения принимаются на основе глубоко укоренившихся предубеждений, которые скрыты в обучении МО. В отличие от людей, алгоритмы плохо приспособлены для сознательного противодействия усвоенным предубеждениям и не могут изменить предубеждения после принятия решений, а это означает, что модели ML, включающие предубеждения, могут фактически увековечивать предубеждения таким образом, что это самореализуется (IBM). Поэтому крайне важно обнаруживать предвзятость в этих моделях и максимально устранять их.
Введение предвзятости не всегда очевидно во время построения модели, потому что вы можете не осознавать последующие последствия ваших данных и выбора гораздо позже. Это значительно усложняет ретроактивное определение того, откуда взялось это предубеждение (MIT). Чтобы свести к минимуму предвзятость, мы должны иметь возможность определять и измерять справедливость, но, учитывая множество определений справедливости, с чего же нам начать? Кроме того, также неясно, как вообще должно выглядеть отсутствие предвзятости, что верно не только в компьютерных науках. Этот вопрос имеет долгую историю споров в философии, социальных науках и праве (McKinsey) и приводит нас к весьма важному вопросу.
Может ли машинное обучение заменить человека в этом случае?
Хотя машинное обучение обладает огромным потенциалом для повышения способности инвесторов находить акции с лучшими результатами, потребуются люди для разработки правильных алгоритмов и вынесения справедливого инвестиционного суждения (FT). ML имеет некоторые ограничения, так как он может иметь погрешности, полученные на основе данных, используемых для обучения алгоритмов, или статистические причуды в его методологиях, и для обнаружения и ограничения этих погрешностей компаниям нужны талантливые и обученные специалисты по данным, чтобы гарантировать, что решения, поддерживаемые ML создание честно (McKinsey).
Также бывают случаи, когда ML может проводить корреляции между точками данных без конкретного понимания их основной причины, а это означает, что некоторые корреляции будут незначительными (FT). В этом случае потребуется обученный человек, чтобы судить, действительны ли эти корреляции или нет. Готовы ли вы инвестировать в акции мороженого, если уровень смертности внезапно подскочит? Или вы предпочли бы понять истинную причину. (PS)
По словам эксперта по машинному обучению в крупной американской инвестиционной компании, его команда целыми днями оценивает, соответствует ли какая-либо закономерность, обнаруженная с помощью машинного обучения, всем четырем критериям: осмысленность, прогнозируемость, непротиворечивость и аддитивность. Затем сообщалось, что даже когда ML находит модели, отвечающие всем четырем критериям, их не всегда легко преобразовать в прибыльные инвестиционные решения, которые все равно в конечном итоге потребуют профессионального суждения (HBR), что в конечном итоге иллюстрирует необходимость человеческого контроля над эти системы.
Вы можете снабжать многие модели ML входными данными и наблюдать за выходными данными, но то, как они отображают эти входные данные в выходные данные, скрыто в обученной модели. Объяснимые модели могут помочь пролить свет на то, как модели машинного обучения приходят к своим выводам, но до тех пор, пока они не станут обычным явлением, альтернативой будет участие человека. Следовательно, это означает, что традиционные модели машинного обучения на данный момент лучше в сочетании с людьми, которые могут отслеживать результаты модели машинного обучения, позволяя им наблюдать, когда алгоритмические или другие предубеждения в наборе данных вступают в игру (IBM).
Реальный вопрос заключается не в том, заменит ли ОД людей в сфере инвестиций, а в том, как МО и управляющие активами могут работать вместе, чтобы быстро и последовательно принимать лучшие решения (McKinsey). В конечном счете, повышение эффективности инвестиций остается основной целью управляющих активами, чему способствует способность машинного обучения быстро анализировать соответствующие данные. Благодаря такому автоматическому анализу данных управляющие активами смогут сократить расходы на управление за счет ограничения ручного анализа данных, коренным образом улучшив организационные процессы за счет исключения ручных задач.
Это позволяет управляющим активами обнаруживать новые и сложные идеи и быстро устанавливать связи, которые человек не может идентифицировать (FinTech Times). Например, ML может получать данные об уровне инфляции в режиме реального времени, используя онлайн-цены на миллионы товаров, или оценивать урожайность сельскохозяйственных культур, анализируя спутниковые снимки определенных мест, которые управляющие активами могут затем использовать для более обоснованного принятия бизнес-решений и инвестиций в активы (FinTech Times ).
Хотя AI и ML предлагают инвесторам огромные преимущества в этом отношении, есть вероятность, что их решения могут быть основаны на корреляции, а не на причинно-следственной связи, о чем говорилось ранее в этой статье. По этой причине ML и AI по-прежнему требуют определенной степени человеческого контроля для контекстуализации своих результатов. В конечном счете, ИИ в данном случае, скорее всего, не заменит человека, а, скорее, дополнит профессионалов в сфере управления активами. Возможно, управляющие активами возьмут листок из книги Каспарова и научатся работать с алгоритмом машинного обучения наподобие Centaur Chess» (Wikipedia.com). Таким образом, можно сказать, что ИИ улучшает работу, выполняемую людьми, позволяя управляющим активами принимать более обоснованные решения и опираться на более надежный анализ данных, чем раньше.
