Новое исследование показало, что хедж-фонды с самым высоким уровнем автоматизации превосходят те, которые больше полагаются на участие человека.

В течение исследуемого периода (с 2006 по 2021 год) хедж-фонды на основе ИИ приносили среднюю доходность около 0,75% в месяц по сравнению с примерно 0,25% в месяц для хедж-фондов, управляемых людьми.

Исследование под названием Человек против машины: об искусственном интеллекте и эффективности хедж-фондов было подготовлено исследователями из Техасского университета A&M и финского Университета Ваас. Он появился 22 апреля в журнале Applied Economics.

Что такое хедж-фонды?

Хедж-фонды, как объясняют авторы, представляют собой «объединенные инвестиционные фонды, которые занимаются короткими продажами, кредитным плечом и деривативами в целях повышения эффективности управления рисками».

Эти фонды часто используются институциональными инвесторами, такими как пенсионные планы и фонды университетов, а также состоятельными частными лицами.

Отчет за 2020 год показал, что общая сумма активов, управляемых хедж-фондами по всему миру, составляет 3,87 триллиона долларов, и ожидается, что к 2025 году эта цифра вырастет до 4,28 триллиона долларов.

В отрасли также работает около 18 000 менеджеров хедж-фондов по всему миру.

Автоматизация в индустрии хедж-фондов

Тенденции в этой все более конкурентной отрасли представляют собой серьезную проблему. И эта конкуренция побуждает хедж-фонды все больше полагаться на технологические преимущества.

Хотя компьютеризированные, автоматизированные торговые системы существуют много десятилетий, с каждым годом они становятся все более совершенными.

Текущее исследование было направлено на то, чтобы выяснить, приводит ли предоставление большего контроля над продвинутыми торговыми алгоритмами к более высокой доходности, и могут ли хедж-фонды в конечном итоге перейти к «полностью автоматизированному принятию решений».

База данных хедж-фондов

Авторы основывали свои выводы на базе данных, содержащей информацию о тысячах хедж-фондов. Этот огромный источник данных управляется лондонской компанией Preqin, которая специализируется на предоставлении финансовых данных.

Для целей данного исследования авторы включили только хедж-фонды, которые а) работают на рынках Северной Америки, б) сообщают о доходах, выраженных в долларах США, и в) в основном сосредоточены на акциях.

Они также исключили все фонды, которые не предоставили базе данных информацию о своем стиле торговли.

В результате была получена окончательная выборка из 826 хедж-фондов. В исследовании рассматривались результаты фонда за 173 месяца подряд, с сентября 2006 года по январь 2021 года.

Разделение хедж-фондов на кластеры

Авторы исследования отнесли каждый из этих 826 хедж-фондов к одной из четырех категорий в зависимости от «уровня участия человека в процессе принятия решений», как пишут авторы.

Эти четыре категории являются дискреционными, систематическими, комбинированными или AIML (что означает «искусственный интеллект и машинное обучение»).

Процедура категоризации была основана на данных из базы данных Preqin. И сама эта база данных основана на информации, собранной из ряда источников, включая открытые хранилища данных, раскрытие информации SEC и другие нормативные документы, а также информацию, предоставленную самими фондами.

Почти все фонды, включенные в базу данных, указывают, что они используют определенный стиль торговли (например, систематический, дискреционный или комбинированный), а также указывают, используют ли они методы ИИ в своих торговых стратегиях.

Объяснение четырех торговых стратегий

Наименее автоматизированными из четырех категорий фондов являются «дискреционные фонды», которые в основном полагаются на механические правила торговли, выполняемые людьми.

Эти фонды уделяют больше внимания менеджерам в целом, особенно их профессионализму и навыкам.

Вторым наименее автоматизированным типом является «систематический фонд», который обычно использует сложную количественную структуру, основанную на статистических методах.

За этим классом последовали «комбинированные фонды», которые, например, подчеркивают систематический стиль торговли, но вручную выбирают время закрытия сделок.

И наиболее автоматизированными из четырех категорий хедж-фондов являются «фонды AIML».

Как объясняют авторы, эти фонды ИИ «просто получают ввод вместе с желаемым результатом, а сама модель определяет наилучший план действий с помощью математической функции».

Из 826 фондов в выборке исследователей они идентифицировали 36 как фонды AIML.

Хедж-фонды на основе ИИ добились лучших результатов

Авторы обнаружили, что хедж-фонды с самым высоким уровнем автоматизации (с точки зрения использования ИИ и машинного обучения в своем инвестиционном процессе) приносят наибольшую прибыль.

Эти фонды приносили в среднем 74–79 базисных пунктов в месяц (базисный пункт — это одна сотая процентного пункта, поэтому в данном случае это соответствует среднемесячной доходности 0,74% — 0,79%).

Напротив, средняя доходность наименее автоматизированной категории фондов — дискреционных фондов — составляла всего 0,23–0,28 базисных пункта, т. е. разница примерно в 0,5% в месяц по сравнению с фондами AIML.

Объединенные фонды сделали худшее

Любопытно, что авторы также обнаружили, что так называемые «комбинированные фонды» со средним уровнем как автоматизации, так и участия человека показали наихудшие результаты среди четырех типов стратегий хедж-фондов.

«Мы делаем вывод, что смешивание человеческого принятия решений с автоматизированными процессами, — пишут они, — хуже, чем полагаться преимущественно на человека или машину на принятие решений. Эта загадка оставлена ​​для будущих исследований».

В итоге они обнаружили, что фонды AIML «принесли более высокую среднюю доходность по сравнению с хедж-фондами с более высоким уровнем участия человека».

Авторы добавляют, что это первое известное им исследование, в котором проводится такое сравнение эффективности хедж-фондов.

Исследование:Человек против машины: искусственный интеллект и эффективность хедж-фондов
Авторы: Клаус Гробис, Джеймс В. Колари, и Иоахим Нианг
Дата публикации:22 апреля 2022 г.
Журнал:Applied Economics
DOI:https://doi.org/10.1080/00036846.2022.2032585
Изображение: предоставлено DepositPhotos

Первоначально опубликовано на https://www.psychnewsdaily.com 10 мая 2022 г.