Ще замени ли машинното самообучение активния инвестиционен мениджмънт?

Въпреки че машинното самообучение (МС) има огромен потенциал да увеличи способността на инвеститорите да намират по-добре представящи се акции, хората ще е необходимо да разработят правилните алгоритми и да упражняват инвестиционна преценка - просто хора с различни умения, пишат за Financial Times Робърт Поузън, лектор в MIT Sloan School of Management и бивш президент на Fidelity Investments, и Джонатан Руин, изследовател и лектор в MIT.

МС, клон на изкуствения интелект, дава възможност на мощни компютри непрекъснато да подобряват своята ефективност спрямо определени цели - без да е необходимо хората да диктуват точните методологични стъпки. Вместо да разчитат на подробни инструкции, компютрите анализират големи количества данни чрез алгоритми, които се учат чрез опит и грешка. Те могат да забележат модели, които хората не биха могли да възприемат.

Активните мениджъри на акции отдавна управляват количествени фондове, които вземат предвид много фактори, които биха повлияли на бъдещите цени на акциите, като пазарна капитализация, ценови импулс и стойност спрямо растеж. Управлявайки тези количествени фондове, мениджърите използват усъвършенствани компютърни модели, за да идентифицират връзки между факторите, чрез които да открият по-добре представящи се ценни книжа.

И така, какви възможности предлага МС на активните мениджъри извън тези, които вече са предоставени от количествения анализ?

Първо, и най-важно, МС може да идентифицира по-добре представящи се акции въз основа на модели, които не биха били избрани за тестване от хората. Например, МС може да анализира всички отговори на главните изпълнителни директори по време на пресконференции за резултатите на компаниите от индекса S&P 500 през последното десетилетие. Преминавайки през милиони възможни корелации, компютрите могат да идентифицират модели на добро или лошо инвестиционно представяне за компанията или компании, които правят бизнес в подобни региони.

Второ, чрез подобряване на обработката на естествения език МС може да сравнява и противопоставя критични условия. Този процес позволява на учените, изследващи данните, да преглеждат, дешифрират и организират информацията от огромен брой плътни документи, като тези на Комисията за ценни книжа и борси или заявки за патенти.

Трето, алгоритмите, обучени чрез МС, могат да превърнат изображения и звуци във формати на данни, които могат да бъдат вкарани в количествени модели. От сателитни снимки, например, обучени алгоритми могат да намерят подходящи макро или микро факти - преброяването на започнатите жилища в Китай или на колите по паркингите на хранителните вериги.