Oι αλγόριθμοι στην υπηρεσία του... trading
H τεχνική νοημοσύνη και οι εφαρμογές της στα χρηματοοικονομικά.
Στα τέλη της δεκαετίας του ‘80, και κυρίως στις αρχές αυτής του ‘90, η ανάπτυξη των προσωπικών υπολογιστών και workstations, του διαδικτύου και των mainframe συστημάτων επέτρεψαν την πρόσβαση σε “φτηνότερη”, μεγαλύτερη υπολογιστική ισχύ, και σε ένα σύνολο πληροφόρησης που συνεχώς αυξάνονταν.
Αυτό ενίσχυσε με τη σειρά του την ανάπτυξη πολλών υβριδικών επιστημονικών εφαρμογών σε πολλά πεδία.
Τεχνητή νοημοσύνη
Στις μέρες μας εφαρμογές “Τεχνητής Νοημοσύνης” υπάρχουν σχεδόν παντού. Από τα “έξυπνα τηλέφωνα” έως τις οικιακές συσκευές μας. Στη ιατρική για παράδειγμα, η τεχνητή νοημοσύνη χρησιμοποιείται σε πληθώρα “έξυπνων” συσκευών ή εργαλείων. Εικάζεται, δε, ότι στο κοντινό μας μέλλον, υπερυπολογιστές με Τεχνητή Νοημοσύνη θα αναπτύσσουν αυτόματα νέα φάρμακα που θα καταπολεμούν νέες αρρώστιες και παθήσεις, χωρίς την ανθρώπινη παρέμβαση (Κοντοπούλου 2016). Στην χρηματοοικονομική, κυρίως στις αρχές του ‘90, αναπτύχθηκε μεγάλο ενδιαφέρον για εφαρμογές που συνδύαζαν θεωρίες από τεχνητή νοημοσύνη, ανώτερα μαθηματικά, προγραμματισμό και στατιστική, για τη μοντελοποίηση των αγορών.
Πολλοί πίστεψαν ότι είχε βρεθεί το “Άγιο Δισκοπότηρο” στην υποδειγματοποίηση των χρηματαγορών και ότι πολύ σύντομα θα αναπτύσσονταν εξαιρετικά κερδοφόρα επενδυτικά συστήματα και στρατηγικές μέσω του συνδυασμού υψηλής τεχνολογίας και εξελιγμένων μαθηματικών αλγορίθμων. Αυτή η οπτική εναντιώνεται φυσικά στη θεωρία των “Αποτελεσματικών Αγορών” (Fama 1970, Fama 1991) που μας διδάσκει ότι κάτι τέτοιο είναι μάλλον αδύνατο.
Πολλές έρευνες και εφαρμογές επικεντρώθηκαν στα λεγόμενα “Νευρωνικά Δίκτυα” που είναι μαθηματικοί αλγόριθμοι που μοντελοποιούν δεδομένα όπως ο ανθρώπινος εγκέφαλος επεξεργάζεται τη γνώση (Refenes 1994, Refenes et al. 1997), σε μαθηματικούς αλγορίθμους από τη θεωρία Ανάλυσης Σημάτων (Ramsey 2002), στη θεωρία του “Χάους”, δηλαδή των “μη γραμμικών δυναμικών συστημάτων” (Hsieh 1991) ή σε κάποιο συνδυασμό τους (Antoniou & Vorlow 2004).
Αν και οι πιλοτικές-ακαδημαϊκές εφαρμογές αυτές υπόσχονταν αρχικά πολλά, δεν υπήρξε κάποιο “θεαματικό” αποτέλεσμα, τουλάχιστον που να ανακοινώθηκε επιστημονικά ή σε επίπεδο εμπορικό, της αγοράς. Οι λόγοι ήταν πολλοί. Η υπολογιστική ισχύς των τότε συστημάτων ήταν αρκετά χαμηλή, το λογισμικό δεν είχε αναπτυχθεί πλήρως, τα δεδομένα δεν υπήρχαν σε ικανούς όγκους και το επιστημονικό υπόβαθρο χρειάζονταν να αναπτυχθεί περισσότερο. Ωστόσο, οι πρώτες ενδείξεις από πρώιμες εφαρμογές, ήταν πολύ θετικές. Σταδιακά, ο αρχικός ενθουσιασμός του ‘90 μετατράπηκε περισσότερο σε ακαδημαϊκό ενδιαφέρον.
Οι επιστημονικές μελέτες επικεντρώθηκαν σε πολλούς τομείς εφαρμογών στην χρηματοοικονομική, από την ανάλυση και πρόβλεψη της μεταβλητότητας των αγορών (Refenes & Holt 2001), τη διάρθρωση των χαρτοφυλακίων (Zapranis & Refenes 1999), τη βελτιστοποίησή τους (Trippi & Turban 1996, Shadbolt 2012), τη δημιουργία συστημάτων Πιστωτικού Κινδύνου (Zhao & Chen 2009, Atiya 2001) κ.ά.
Από τον αλγοριθμικό προγραμματισμό στη “Βαθιά Μάθηση”
Οι εφαρμογές “Βαθιάς Μάθησης” είναι στις μέρες μας ο κλάδος αιχμής της “Μηχανικής Μάθησης” (machine learning), δηλαδή του ευρύτερου επιστημονικού κλάδου της “Τεχνητής Νοημοσύνης” (artificial intelligence) που ασχολείται με το πώς μπορεί να μάθει ένα υπολογιστικό σύστημα. Εταιρείες έχουν κάνει γενναία “ανοίγματα” προς την κατεύθυνση αυτή, όπως η Google με την ανάπτυξη του “Google Brain Project” και την αγορά της startup “Deepmind”. Και άλλοι μεγάλοι παίχτες στην αρένα της τεχνολογίας, των social media και του ηλεκτρονικού εμπορίου όπως οι Ebay, Amazon, Facebook, Google, IBM, Microsoft και Twitter προβαίνουν σε παρόμοιες πρωτοβουλίες για την κατασκευή εφαρμογών μηχανικής ή βαθιάς μάθησης, τεχνητής νοημοσύνης και “predictive analytics”.
To τελευταίο πεδίο αναφέρεται στην επεξεργασία τεράστιων βάσεων δεδομένων και πληροφόρησης, συνήθως με εξελιγμένους στατιστικούς αλγόριθμους ή μηχανικής μάθησης, ώστε να ανιχνευθούν τυχόν δομές στα στοιχεία και συσχετίσεις που θα επιτρέψουν ακριβέστερες προβλέψεις. Οι στατιστικοί, μαθηματικοί και προγραμματιστές που σχεδιάζουν και αναπτύσσουν λογισμικό για εφαρμογές μηχανικής μάθησης και τεχνητής νοημοσύνης, αμείβονται πλέον με μισθούς ανάλογους των πιο καλοπληρωμένων τραπεζιτών.
Τί σημαίνει όμως “μηχανική μάθηση” και πώς μπορεί να προγραμματίσει κάποιος έναν υπολογιστή να “μαθαίνει”; Για παράδειγμα, πώς αναγνωρίζουν τη φωνή μας τα “έξυπνα τηλέφωνα” και τα tablet και μας επιτρέπουν να υπαγορεύουμε κείμενα; Πώς αναγνωρίζει ο ορθογράφος τί λέξη προσπαθούμε να πληκτρολογήσουμε στο sms που θέλουμε να στείλουμε, μόνο από την εισαγωγή μερικών γραμμάτων, πολλές φορές ακόμη και με σφάλμα;
Πώς μας καταλαβαίνουν τα αυτοματοποιημένα κέντρα (“ρομποτικής”) τηλεφωνικής εξυπηρέτησης των τραπεζών ή της κινητής τηλεφωνίας; Η απάντηση είναι, αλγοριθμικά ή προγραμματιστικά “πολύ δύσκολα”. Ωστόσο, χάρη στην υψηλή τεχνολογία πλέον, την στατιστική και την επιστήμη της μηχανικής μάθησης, πολύ πιο εύκολα.
Οι αλγόριθμοι στην υπηρεσία μας
Είναι πολύ δύσκολο ή περίπλοκο, έως και πρακτικά αδύνατο, να κατασκευάσουμε αλγορίθμους που να περιγράφουν σε μηχανές πολλές γνώσεις, ακόμη και απλές. Για παράδειγμα, είναι αρκετά δύσκολο να κατασκευάσουμε έναν αλγόριθμο, ένα πρόγραμμα που να περιλαμβάνει ως δεδομένα και παραμέτρους όλα τα χαρακτηριστικά όλων των αυτοκινήτων που έχουν ποτέ κατασκευαστεί ώστε ένας υπολογιστής να μπορεί να αναγνωρίσει εικόνες αυτοκινήτων.
Παρότι ένα αυτοκίνητο είναι σχετικά πολύ απλό για εμάς να το αναγνωρίσουμε οπτικά, όταν έρθει η ώρα να το περιγράψουμε σε ένα υπολογιστή με τέτοιο τρόπο ώστε αυτός να μπορεί να αναγνωρίσει κάθε αυτοκίνητο που έχει ποτέ κατασκευαστεί, από οποιαδήποτε οπτική γωνία, είναι πολύ πιο δύσκολο από όσο ακούγεται. Ο λόγος είναι ότι ο ανθρώπινος εγκέφαλος μαθαίνει περισσότερο με μεθόδους βαθιάς μάθησης, με παραδείγματα, ενώ ο αλγοριθμικός προγραμματισμός βασίζεται στην περιγραφή ενός συνόλου μαθηματικών κανόνων και διαδικασιών που μπορεί να μην είναι σε θέση να περιγράψουν επιτυχώς σε ένα υπολογιστή και με μεγάλη ευστοχία, κάποιο αντικείμενο ή ιδέα.
Για παράδειγμα, ένα αυτοκίνητο έχει τέσσερις ρόδες αλλά το ίδιο έχει και ένα κάρο ή ένα καροτσάκι για μωρά, επομένως η παραμετροποίηση που απαιτείται στην περίπτωση αυτή, ώστε ο υπολογιστής να διακρίνει την διαφορά των αντικειμένων αυτών, οδηγεί σε πολύ περίπλοκη προγραμματιστική προσέγγιση, τουλάχιστον αλγοριθμικά. Επιπλέον, για να φτιάξουμε μια μηχανή που “μαθαίνει” όπως ο ανθρώπινος εγκέφαλος, πρέπει να γνωρίζουμε επακριβώς πώς λειτουργεί αυτός και πώς αποκτάται η γνώση, πράγμα που ακόμη δεν έχει γίνει επιστημονικά κατανοητό, σε πολύ μεγάλο βαθμό.
Παράλληλα, ακόμη και εάν είχαμε ξεκλειδώσει τα μυστικά του ανθρώπινου εγκεφάλου και της σκέψης, θα ήταν εξαιρετικά περίπλοκο τεχνικά να κατασκευάσουμε μηχανές ή λογισμικό που προσομοιάζουν στη λειτουργία τους πιστά τον ανθρώπινο νου. Για το λόγο αυτό, οι επιστήμονες στο χώρο της μηχανικής μάθησης και της τεχνητής νοημοσύνης, επινόησαν ένα διαφορετικό μονοπάτι, ορμώμενοι από το πώς (υποθέτουμε ότι) μαθαίνει ο ανθρώπινος νους.
Το “κλειδί” της λύσης στο παραπάνω πρόβλημα βρίσκεται στο να μάθουμε με παραδείγματα, έναν υπολογιστή να διακρίνει διάφορα αντικείμενα ή ιδέες. Τον τροφοδοτούμε με εκατοντάδες χιλιάδες εικόνες αντικειμένων (αυτοκινήτων και άλλων), μαζί με τη σωστή απάντηση του τί περιγράφει η κάθε εικόνα, και ελέγχουμε πώς το σύστημα χρησιμοποιεί αυτήν την εμπειρία, για να κατηγοριοποιήσει κάποιες νέες εικόνες που θα του δείξουμε.
Ο στόχος μας είναι να διδάξουμε τη μηχανή με παραδειγματισμό, όπως θα μαθαίναμε σε ένα παιδάκι να ξεχωρίζει το ζεστό από το κρύο, το κόκκινο από το πράσινο ή το σκύλο από τη γάτα. Όπως μπορεί να καταλάβει κανείς, μια διαδικασία μάθησης τύπου “Deep Learning”, δηλαδή βαθιάς μάθησης (Awad & Khanna 2015), απαιτεί τεράστιο μέγεθος πληροφόρησης και υπολογιστικής ισχύος. Στις μέρες μας όμως, 20 χρόνια περίπου μετά την επιστημονική σύλληψη της “Βαθιάς Μάθησης”, αυτά τα δύο παραπάνω χαρακτηριστικά δεν αποτελούν πλέον σημαντικούς περιορισμούς.
Η “Εξαγωγή Χαρακτηριστικών” Feature Extraction
Μία από τις πιο μεγάλες προκλήσεις με τα παραδοσιακά μοντέλα μηχανικής μάθησης είναι μια διαδικασία που ονομάζεται “εξαγωγή χαρακτηριστικών” (feature extraction). Συγκεκριμένα, ο προγραμματιστής πρέπει να πει στον υπολογιστή τι είδους πληροφόρηση θα πρέπει να ψάχνει μέσα στα δεδομένα ώστε να καταλήξει σε ένα “σωστό” συμπέρασμα. Με άλλα λόγια, αν τροφοδοτήσουμε με απλή, ακατέργαστη πληροφόρηση χωρίς καμία πρώιμη επεξεργασία ένα υπολογιστικό σύστημα, όσο εξελιγμένος και εάν είναι ο αλγόριθμος μηχανικής μάθησης, σπάνια θα λάβουμε σωστά συμπεράσματα. Επομένως η εξαγωγή χαρακτηριστικών είναι ένα κρίσιμο στάδιο της μηχανικής μάθησης.
Αυτό θέτει μια τεράστια πρόκληση για τον προγραμματιστή, και η αποτελεσματικότητα της όλης επεξεργασίας των δεδομένων, για την κατάληξη σε κάποιο συμπέρασμα, εξαρτάται σε μεγάλο βαθμό από το πόσο διορατικός είναι.
Η βαθιά μάθηση είναι μια από τις μόνες μεθόδους με τις οποίες μπορούμε να παρακάμψουμε κάποιες από τις προκλήσεις της εξαγωγής χαρακτηριστικών, όπως περιγράφηκαν παραπάνω. Αυτό ισχύει επειδή τα βαθιά μοντέλα μάθησης είναι ικανά να μάθουν να επικεντρώνονται στα σωστά χαρακτηριστικά και να τα ανιχνεύουν από μόνα τους, απαιτώντας λίγη καθοδήγηση από τον προγραμματιστή. Αυτό κάνει λοιπόν τη βαθιά μάθηση ένα εξαιρετικά ισχυρό εργαλείο για τη σύγχρονη μηχανική μάθηση.
Από όσα αναφέραμε παραπάνω, η δύναμη της βαθιάς μάθησης έγκειται στο ότι μπορούμε να “διαχειριστούμε” τεράστιο όγκο χρηματοοικονομικών δεδομένων και να επιτρέψουμε ταυτόχρονα σε αλγορίθμους να “μάθουν” από αυτά τα δεδομένα. Κάτι που θα έπαιρνε εκατοντάδες ανθρωποώρες σε εκατοντάδες ίσως επενδυτικούς αναλυτές, ένα υπολογιστικό σύστημα το κάνει σε λίγες ώρες ή λεπτά, καταλήγει σε συμπεράσματα και προτείνει λύσεις ή συστήνει στρατηγικές. Παράλληλα, η επεξεργασία δεδομένων και οι όποιες προβλέψεις που θα υπολογιστούν με βάση την πληροφόρηση που θα διαθέτουμε, γίνονται μέσω αλγορίθμων που έχουν φέρει πολύ καλά αποτελέσματα σε άλλες πειθαρχίες και δύσκολες εφαρμογές όπως την αναγνώριση εικόνων, ήχου και γλώσσας, τις μεταφράσεις κ.ά.
Επιπλέον, η προσέγγιση αυτή έχει χρησιμοποιηθεί πολύ λίγο στο χώρο της χρηματοοικονομικής, επομένως ενδέχεται να ανιχνεύσει νέες ανωμαλίες της αγοράς (“market anomalies”) που να είναι οικονομικά εκμεταλλεύσιμες και να αποφέρουν στους επενδυτές σημαντικά κέρδη. Και όλα αυτά χωρίς την ανάγκη εφαρμογής μιας νέας επενδυτικής θεωρίας εφόσον οι αλγόριθμοι βαθιάς μάθησης θα ανακαλύπτουν στα δεδομένα δομές που δεν έχουν μελετηθεί ή εξηγηθεί ποτέ στο παρελθόν.
Εφαρμογές στην Χρηματοοικονομική
Το πεδίο εφαρμογών της βαθιάς μάθησης στη χρηματοοικονομική είναι εξαιρετικά ευρύ και προβάλλει μεγάλες προκλήσεις. Στις μέρες μας πλέον υπάρχει μια τεράστια πληροφόρηση καθημερινά για τις οικονομικές εξελίξεις και τις αγορές, τόσο ποσοτική όσο και ποιοτική. Οι περισσότερες εφαρμογές της βαθιάς μάθησης δανείζονται πολλά στοιχεία από τον κλάδο της Τεχνητής Νοημοσύνης και της “Υπολογιστικής Νοημοσύνης” (“Computational Intelligence”, βλέπε Cavalcante et al. 2016).
Η λογική πίσω από όλες τις εφαρμογές είναι να συνδυαστεί η γνώση με την πληροφόρηση που αντλούμε, με κάποιον τρόπο, ώστε οι προβλέψεις να είναι πιο ακριβείς και, συνεπώς, το ρίσκο της επενδυτικής απόφασης να είναι μικρότερο.
Στο πεδίο των εφαρμογών που αφορούν στην καλύτερη διάρθρωση του χαρτοφυλακίου ή την αλγοριθμική επενδυτική, οι εφαρμογές της βαθιάς μάθησης μπορούν να χωριστούν σε 5 κατηγορίες.
Η πρώτη κατηγορία αφορά στην μικρο-δομή των αγορών (Market Microstructure) και επικεντρώνονται στο order-book ή σε trading υψηλών συχνοτήτων (tick by tick, ή ανά λεπτό κλπ). Πολλές εφαρμογές αποσκοπούν στην καλύτερη δυνατή πρόβλεψη των bid-ask spreads και στο πώς συμπεριφέρονται οι τιμές σε πολύ υψηλές συχνότητες, ανάλογα με την κατάσταση της αγοράς. Άλλες εφαρμογές επικεντρώνονται στην πρόβλεψη της κατεύθυνσης των τιμών (πτωτικά ή ανοδικά) στα επόμενα λεπτά λειτουργίας της αγοράς (σε spot και futures) ενώ άλλες στην ενδοσυνεδριακή απόδοση των μετοχών σε σχέση με την διάμεση απόδοσή τους ιστορικά. Τα αποτελέσματα σε αυτήν την κατηγορία είναι σε γενική κλίμακα “σχετικά” καλά, χωρίς όμως να οδηγούν σε θεαματικές αποδόσεις. Ωστόσο είναι περισσότερο αποδοτικά από τις “κλασσικές” στοχαστικές προσεγγίσεις (βλέπε Renaissance Technologies ή Walnut Algorithms για εμπορικές εφαρμογές).
Η δεύτερη κατηγορία επικεντρώνεται στην ανάλυση των νέων που αντλούμε μέσω πηγών πληροφόρησης όπως το Reuters, το Bloomberg, τα social media, το email ή τις ιστοσελίδες στο διαδίκτυο. Η κεντρική ιδέα πίσω από τις εφαρμογές αυτές είναι σχετικά απλή καθώς προσπαθούν να ταξινομήσουν και να κατηγοριοποιήσουν τα νέα με κριτήριο το εάν καταδεικνύουν μια αγορά “στρεσαρισμένη” με έντονη μεταβλητότητα ή το αντίθετο. Πολλές εφαρμογές βαθιάς μάθησης ανιχνεύουν τις επικεφαλίδες των νέων ή των μηνυμάτων και προσπαθούν να “μαντέψουν” το θυμικό των επενδυτών και τη σχέση του με τις αποδόσεις των μετοχών.
Για παράδειγμα, κάποιες εφαρμογές εξετάζουν τα χρηματοοικονομικά νέα στο CNN και ανιχνεύουν πόσο χρόνο μετά την ανακοίνωσή τους επηρεάζουν αυτά την συμπεριφορά των αγορών και πόσο χρόνο παίρνει στις τελευταίες να αντιδράσουν σε κάθε λογής “εκπλήξεις”. Υπερυπολογιστές τροφοδοτούνται με εκατομμύρια κείμενα και ανακοινώσεις και καλούνται με τεχνικές βαθιάς μάθησης και τεχνητής νοημοσύνης να ανακαλύψουν “συσχετίσεις” μεταξύ αιτίου και αιτιατού, ώστε οι επενδυτές να επιλέξουν σωστές στρατηγικές στο μέλλον, όταν συμβεί ένα παρόμοιο γεγονός. Κάποια άρθρα ανακοινώνουν ακριβέστερες προβλέψεις κατά ποσοστά άνω του 50% ενώ άλλες οδηγούν σε αποδόσεις άνω του benchmark κατά μονοψήφια ποσοστά.
Πολλές εφαρμογές συνδυάζουν τα νέα και social media με στατιστικές αναλύσεις χρονοσειρών τιμών μετοχών σε πραγματικό χρόνο και μοντελοποιούν με αυτόν τον τρόπο τη δυναμική των αγορών ή της μεταβλητότητάς τους, με κάποια καλά αποτελέσματα (για εμπορική εφαρμογή βλέπε Hearsay Social).
Μια άλλη μεγάλη κατηγορία εφαρμογών είναι αφιερωμένη στην διάρθρωση και βελτιστοποίηση χαρτοφυλακίων καθώς και το Tactical ή Strategic Asset Allocation.
Aυτές οι εφαρμογές μπορεί να δανείζονται στοιχεία και από τις δύο προηγούμενες κατηγορίες. Πολλές αναφορές δείχνουν ότι επιτυγχάνεται κάποια καλύτερη συμπεριφορά του χαρτοφυλακίου και, πλέον, αρκετοί πιστεύουν ότι οι καινούργιες οn-line αυτοματοποιημένες υπηρεσίες βελτιστοποίησης χαρτοφυλακίου (τις λεγόμενες “robo advisors”) σύντομα θα χρησιμοποιούν, και ευρέως, τεχνικές βαθιάς μάθησης για καλύτερη διαχείριση και στρατηγική/τακτική τοποθέτηση κεφαλαίων (βλέπε Betterment ή Schwab Intelligent Portfolios).
Οι υπόλοιπες δύο κατηγορίες δεν σχετίζονται άμεσα με τις επενδύσεις χαρτοφυλακίου. Η μία αφορά στην διαχείριση κινδύνου από απάτες ή χρεοκοπία. Συστήματα ανάλυσης δεδομένων συλλέγουν ανιχνεύουν πληροφορίες με τεχνικές βαθιάς μάθησης και εντοπίζουν περιπτώσεις όπου πιθανοί δανειολήπτες έχουν προβεί σε απάτες στις αιτήσεις δανείων τους ή είναι επικίνδυνοι να χρεοκοπήσουν. Συνεπώς, οι δανειστές ή επενδυτές μπορούν να αποφεύγουν τη χρηματοδότησή τους ή/και να διασφαλίζουν τα κεφάλαιά τους με κάποιο τρόπο. Χιλιάδες παράμετροι και πληροφορίες από προσωπικά δεδομένα που διαθέτουν οι τραπεζικοί οργανισμοί (ηλικία, φύλο, εκπαίδευση, κοινωνικοοικονομικό επίπεδο, επάγγελμα, παιδεία, φορολογικές δηλώσεις κλπ.) συνδυάζονται με αυτές τις εφαρμογές, οι οποίες εντοπίζουν δομές-συσχετίσεις και υπολογίζουν την πιθανότητα ο δανειολήπτης να είναι φερέγγυος ή όχι.
Συμπεράσματα, οι προκλήσεις και οι μελλοντικές προοπτικές
Κανείς δεν αμφισβητεί σήμερα ότι διαθέτουμε πληθώρα πληροφόρησης και τεράστια υπολογιστική ισχύ σε σχέση με τις προηγούμενες δεκαετίες. Σε αυτό βοήθησε εξαιρετικά και η επέκταση του διαδικτύου στις μέρες μας και η δυναμική των social media. Το ζητούμενο όμως είναι εάν μπορούν αυτά να συνδυαστούν επιτυχώς ώστε να καταλήξουμε σε κάτι που παράγει προστιθέμενη αξία, τουλάχιστον στις χρηματοοικονομικές εφαρμογές. Όταν η συζήτηση επικεντρώνεται στις εφαρμογές Τεχνητής Νοημοσύνης και Βαθιάς Μάθησης, ένα γίνεται άμεσα αντιληπτό: Είμαστε ακόμη πολύ μακριά από το σημείο όπου αυτοματοποιημένες ευφυείς μηχανές θα αναλαμβάνουν τη διαχείριση των χαρτοφυλακίων μας, χωρίς καμία ανθρώπινη παρέμβαση.
Περισσότερο θα μπορούσε κανείς να πει, ότι οι πρόοδοι στους παραπάνω επιστημονικούς τομείς βοηθούν στην βελτίωση των υπαρχόντων εφαρμογών στην χρηματοοικονομική και, ίσως, στην περαιτέρω κατανόηση της δυναμικής των αγορών. Με απλά λόγια, οι απαιτήσεις μας από τις νέες προσεγγίσεις που αναφέραμε στο παρόν άρθρο, πρέπει να διακρίνονται από ένα στοιχείο ρεαλισμού.
Το προτέρημα της βαθιάς μάθησης, δηλαδή η δυνατότητα να ανακαλύπτει νέους “νόμους” και συσχετίσεις που βρίσκονται κρυμμένα μέσα σε μια πληθώρα πληροφοριών, χωρίς την ανθρώπινη παρέμβαση ή καθοδήγηση, μπορεί να αποτελέσει ίσως και ο μεγαλύτερο εμπόδιο στις χρηματοοικονομικές εφαρμογές. Παρά το γεγονός ότι πολλές πιλοτικές επενδυτικές εφαρμογές έχουν αναδείξει τις προοπτικές αυτής της τεχνολογίας, είμαστε ακόμη πολύ μακριά από την πλήρη χρησιμοποίησή της σε όλα τα πεδία της χρηματοοικονομικής.
Επιπλέον, δεν υπάρχει καμία σιγουριά ότι η βαθιά μάθηση θα οδηγήσει σε σημαντικά υπερκέρδη ή αυτοματοποιημένα “ρομπότ” ή προγράμματα που θα κερδοσκοπούν στις αγορές προς όφελος των ανθρώπων που τα χρησιμοποιούν. Ο ρόλος είναι απλός. Παρά τις προόδους που έχουν επιτευχθεί στην χρηματοοικονομική θεωρία και την επέκταση των υπολογιστών και της οικονομετρίας στη μελέτη χρηματοοικονομικών φαινομένων, δεν διαθέτουμε πλήρη γνώση ακόμη για το ποια είναι η δυναμική που τα κυβερνά. Επομένως ενέχουν κάποιες σημαντικές πρακτικές και θεωρητικές δυσκολίες στο κομμάτι της εξαγωγής χαρακτηριστικών από τα δεδομένα. Πώς μπορούμε να εξηγήσουμε σε έναν υπολογιστή τί είναι αυτό που ψάχνουμε, εάν δεν το γνωρίζουμε καλά-καλά ούτε εμείς οι ίδιοι;
Επιπλέον, εάν κανείς αναλογιστεί το νόμο των “αποτελεσματικών αγορών”, ίσως να μην αποκτήσουμε ποτέ πλήρη γνώση της δυναμικής τους. Και υπάρχουν και άλλοι κίνδυνοι που μπορεί να εμφανιστούν στην πορεία. Εάν αφήσουμε εξολοκλήρου τα αυτοματοποιημένα υπολογιστικά συστήματα (έστω και με Τεχνητή Νοημοσύνη) να αναλάβουν τις χρηματιστηριακές μας δραστηριότητες, χωρίς να γνωρίζουμε πώς ακριβώς λειτουργούν και τί ακριβώς κάνουν, ενδέχεται να οδηγηθούμε εκ νέου σε κρίσεις τύπου 1987 ή τα πιο πρόσφατα “flash crashes”.
Για πολύ καιρό ακόμη, η ανθρώπινη διαίσθηση και γνώση, καθώς και ο ανθρώπινος παράγοντας, θα είναι η καρδιά της βιομηχανίας των επενδύσεων. Οι νεωτερισμοί τύπου “Βαθιάς Μάθησης” και “Τεχνητής Νοημοσύνης” θα μπορούν, ίσως, να προσφέρουν ένα συγκριτικό πλεονέκτημα σε ορισμένους επενδυτές και αναλυτές, όχι να τους αντικαταστήσουν, τουλάχιστον στο εγγύς μέλλον.
Ωστόσο, η “Μηχανική” και η “Βαθιά” μάθηση, καθώς και η “Τεχνητή Νοημοσύνη”, είναι οδοί που εξερευνώνται και θα συνεχίσουν να εξερευνώνται με αμείωτο ενδιαφέρον, τόσο ακαδημαϊκά όσο και από τα διάφορα hedge και quant funds για την επίτευξη υψηλότερων επενδυτικών αποδόσεων, για πολλές δεκαετίες ακόμη. «