Кто лучше прогнозирует цены на акции — человек или искусственный интеллект?
Недавно мы рассматривали эффективность интуитивного ручного трейдинга и системного (алгоритмического). Сейчас же посмотрим за противостоянием искусственного интеллекта и профессиональных финансовых аналитиков. Кто кого? Узнаем в этой статье.
Содержание
Видео
Восстание машин
За последние пару десятилетий влияние технологий на различные сферы бизнеса выросло экспоненциально. Анализ данных, машинное обучение, искусственный интеллект, нейронные сети — вот это вот все легло в основу крупных компаний.
Финансовые технологии (FinTech) — далеко не последняя область, где применяют подобные модели. Ежегодно появляется все больше финансовых компаний, хедж-фондов и инвест-банков, которые создают новые технологичные продукты.
По данным IBM, ежедневно формируется 2,5 квинтильона байтов информации (значение с 18 нулями). Наш мозг способен хранить в районе 3-х терабайтов информации, что в миллион раз меньше тех данных, которые генерируются ежедневно.
А если учесть то, что объем ежегодных данных только увеличивается, кто-то эти данные должен обрабатывать. Суперкомпьютеры справляются с этим лучше людей (не благодарите за столь мудрый и глубокий вывод).
Регистрируйтесь на бесплатный онлайн-курс и узнайте, как инвестировать системно, прибыльно и без стресса
Когда искусственный интеллект (ИИ) начал себя проявлять
В 1997 году алгоритм “Deep Blue” от IBM впервые обыграл человека в шахматы. Этим человеком был Гарри Каспаров. После той истории было множество состязаний среди других шахматистов, и везде искусственный интеллект доминировал.
Поняв, что состязание “человек против машины” бессмысленно, люди решили попробовать другой подход — “человек + машина” против “машины”.
Вот тут-то команды “человек + машина” начали обыгрывать просто “машину”. И не просто обыгрывать, — шахматисты значительно повышали свои навыки и опыт, получая в процессе подсказки от ИИ.
Если ИИ действительно способен помочь человеку повысить его опыт и упростить работу, тогда почему бы не попробовать то же самое, только в других сферах — медицине, науке, авиации, и, конечно же, в инвестициях. “Почему бы не попробовать” — риторическое утверждение. Компьютерные мощности, алгоритмы и машинное обучение уже не первый десяток лет помогают в тех самых сферах, где рутинные процессы можно делегировать компьютеру.
Искусственный интеллект, созданный для анализа акций
В работе, которую мы сегодня изучаем (ссылка будет в конце статьи), исследователи сделали свой собственный алгоритм для анализа акций, основанный на искусственном интеллекте и машинном обучении.
Ок, какая финальная цель анализа акций? Определить, где цена окажется через n времени, ну и сколько можно будет заработать спустя это время. Аналитик-человек изучает отчеты компаний, использует фундаментальный и/или технический анализ. Примерно это же делал и аналитик-алгоритм, но только в больших масштабах: собирал ежедневные экономические данные из разных источников, данные о компаниях и другие фундаментальные и технические сводки.
ИИ самообучался до тех пор, пока не начал показывать 53,7% положительных прогнозов за период 2001-2016 на бэктесте. Такой результат уже может конкурировать с профессиональными финансовыми аналитиками. Но напомним, что цель у этого ИИ была не конкурировать с человеком, а помогать ему.
Какие акции человек может анализировать лучше?
Чтобы понимать, в чем ИИ лучше человека, сперва надо определить сильные и слабые стороны аналитика.
Исследователи выявили, что аналитик-человек лучше предсказывает цены на низколиквидные акции — то есть на акции не самых крупных компаний (здесь речь идет о профессиональных аналитиках, которые работали в брокерских компаний, хедж-фондах или инвест-банках). Связано это с тем, что анализ подобных акций и компаний требует больше корпоративных знаний, и знаний индустрии в целом, которые сложно “вшить” в алгоритм. К тому же, количество данных у таких компаний значительно меньше, чем, к примеру, данных у компании Amazon. А ИИ любят большие данные — там они как рыбы в воде.
Так что компании, информация по которым относительно ограничена, поддаются человеческому анализу либо не хуже, либо лучше, чем алгоритму.
В нашем Telegram-канале есть то, чего не публикуем на сайте 📈
Какие данные анализировались ИИ для анализа акций
В общей сложности алгоритмы проанализировали:
- исторические данные с 1996 по 2016 год
- 685 888 прогнозов по 6 118 компаниям
Эти прогнозы, в свою очередь, создали 10 287 аналитиков из 755 брокерских фирм.
И подробней разберем отдельные области, которые сканировал ИИ.
Характеристики компаний
Здесь во внимание брались следующие факторы:
- доходность акций за каждый исследуемый год
- прибыль компаний за 3, 6, 9, 12, 24 и 36 месяцев
Характеристики индустрии и сектора
Например, в каком секторе находится компания и ее акции. То есть анализировался общий спрос на сектор экономики, его состояние и перспективы.
Макроэкономика
Макроэкономика и развитие фондового рынка неразрывно друг с другом связаны. Для определения макроэкономических показателей анализировались следующие факторы:
- индекс промышленного производства
- индекс потребительских цен
- цены на нефть
- ставки по облигациям
Анализ отчетов, новостей и заявлений
Вот здесь алгоритмы полностью доминировали над человеческими способностями. ИИ ежедневно анализировал отчеты, новости и даже Твиттер тысячами и миллионами строк. Из всего массива данных алгоритм отфильтровывал нужную информацию и внедрял в аналитическую модель.
Анализ настроения рынка
Настроения рынка — совокупное количество быков и медведей, а также объем их позиций. Сюда входят позиции как крупных игроков, так и частных трейдеров и инвесторов.
За 1 час поможем разобраться с факторами успеха и причинами неудач на финансовых рынках. Бесплатно
Итоги исследования
Результаты аналитических прогнозов "машина против человека"
В окне с 2001 по 2016 год аналитиками было создано 652 659 прогнозов, из которых 53,4% ИИ отработал лучше, чем человек. Подробнее — на картинке ниже.
И быстро расшифруем график:
- Пунктирная линия посередине — 50% прогноза. То есть все, что выше этой линии — лучше прогноза, а ниже — хуже
- Голубая линия — результативность прогнозов ИИ по годам
- Красная линия — среднее значение прогнозов ИИ за 15 лет
Сразу бросается в глаза “просадка” прогнозирования в 2013 году. В тот год алгоритмы сделали всего лишь 37,8% прогнозов, которые превзошли прогнозы человека. В 2008 и 2009 тоже не все было гладко — на то он и кризис.
В целом, за период с 2001 по 2016 ИИ неплохо отрабатывал сигналы, но тренд все равно движется вниз (то есть пока нельзя сказать, что ИИ доминирует над человеком). На этот счет у исследователей несколько объяснений, одно из которых заключается в том, что люди-аналитики просто активнее начали использовать компьютерные возможности в своих анализах, что повысило качество их прогнозов.
Результаты аналитических прогнозов "человек и машина" против человека
Теперь посмотрим на те результаты, когда люди-аналитики работали с алгоритмами сообща — аналогично тому, как шахматисты играли вместе с Deep Blue.
Видно, что дуэт “человек и машина” практически всегда делали хорошие прогнозы. Опять же, были не лучшие результаты в 2013, но в среднем показатель успешных прогнозов за 15 лет составляет около 55%. Выше 50% были прогнозы и в кризисный период 2008 года.
Результаты аналитических прогнозов "человек и машина" против машины
И заключительное состязание, где человек объединялся с алгоритмами, и их результаты сравнивались с результатами ИИ в отдельности.
Здесь получаем, что команда “человек и машина” ежегодно обходила в прогнозах просто машину. Тренд прогнозирования (красная линия) стремится вверх, а среднее значение положительных прогнозов было около 58%.
Аналогично с тем, как и Deep Blue помогал шахматистам обыгрывать другие алгоритмы, на финансовых рынках ИИ может помогать принимать лучшие решения, чем если бы это делал один лишь человек.
Заключение
Ок, в итоге вот какие тезисы мы получаем:
- Искусственный интеллект, созданный в рамках этого исследования, лучше предсказывал цены на акции, чем аналитик-человек.
- Человек-аналитик способен лучше предсказывать цены на акции не самых популярных компаний. Там, где данных не так много, человек справляется не хуже машины, а где-то даже и лучше.
- Союз машины с человеком значительно повышает точность прогнозов.
Хорошо, как это может помочь нам — частным трейдерам и инвесторам?
Скорее всего, без эксплуатации компьютерных возможностей ваши шансы будут сильно проседать. Это если мы говорим про трейдинг и активные инвестиции (не путать с пассивным инвестированием).
Еще что важно — количество положительных прогнозов в данном исследовании.
Средний лучший результат был в районе 58%. И это у команды профессиональных аналитиков вместе с алгоритмом на основе искусственного интеллекта и машинного обучения.
58%. Не 70%, не 90%, а пятьдесят восемь.
Иногда приходится встречать на различных сайтах или в рекламах следующее: “Научитесь предсказывать рынок…”, “Стратегия, где 90% сделок прибыльны…”, “Торговля без рисков…” ну и так далее. К примеру, у одного достаточно известного трейдера на сайте написано вот так:
Все эти тезисы (не на картинке, а те, что мы описали выше) просто не могут воплотиться в физическую реальность. Невозможно иметь долгосрочную надежную стратегию, где 94% сделок прибыльны (или прогнозы — неважно). Нельзя торговать на рынках без риска — риски есть практически везде, будь то банковский депозит или покупка самых консервативных облигаций. Ну а прогнозировать рынок крайне сложно. Настолько сложно, что у лучших из лучших это получается не намного выше, чем 50% (опять же, можем вернуться к количественному фонду Джима Саймонса).
Хорошая новость в том, что вам не нужно ни предсказывать рынки, ни стремиться к 94% прибыльным сделкам, ни идти ва-банк, чтобы получать системную прибыль.
В нашем блоге мы делимся как раз теми данными, которые основываются на статистике и рациональных выводах. Надеюсь, эти выводы будут защищать вас от обещаний тех, кто сдержать их не сможет.
Успехов.
Материалы
Поделиться статьей
С радостью ответим на ваши комментарии
Читайте также
Павел Овсянников
Сооснователь Empirix. Ритейл-трейдер и квалифицированный инвестор. Автор 80+ статей и 6 курсов. На финансовых рынках с 2012 года. Создает, тестирует и оптимизирует алгоритмические торговые стратегии, управляет системным фондом. E-mail для связи: paul@empirix.ru