Говард Маркс: Инвестиции без людей — 3

investing-without-people-260Говард Маркс
Источник: Oaktree Capital
18 июня 2018 г.
Перевод для AssetAllocation.ru
Окончание. Начало здесь: часть 1, часть 2.

Искусственный интеллект и машинное обучение

Поскольку сейчас я выйду далеко за пределы своих знаний о технологиях, я собираюсь снова положиться на Википедию, чтобы представить обсуждение следующих тем:

Искусственный интеллект – это интеллект, демонстрируемый машинами, в отличие от естественного интеллекта, проявляемого людьми и другими животными. В области компьютерных наук исследование ИИ определяется как исследование «интеллектуальных агентов»: любых устройств, которые воспринимают окружающую среду и принимают меры, которые максимизируют их шансы на успешное достижение своих целей. Вкратце термин «искусственный интеллект» применяется, когда машина имитирует «когнитивные» функции, которые люди ассоциируют с другими человеческими умами, такими как «обучение» и «решение проблем».

… Возможности, обычно классифицируемые как ИИ, по состоянию на 2017 год включают в себя успешное понимание человеческой речи, конкуренцию на самом высоком уровне в стратегических игровых системах (таких как шахматы и го), автономные автомобили, интеллектуальную маршрутизацию доставки контента в сети и военные симуляторы.

… Традиционные проблемы (или задачи) исследований ИИ включают в себя рассуждения, представление знаний, планирование, обучение, обработку естественного языка, восприятие и способность перемещать и манипулировать объектами.

Другими словами, искусственный интеллект означает способность машины мыслить. Количественные инвестиции состоят в том, чтобы дать компьютерам инструкции для следования. Но компьютер с искусственным интеллектом может сам понять, что делать. Как писал 10 мая Investor’s Business Daily, «ИИ использует компьютерные алгоритмы для воспроизведения способности человека учиться и делать прогнозы».

Бернард Марр ссылается на статью в Forbes (6 декабря 2016 г.), проводя различие между искусственным интеллектом и машинным обучением:

Короче говоря, лучший ответ заключается в том, что Искусственный Интеллект – это более широкая концепция машин, способных выполнять задачи таким образом, который мы считаем «умным».

А Машинное Обучение – это текущее приложение ИИ, основанное на идее, что мы действительно должны быть в состоянии дать машинам доступ к данным и позволить им обучать себя. …

Два важных прорыва привели к появлению Машинного Обучения в качестве инструмента, который продвигает развитие ИИ со скоростью, которую он в настоящее время имеет.

Одним из них было осознание, приписываемое Артуру Самуэлю в 1959 г., что вместо того, чтобы учить компьютеры всему, что им нужно знать о мире, и как выполнять задачи, можно было бы научить их обучаться самостоятельно.

Вторым, совсем недавним, стало появление интернета, и огромный рост объема цифровой информации, генерируемой, хранящейся и предоставляемой для анализа.

Как только эти инновации появились, инженеры поняли, что вместо того, чтобы учить компьютеры и машины всему, было бы гораздо эффективнее запрограммировать их так, чтобы они думали, как люди, а затем подключить их к интернету, чтобы дать им доступ ко всей информации в мире. (выделение добавлено)

Таким образом, как это видится не-технарю, ИИ может включать машинное обучение, посредством которого компьютеры просеивают огромные объемы данных и распознают путь к успеху. Им не нужны правила, как в количественных инвестициях; они сами определяют правила для себя.

(Один из способов, с помощью которого лучшие шахматисты становятся гроссмейстерами, – это изучение прошлых шахматных партий, наблюдение за сделанными ходами и запоминание того, какой ход был наиболее успешным в каждой ситуации, и лучший ответ на этот ход. Но есть очевидные ограничения на количество игр, которые человек может изучить, и количество ходов, которые можно запомнить. В этом все и дело: достаточно мощный компьютер может просмотреть каждую игру, в которую когда-либо играли, оценить последствия каждого хода, и принять решение о шагах, которые приведут к успеху. Таким образом, в наши дни компьютеры обыгрывают гроссмейстеров, и этому уже никто не удивляется.)

Машинное обучение все еще находится в зачаточном состоянии. Возможно, что ИИ и машинное обучение когда-нибудь позволят компьютерам выступать в качестве полноправных участников рынков, анализируя и реагируя в режиме реального времени на огромные объемы данных с уровнем суждения и понимания, эквивалентным или лучше, чем у многих инвесторов. Но я сомневаюсь, что это произойдет в ближайшее время, а Теория Рефлексивности Сороса напоминает нам, что все эти компьютеры, вероятно, повлияют на рыночную среду таким образом, что им станет труднее достигать успеха.

Влияние на инвестиции

Мне потребовалось четырнадцать страниц только для того, чтобы добраться до вопроса, который побудил меня начать эту заметку: что это означает для будущего нашей профессии.

Для меня ситуация с индексными и пассивными инвестициями ясна:

  • Большинство людей не могут победить рынок и не делают этого, особенно на наиболее эффективных рынках. В среднем, доходности всех портфелей являются средними до вычета издержек.
  • Активное управление вводит такие проблемы как плата за управление; комиссии и влияние на рынок, связанные с трейдингом; и человеческие ошибки, которые часто заставляют инвесторов покупать и продавать скорее в неподходящее время, чем в нужное. Все это имеет отрицательные последствия на итоговые результаты.
  • Единственный аспект активного управления, способный компенсировать вышеупомянутые недостатки, – это альфа или личное мастерство. Однако лишь очень небольшое количество людей им обладают.
  • По этой причине большое количество активных менеджеров не в состоянии превзойти рынок и оправдать свои гонорары. И это не только мой вывод: если бы это было не так, капитал не перетекал бы из активных фондов в пассивные фонды, как это происходит.
  • Несмотря на это, в течение десятилетий активные управляющие взимали плату, как если бы они её зарабатывали. Таким образом, полезность многих секторов индустрии активного управления инвестициями не учитывала, добавляют ли они ценность для клиентов.

Важно отметить, что тенденция к пассивному инвестированию возникла не потому, что прибыль там была большой. А потому, что результаты активного управления были плохими или, по крайней мере, недостаточно хорошими, чтобы оправдать взимаемые сборы.

Теперь клиенты поумнели, и, если что-то из вышесказанного не изменится, то тренд в сторону пассивных инвестиций будет продолжаться. Что может прервать его?

  • Больше активных управляющих могут стать способны поставлять альфу (но это маловероятно).
  • Рынок может стать легче победить (это, вероятно, будет происходить время от времени).
  • Издержки могут снизиться таким образом, что они станут конкурентоспособны с издержками пассивных инвестиций (но в этом случае неясно, как будет поддерживаться инфраструктура активного управления).

Если в приведенных выше рассуждениях нет недостатков, то тренд в сторону пассивных инвестиций, скорее всего, продолжится. По крайней мере, они снижают или устраняют плату за управление, торговые издержки, избыточную торговлю и человеческие ошибки: неплохая комбинация.

Конечно, есть активные инвесторы, которые превосходят рынок. Не большинство, и даже не половина. Однако, есть меньшинство, которое отрабатывает свои гонорары, и они должны и в будущем быть востребованы.

* * *

Переходя к количественным инвестициям, особенно интересно оценить будущее. Хорошая новость о количественных инвестициях заключается в том, что они исправляют многие недостатки активного управления:

  • Они могут делать многое из того, что делают люди, как правило, без «человеческих ошибок».
  • Они могут обрабатывать бесконечно большее количество данных.
  • Они исключают эмоции; они никогда не покупает в эйфории и не продают в панике.
  • Они никогда не забывают про ребалансировку: продают то, что стоит дорого, и покупают то, что стоит дешево.

Количественные инвестиции эффективно используют способность компьютеров обрабатывать огромные объемы данных и свободны от человеческих ошибок. Короче говоря, я думаю, что компьютеры могут делать больше, чем подавляющее большинство инвесторов, и делать это лучше.

Теперь об ограничениях. Я думаю о количественных инвестициях, как о стратегии «проезда зайцем»: они получают прибыль от дисбалансов, вызванных другими. Поставка «никелей и даймов» ограничена масштабом этих дисбалансов, поэтому лишь ограниченные объемы капитала могут быть использованы таким образом с большой выгодой. Должна быть причина, по которой лучшая фирма-квант – Renaissance Technologies – вернула весь внешний капитал из своего флагманского фонда Medallion; если инвестиционный подход бесконечно масштабируется, по определению не может быть экономично ограничивать капитал под управлением. (Разумеется, все «альфа-стратегии» основаны на использовании чужих ошибок, поэтому их возможности ограничены масштабом ошибок — см. «It’s All a Big Mistake» от 20 июня 2012 г.)

И есть более масштабные вопросы: могут ли количественные инвестиции принимать более качественные решения? И могут ли они инвестировать на долгосрочную перспективу?

Это возвращает меня к одной из моих самых любимых цитат. Она принадлежит социологу Уильяму Брюсу Камерону, хотя многие люди приписывают ее Альберту Эйнштейну (я тоже делал это в прошлом):

… не все, что может быть подсчитано, считается; и не все, что считается, может быть подсчитано.

Компьютеры могут выполнять непревзойденную работу, связанную с тем, что может быть подсчитано: с тем, что является количественным и объективным. Но есть и многое другое – качественное, субъективное – в огромном количестве, и я сомневаюсь, что компьютеры могут делать то, что делают самые лучшие инвесторы:

  • Могут ли они побеседовать с руководителем и выяснить, является ли он следующим Стивом Джобсом?
  • Могут ли они выслушать кучу соискателей венчурного капитала и узнать, кто станет следующим Amazon?
  • Могут ли они посмотреть несколько новых зданий и рассказать, какое из них привлечет больше всего арендаторов?
  • Могут ли они предсказать результат реорганизации банкротства, когда у сторон могут быть мотивы, отличные от экономических?

Кроме того, акцент количественных инвестиций на получение прибыли от кратковременных дислокаций оставляет гораздо больше возможностей для получения. Достаточно большая часть инвестиций в наши дни рассматривает лишь краткосрочные перспективы, что, я думаю, открывает большие возможности для более незаурядных активных инвесторов принимать решения в долгосрочной перспективе. У меня нет оснований полагать, что компьютеры могут сделать это незаурядно.

Величайшие инвесторы не обязательно лучше других в арифметике, бухгалтерском учете или финансах; их главное преимущество заключается в том, что они видят достоинства в качественных атрибутах и/или в долгосрочной перспективе, которые средние инвесторы упускают. И поскольку компьютеры их тоже упускают, я сомневаюсь, что лучшие несколько процентов инвесторов в ближайшее время уйдут в отставку.

Позволит ли машинное обучение компьютерам изучить всю финансовую историю, выяснить, что было сделано для наиболее успешных инвестиций, и понять, что будет работать в будущем? Я не могу знать это, но даже если это и так, я думаю, что этого недостаточно. Компьютеры, искусственный интеллект и большие данные помогут инвесторам знать больше и принимать лучшие количественные решения. Но до тех пор, пока у компьютеров не будет творчества, вкуса, проницательности и суждений, я думаю, что останется место для инвесторов с альфой.

(Однако моя уверенность в том, что наши рабочие места в безопасности, не безгранична. Интересно отметить, что в 2016 г. группа из Стэнфорда разработала компьютерную программу, которая правильно различала интригующие и не интригующие отрывки письменного текста в 81% случаев. Исследователи решили сделать это, соглашаясь с тем, какие особенности вызывают интригу, а затем заставив программу распознавать их и научиться идентифицировать новые.)

Важно отметить, что тренды как в количественных инвестициях, так и в искусственном интеллекте предполагают наличие огромных объемов данных о фундаментальных характеристиках и ценах. Значительная часть таких данных имеется в отношении публичных компаний и их ценных бумаг. С другой стороны, многое из того, что используют Oaktree и другие альтернативные инвесторы, является частным, неторгуемым и относительно не документированным: такие вещи, как проблемные долги, прямое кредитование, частный акционерный капитал, недвижимость и венчурный капитал. ИИ с машинным обучением в конечном итоге пробьются в эти поля, но, скорее всего, пройдет много времени, прежде чем они станут достаточно искушенными, а данные будут достаточно доступны, чтобы позволить компьютерам действовать автономно.

Наконец, я рассматриваю эту ситуацию как напоминающую индексные инвестиции: если наступит день, когда интеллектуальные машины будут управлять всеми деньгами, не будут ли они все (а) видеть все одинаково, (б) приходить к одним и тем же выводам, (в) формировать одни и те же портфели, и таким образом (d) делать одно и то же? Что же тогда приведет к превосходным результатам? Люди с превосходным пониманием. По крайней мере, я на это надеюсь.

 




Комментариев нет »


Добавить комментарий