68 / 76
Βασικά
68
www.traders-mag.gr12.2016/01.2017
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-lineαυτοματοποιημένες
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