کلیف اسنس، پرچمدار وال استریت در امور مالی کمی سنتی، زمانی شک داشت که یادگیری ماشین (Machine Learning) بتواند تاثیر زیادی در شرکت مدیریت سرمایه AQR داشته باشد.
با این حال، هفت سال پس از اینکه بنیانگذار شرکت AQR هشدارهایی در مورد پتانسیل این فناوری صادر کرد، داستان کاملاً متفاوت است. این شرکت در حال جمع‌آوری سرمایه خارجی برای دو استراتژی یادگیری ماشین است و این زیرمجموعه از هوش مصنوعی (Artificial Intelligence) اکنون حدود یک پنجم از سیگنال‌های معاملاتی را در صندوق چند استراتژی اصلی خود تامین می‌کند.
این یک چرخش بزرگ است. اسنس نیروگاه 128 میلیارد دلاری خود را با استفاده از روش‌های مبتنی بر قوانین کلاسیک برای انتخاب اوراق بهادار مانند سرمایه‌گذاری ارزشی (Value Investing) ایجاد کرده است؛ روش‌هایی مبتنی بر اصول اقتصادی که دهه‌ها تحقیق آکادمیک از آنها پشتیبانی کرده‌اند. با این حال، تکنیک‌های یادگیری ماشین، رویکرد کمی مرسوم را متزلزل می‌کنند و ایده‌های معاملاتی بالقوه سودآوری را کشف می‌کنند که فاقد منطق اقتصادی سرراست هستند.
اما پس از کشف اینکه ابزارهای محاسباتی به ساخت مدل‌های انتخاب سهام هوشمندتر و چابک‌تر کمک می‌کنند، اسنس و کارمندان ارشدش اکنون به آن باور پیدا کرده‌اند و این امر جنجال‌های تازه‌ای را در گوشه مهمی از مدیریت سیستماتیک پول دامن می‌زند.
برایان کلی، رئیس بخش یادگیری ماشین، در مصاحبه‌ای از دفتر مرکزی AQR در گرینویچ، کانکتیکات، گفت: «گاهی اوقات ممکن است الگوهای قابل اعتمادی را در داده‌های بازار کشف کنید و ممکن است شهود اقتصادی خوبی برای چرایی وجود آن الگوها نداشته باشید.» وی افزود: «اگر سیگنال‌های پیش‌بینی‌کننده قابل اعتماد را فقط به این دلیل که نمی‌فهمید چرا کار می‌کنند، کنار بگذارید، من آن را علم بد و قطعاً مدیریت دارایی بد می‌نامم.»
به گفته توبیاس ماسکوویتز، همکار کلی، روش‌های یادگیری ماشین با چابک‌تر و سریع‌تر کردن شرکت سیستماتیک در گنجاندن تحقیقات جدید، به عملکرد کمک می‌کنند. هنوز روزهای اولیه است. اما در نوسانات بازار ناشی از تعرفه‌های امسال، چیزی در حال کار کردن است.
به گفته فردی آشنا به این موضوع که نخواست نامش فاش شود زیرا اطلاعات خصوصی است، صندوق چند استراتژی اصلی Apex شرکت AQR با دارایی 3.4 میلیارد دلار در سه ماهه اول 9 درصد افزایش یافت و از اکثر همتایان خود پیشی گرفت. (مانند بسیاری از صندوق‌های پوشش ریسک، Apex از آن زمان به دلیل آشفتگی بازار ناشی از تعرفه‌ها با مشکل مواجه شده و تا 22 آوریل 2.8 درصد کاهش یافته است.) پس از راه‌اندازی استراتژی سهام تورینگ و استراتژی اقتصاد کلان تورینگ متمرکز بر یادگیری ماشین در سال 2023، این شرکت کمی شروع به استفاده از سرمایه خارجی در آنها در اوایل سال جاری کرد.
تسلیم شدن AQR آخرین نشانه از گسترش رونق هوش مصنوعی در مدیریت پول است. بریج واتر نیز سال گذشته یک صندوق هوش مصنوعی 2 میلیارد دلاری راه اندازی کرد که اخیراً اعلام کرد که منابع منحصر به فردی از آلفا یا عملکرد برتر ایجاد کرده است.
پذیرش هوش مصنوعی پس از یک دوره عملکرد چالش برانگیز برای معاملات کمی چند عاملی کلاسیک در سال‌های منتهی به همه‌گیری، به شرکت‌هایی مانند AQR آسیب رساند. به گفته خود اسنس، بازارها تا حدودی به لطف ازدحام سرمایه‌گذاران ناشی از رسانه‌های اجتماعی، کارایی کمتری پیدا کرده‌اند.
در حالی که هنوز در این مورد قضاوت قطعی وجود ندارد، یک چیز قطعی است: ایمان به پتانسیل این فناوری در بازارهای امروزی در حال افزایش است. در معاملات روزانه، AQR از یادگیری ماشین برای تجزیه و تحلیل داده‌های بدون ساختار مانند رونوشت‌های تماس‌های تلفنی اعلام درآمد شرکت‌ها استفاده می‌کند و به سیگنال‌های معاملاتی وزن می‌دهد که تعیین می‌کنند آیا یک دارایی را بخرند یا بفروشند.
به گفته ماسکوویتز، مدیر AQR، این مدل‌های جدیدتر تقویت‌شده با هوش مصنوعی به ویژه در واکنش به نقاط داده متغیر مختلف، مانند هزینه‌های تراکنش، همبستگی‌های بازار و شرایط معاملاتی، خوب هستند.
وی با اشاره به عمل پیش‌بینی زمان عملکرد خوب هر عامل - عملی که اسنس زمانی آن را «گناه» نامیده بود - گفت: «من همیشه نسبت به توانایی زمان‌بندی عوامل و سایر موارد بسیار بدبین بوده‌ام.» وی افزود: «اکنون متقاعد شده‌ام که می‌توانیم کمی از آن را انجام دهیم.»
میراث AQR با این دنیای جدید بسیار متفاوت است. اسنس مدرک دکترای خود را زیر نظر یوجین فاما، برنده جایزه نوبل در دانشگاه شیکاگو، مطالعه کرد، کسی که از رگرسیون‌های خطی برای ارائه مدل سه عاملی کلاسیک در اوایل دهه 1990 استفاده کرد.
اسنس در ماه دسامبر در تلویزیون بلومبرگ گفت: «هوش مصنوعی، راستش را بخواهید، ما را کمی در طیف دورتر از برخی از چیزهای سنتی که در مورد آنها صحبت کرده‌ایم، هل می‌دهد و این برای من ناراحت کننده بود.» وی افزود: «من احتمالاً شرکت خود را یک یا دو سال در این زمینه کند کردم.»
برای درک تفاوت: متخصصان مالی کمی و اقتصاددانان قدیمی معمولاً از رویکردهای خطی در امور مالی استفاده می‌کنند. به طور خلاصه، این تلاش می‌کند پیش‌بینی‌های سهام را به چند قانون ساده یا به اصطلاح عوامل، مانند اینکه چگونه شرکت‌هایی با مضرب‌های ارزیابی پایین‌تر در طول زمان عملکرد بهتری دارند، تقلیل دهد. در مقابل، مدل‌های یادگیری ماشین به دنبال کشف الگوهای پیچیده‌تر، مانند نحوه تعامل مضرب‌های ارزیابی با کل متغیرهای بازار دیگر در پیش‌بینی عملکرد سهام هستند.
بین رویکردهای قدیمی و جدید یک بده‌بستان وجود دارد. توضیح و درک رویکرد اول آسان است، اما خطر از دست دادن تفاوت‌های ظریف در آنچه که دنیای واقعی در واقع به نظر می‌رسد و چگونه در عمل کار می‌کند، وجود دارد. به عنوان مثال، سیستم‌هایی که بر روی مدل‌های خطی آموزش داده شده‌اند، هرگز نمی‌توانستند به طور شایسته چهره‌ها را در تصاویر تشخیص دهند یا آهنگ بنویسند.
از طرف دیگر، یادگیری ماشین ممکن است الگوهای نادرستی را پیدا کند که فقط در یک مجموعه خاص از داده‌های تاریخی متبلور می‌شوند - در نتیجه در پیش‌بینی آینده شکست می‌خورند. متخصصان مالی کمی این را بیش‌برازش (Overfitting) می‌نامند. این می‌تواند به ویژه در امور مالی مشکل‌ساز باشد، زیرا داده‌های اوراق بهادار پر سر و صداتر و محدودتر هستند، به ویژه برای استراتژی‌های سرمایه‌گذاری که فقط هر ماه یا بیشتر معامله می‌کنند.
سیستم‌های پیچیده
در سال‌های اخیر، برایان کلی، اقتصاددان دانشگاه ییل که در سال 2018 به AQR پیوست، رهبری این ایده را بر عهده داشته است که این نگرانی‌ها بیش از حد جدی گرفته شده‌اند. یک مقاله که او در مورد «فضیلت پیچیدگی» به طور مشترک نوشته است، حتی تا آنجا پیش می‌رود که تفکر مرسوم را زیر و رو می‌کند و استدلال می‌کند که هرچه یک مدل پیچیده‌تر باشد، در پیش‌بینی بازده سهام بهتر است.
همه اینها بحث برانگیز است.
یک گروه سه نفره از مؤسسه کمّی مالی آکسفورد-من در یک مقاله اخیر هشدار دادند که با توجه به نویز در داده‌های مالی، پیچیدگی بیشتر می‌تواند منجر به عملکرد بدتر شود.
آلوارو کارتی، استاد دانشگاه آکسفورد که در نوشتن این مقاله همکاری داشته است، گفت: «وقتی آن را در دنیای واقعی به کار می‌برید، افزایش پیچیدگی در یک نقطه متوقف می‌شود و عملکرد بهبود یافته را ارائه نمی‌دهد.» وی افزود: «فکر نمی‌کنم کسی بداند نقطه عطف کجاست و ما معتقدیم کسانی که پول زیادی را صرف زیرساخت‌ها کرده‌اند، باید این نقطه عطف را دورتر داشته باشند.»
به گفته کلی از AQR، جدیدترین روش‌های محاسباتی می‌توانند به حل مشکل بیش‌برازش کمک کنند.
او گفت: «هزینه بیش‌برازش واقعاً توسط رویکردهای یادگیری ماشین به خوبی کنترل می‌شود و به اندازه گذشته نگران‌کننده نیست.» وی افزود: «من فکر می‌کنم هزینه‌های کم‌برازش از نظر تاریخی برای ما دست کم گرفته شده است.»
با این وجود، او شک دارد که AQR هرگز یک فروشگاه یادگیری ماشین خالص باشد، زیرا این شرکت هنوز تلاش می‌کند اصول اقتصادی خود را در این الگوریتم‌ها بگنجاند، نه اینکه اجازه دهد الگوریتم‌ها افسارگسیخته شوند. به گفته کلی، برای سیگنال‌هایی که سودآور به نظر می‌رسند اما ظاهراً منطق آشکاری ندارند، معیار گنجاندن آنها بالاتر است و هنوز مهم است که به تلاش برای کشف دلیل کارکرد آنها ادامه دهیم.
او با اشاره به تقسیم بین اقتصاد و هوش مصنوعی پرسید: «آیا چیزی نزدیک به 50-50 به عنوان یک وضعیت ثابت منطقی است؟» وی افزود: «من فکر می‌کنم این منطقی است. آیا ما هنوز به آنجا رسیده‌ایم؟ نه. آیا می‌توانیم در سال‌های آینده به آنجا برسیم؟ قطعا.»