Традиционно прогноз доходности финансовых активов опирается на их характеристики, но игнорирует то, как анализируемые активы связаны с другими на рынке. Модели на основе ИИ способны улавливать эти взаимозависимости. Это может изменить понимание того, как функционируют рынки.
  |   Власта Демьяненко Эконс

Быстрое развитие искусственного интеллекта (ИИ) меняет множество отраслей, и финансы – не исключение. Большие языковые модели на основе архитектуры трансформеров – такие как ChatGPT – «научились» понимать не просто слова, а слова в контексте, анализируя связи между ними. Это способно произвести революцию и на финансовых рынках, показало новое исследование профессора финансов Йельской школы менеджмента Брайана Келли и его соавторов.

Большинство традиционных моделей, используемых для оценки финансовых активов, основаны на анализе отдельных показателей этих активов. Как правило, такие модели предполагают фиксированную и линейную связь между характеристиками активов и ожидаемой доходностью. ИИ-модели ценообразования на основе архитектуры трансформеров используют нелинейный подход, выявляя закономерности, которые не видны традиционным моделям.

Традиционные модели ценообразования можно сравнить со словарями, которые содержат перевод отдельных слов и идиом. Трансформеры же – это современные «нейросетевые переводчики», которые переводят слова в зависимости от контекста всего предложения, абзаца и даже текста целиком.

Такие модели понимают рынок как «текст», в котором значение каждого «слова» – актива – зависит от окружающих «слов» – рынка в целом. Это не только дает новые возможности инвесторам, но и может изменить понимание того, как финансовые рынки обрабатывают информацию и определяют цены активов.

Факторные и нейросетевые модели

Исследователи построили собственную модель-трансформер AIPM (Artificial Intelligence Pricing Model) и оценили ее способность прогнозировать цену акций. Для этого они сравнили точность предсказаний AIPM и еще семи используемых на практике традиционных моделей ценообразования, натренировав их на реальных данных о 132 характеристиках бумаг американских компаний за 1963–2022 гг.

Четыре из семи «соперников» AIPM представляют собой классические линейные факторные модели, то есть модели, которые предполагают постоянную и линейную связь между характеристиками активов и ожидаемой доходностью.

Например, классическая модель CAPM (Capital Asset Pricing Model) нобелевского лауреата по экономике Уильяма Шарпа, описанная им в 1964 г., основана на одном факторе – связи между доходностью и риском (коэффициент «бета», измеряющий волатильность актива по сравнению с волатильностью рынка). 

САРМ, усовершенствованная в начале 1990-х нобелевским лауреатом Юджином Фамой и его соавтором Кеннетом Френчем, – модель Фамы – Френча – включает в анализ оценки доходности финансового актива дополнительные факторы: размер фирмы, отношение ее балансовой стоимости к рыночной, избыточную доходность (коэффициент альфа, показывающий, насколько доходность актива выше или ниже доходности фондового индекса). В свою очередь, усовершенствованная – шестифакторная – модель Фамы – Френча учитывает еще три дополнительных фактора: рентабельность фирмы, инвестиционную политику и моментум (предыдущая динамика акции – рост или падение).

Еще три модели, с которыми Келли и его соавторы сравнивали свою новую ИИ-модель, основаны на нейронных сетях, или машинном обучении. Они представляют собой «переходный этап» от факторных моделей к моделям-трансформерам. Модели на основе машинного обучения уже умеют, как трансформеры, улавливать более сложные взаимосвязи между характеристиками фирмы и доходностью. Но, как и факторные модели, опираются при прогнозе будущей доходности актива только на его индивидуальные характеристики, игнорируя широкий контекст реальности, отмечают Келли и его соавторы. 

Это упущение мешает им видеть всю «вселенную» рынка, от событий в которой зависят риски, определяющие доходность конкретного актива. Например, что рост цены нефти влияет не только на компании энергосектора, но и на компании в сфере потребительских товаров.

ИИ-трансформер

Способность больших языковых моделей «воспринимать» контекст значительно расширила возможности моделирования сложных взаимосвязей между активами на финансовых рынках. В отличие от традиционных моделей, ИИ-модели-трансформеры выходят за пределы линейных взаимосвязей между характеристиками актива и его доходностью, что позволяет им выявлять закономерности, которые раньше были «невидимы». В отличие от моделей на основе машинного обучения, также способных моделировать сложные нелинейные зависимости, трансформеры не ограничиваются использованием предсказуемости только конкретного анализируемого актива.

Трансформеры, изначально разработанные для обработки естественного языка, могут быть чрезвычайно эффективны в выявлении перекрестных зависимостей между «поведением» разных активов, обнаружили исследователи. ИИ-модель-трансформер не только учитывает собственные характеристики актива, но и выявляет нелинейные комбинации его характеристик с другими активами. Кроме того, механизм внимания – выделения ключевых частей информации, – обеспечивший успех ChatGPT и лежащий в основе финансовых моделей-трансформеров, позволяет им, в отличие от моделей машинного обучения, также корректировать вес различных факторов, по которым оценивается актив, в зависимости от рыночной ситуации.

Это значительно повышает предсказательную силу ИИ-моделей-трансформеров и сокращает ошибки при оценке будущей доходности активов, показал эксперимент авторов исследования.

По сравнению с традиционными моделями ценообразования и моделями, основанными на машинном обучении, оснащенная «механизмом внимания» ИИ-трансформер (AIPM), построенная исследователями:

  • Допускает меньше ошибок при прогнозе будущей доходности: по сравнению с самыми точными моделями выборки, вероятность ошибки у ИИ-трансформера на 30% ниже.
  • Портфель, сформированный по рекомендации ИИ-трансформера, обеспечивает намного более выгодное соотношение доходности и риска (измеряется коэффициентом Шарпа, показывающим, какую доходность приносит актив на каждую единицу риска. Если коэффициент Шарпа меньше 0, то актив убыточен; если от 0 до 1, то риск не компенсируется доходностью; от 1 до 2 – хорошая доходность при приемлемом уровне риска; больше 3 – выдающийся результат, указывающий на крайне высокую доходность по отношению к риску и встречающийся крайне редко даже у профессиональных трейдеров. Коэффициент Шарпа на всем периоде выборки у AIPM составил 4,57 против 1,05–1,8 у факторных моделей и 3,6–4,31 у моделей на основе машинного обучения).
  • ИИ-трансформер демонстрирует так называемую «добродетель сложности»: включение в модель большего количества параметров улучшает качество прогнозов за счет эффекта масштаба.

ИИ-модели с архитектурой трансформеров способны лучше «понимать» абстрактные признаки и неявные зависимости, чем другие модели ценообразования. Каждый дополнительный слой эффективнее распределяет внимание ИИ, позволяя модели учитывать как краткосрочные, так и долгосрочные отношения между самыми различными факторами, влияющими на доходность финансового актива, объясняют исследователи. Эти результаты свидетельствуют, что модели ценообразования активов на основе ИИ более эффективны при обработке огромных объемов финансовых данных и дают более точные и надежные прогнозы.

Интеграция ИИ-моделей на основе трансформеров в прогнозирование динамики финансовых активов будет иметь важные последствия для участников рынка и регуляторов, пишут авторы. Инвесторам ИИ сулит выгоду, регуляторам же предстоит оценить, как торговля на финансовых рынках на основе ИИ-моделей повлияет на стабильность и эффективность этих рынков.

Наконец, новые ИИ-модели ценообразования активов бросают вызов традиционным взглядам на эффективность рынка, заключают исследователи. Если ИИ-модели последовательно превосходят классические подходы, это может означать, что рынки менее эффективны, чем считалось ранее. Это открывает двери для дальнейших исследований и открытий природы ценовых аномалий.

Власта Демьяненко
Власта Демьяненко
Шеф-редактор Econs.online