Leváltják-e a robotok az embereket a részvény-befektetések aktív kiválasztása során? – teszi fel a kérdést a Financial Times. A gépi tanulás és matematikai módszerek segítségével a számítógépek megtalálhatják a megfelelő részvényeket.
Bár a gépi tanulás hatalmas jövő előtt áll azon a téren, hogy segítse a befektetőket a felülteljesítő részvények megtalálásában, az emberekre is szükség lesz. Feladatuk a megfelelő algoritmusok kidolgozása és a befektetési döntések tesztelése, gyakorlása. Csak más, az eddigiektől eltérő képességekkel rendelkező emberekre lesz ehhez szükség.
A gépi tanulás, a mesterséges intelligencia egyik ága lehetővé teszi a nagy teljesítményű számítógépek számára, hogy folyamatosan javítsák teljesítményüket a meghatározott célok érdekében. De anélkül, hogy az embereknek kellene diktálniuk a pontos módszertani lépéseket.
Magukat fejlesztik a gépek
A részletes utasítások végrehajtása helyett a számítógépek nagy mennyiségű adatot elemeznek algoritmusok segítségével. Az algoritmusaikat kísérletezés és a hibákból való tanulás útján maguk fejlesztik tovább. A számítógépek felderíthetnek olyan szabályszerűségeket, amelyeket az emberek nem is tudnának érzékelni.
Az aktív részvényportfólió-kezelők már régóta működtetnek kvantitatív befektetési alapokat. Ezek számos olyan tényezőt figyelembe vesznek, amelyek befolyásolhatják a jövőbeli részvényárakat, mint például a piaci kapitalizáció, a momentum (az ár lendülete, tendenciája), az érték és a növekedés viszonya.
Összefüggések millióit vizsgálják
E kvantitatív alapok működtetésekor a részvénykezelők kifinomult számítógépes modelleket alkalmaztak az egyes tényezők közötti kapcsolatok azonosítására ahhoz, hogy meghatározzák a felülteljesítő értékpapírokat.
De miben jobb a gépi tanulás, mint az eddigi kvantitatív elemzés? Képes a túlteljesítő részvényeket azonosítani olyan minták alapján, amelyeket az emberek nem vettek volna figyelembe. A lehetséges összefüggések millióit képesek áttekinteni, hogy azonosítsák a jó vagy rossz befektetési teljesítményre jellemző mintázatokat a vállalatoknál.
Már értik a nyelvünket
A természetes nyelvfeldolgozás javításával a gépi tanulás összehasonlíthatja a kritikus kifejezéseket. Az adatelemző tudósok így hatalmas számú nagy terjedelmű dokumentumban, például a SEC tőzsdefelügyeletnek szóló bejelentésekben vagy szabadalmi kérvényekben is fel tudják fedezni a fontos információkat.
Ezek az új algoritmusok képeket és hangokat is kvantitatív módszerekkel feldolgozható adatformátumokká alakíthatnak. A műholdas fényképeken ezek az algoritmusok lényeges tényeket találhatnak. Megszámolhatják a kezdődő házépítéseket Kínában, vagy az autók számát egy élelmiszerbolt-hálózat parkolóiban.
Az emberek hibái nélkül
A gépi tanulás a hatalmas adatbázisok szigorú és folyamatos értékelésével csökkentheti az emberi elfogultságot, amely oly sokszor aláássa a megalapozott befektetési döntéseket. Ezek a torzulások például a túlzott önbizalom, a hibák beismerésének kerülése és a trendek túlzottan makacs követése.
A gépi tanulásnak is vannak azonban korlátai, hibái. A torzulások felismerésére és megszüntetésére a vállalatoknak tehetséges adatfeldolgozó szakemberekre van szükségük.
A válság felértékelte az intuíciót
Mivel a mesterséges intelligencia a következtetéseit a létező adatokból vezeti le, nem tudja megjósolni az olyan jövőbeli mintákat, amelyek nem a múltban gyökereznek. Erre jó példa a 2008-as pénzügyi válság, ami jelentős szakadásokat okozott sok korábbi folyamatban. A befektetési szakembereknek részben intuíció és intelligens találgatások alapján kell megítélniük a jövőbeli trendeket.
A mesterséges intelligencia anélkül talál összefüggéseket, hogy megértené azok mögöttes okait. Tehetséges szakemberekre van szükség, akik eldöntik, hogy egy jelenség inkább csak zajt jelent, vagy befektetési jelzés. A szakértői csapatok néha napokat töltenek a gépi jelzések kiértékelésével.
Trump és a mesterséges intelligencia
A közösségi média szigorú számítógépes elemzése alapján az adatbányász tudósok előre jelezték, hogy Donald Trumpot 2016-ban megválasztják elnöknek. Ez a helyes előrejelzés azonban különböző befektetési forgatókönyvekhez is vezethetett volna. Attól függően, hogy hogyan reagál az amerikai részvénypiac erre a győzelme. (Végül optimista lett – a szerk.)
Bár a gépi tanulás hatékony eszközöket kínál a részvénykiválasztás javításához, továbbra is tehetséges szakemberekre lesz szükség az adatok tisztításához, feldolgozásához, nyereséges ügyletekké történő átalakításához.
A nagyoké a terep
Az aktív vagyonkezelőknek sokkal több tőkét kell fordítaniuk ennek megvalósítására, sokkal több szakembert kell felvenniük magas szintű tudással. Ez valószínűleg a sok erőforrással rendelkező, nagy csoportokat hozza előnybe és akadályokat gördít az új indulók számára.
Ez a „gig economy.” 
