Искусственный интеллект, риски и регулирование на финансовом рынке
AlphaGo, искусственно интеллектуальная (AI) программа, победила чемпиона мира по древней настольной игре, 15 марта 2016 года. Игра чрезвычайно сложна, с общей комбинацией возможных ходов, насчитывающей на несколько сотен порядков больше, чем количество атомов во вселенной. Выиграв серий четыре в один, победа AlphaGo продемонстрировала значительные успехи в способности ИИ распознавать и изучать непонятные паттерны и адаптировать стратегии.
Всего через две недели после впечатляющей победы AlphaGo новый чат-робот по имени Tay обнажил темную сторону ИИ. Предназначенная для дружеских онлайн-бесед с людьми и оказания им помощи в услугах Microsoft, уникальной особенностью Тау было то, что «она» учится на своих взаимодействиях. Когда Тау был публично выпущен, скоординированный поток злоупотреблений и непрекращающегося троллинга со стороны пользователей Твиттера, преподали Тау неправильные уроки. Программа начала извергать расиские, сексистические и ксенофобские комментарии, выявляя потенциальные недостатки в дизайне и программировании ИИ, а также непростое взаимодействие между ИИ и людьми.
Оба события показывают напряжение, лежащее в основе введения ИИ. Такие программы, как AlphaG, демонстрируют, как ИИ может анализировать огромные объемы информации, распознавать сложные шаблоны и предоставлять людям новые аналитические возможности. И наоборот, злонамеренная неисправность Тау служит напоминанием о том, что технология далеко не безошибочна, особенно при взаимодействии с людьми.
Был опрос и 424 финансовых учреждений в FinTech компаний, а также интервью с ведущими специалистами в этой области, также показывает , что это напряжение очевидно , как искусственный интеллект впервые вошел через финансовые рынки. Многие рассматривают AI как инструмент, который поможет улучшить управление рисками финансовых учреждений, например, путем более углубленной оценки риска в портфелях и более всесторонней и обоснованной оценки кредитного риска. В этих приложениях ИИ обещает не безрассудную скорость или потерю контроля, а беспрецедентную глубину и широту понимания, а также способность действовать на основе информации и учиться на своих действиях.
Тем не менее, многие эксперты признают, что степень риска, связанного с использованием ИИ, отчасти связана с неопределенностью - в конце концов, он все еще находится на экспериментальной стадии во многих приложениях, включая торговлю, управление портфелем и оценку кредита. В результате риск сбоя алгоритмов и проблем, связанных с безопасностью, конфиденциальностью и качеством данных, привел к призывам к регулированию.
Еще большее беспокойство вызывает реакция регулятора на ИИ. Участники исследования выражают явное отсутствие уверенности в том, что регулирующие органы обладают достаточными знаниями и навыками, чтобы быть в курсе новых финансовых технологий. Действительно, участники опроса подозревают, что регуляторы только начинают понимать потенциальные последствия ИИ для финансовых рынков и компаний. На данный момент большая часть их внимания сосредоточена на борьбе с прошлой войной, выявлении нарушений соответствий со стороны людей, непосредственно злоупотребляющих технологиями. Их внимание начинает обращать на целостность алгоритмов, и здесь будут сосредоточены любые правила написания, правил по машинному обучению в ближайшие несколько лет.
Также, возможно, не удивительно, учитывая, насколько зарождающееся использование ИИ в этом секторе, что большое количество финансовых учреждений в опросе не уверены, что все юридические риски, связанные с ИИ, были поняты их организацией. Например, риски, связанные с данными и конфиденциальностью, возрастут благодаря большему объему данных, которые будут собирать и анализировать модели, управляемые ИИ. Споры в сфере интеллектуальной собственности также могут возрасти, поскольку владение алгоритмами вызывает трения между компаниями и регулирующими органами. Риск контракта и судебного разбирательства может также возникнуть в случае вероятного сбоя ИИ и ошибок программирования.
ИИ и машинное обучение, несомненно, изменят численность персонала и характер навыков, необходимых в отрасли. Значительное меньшинство респондентов опасаются, что влияние на рабочую силу будет отрицательным в течение следующих нескольких лет. Но массовое перемещение людей является долгосрочным - почти 7 из 10 верят, что ИИ принесет полные или существенные изменения в их собственные рабочие места в течение следующих 15 лет. Даже в торговле, где автоматизация уже широко распространена, человеческие роли будут оставаться критическими в таких областях, как мониторинг алгоритмов, а также соответствие требованиям. На данный момент мало кто верит, что модели машинного обучения могут или должны вести операции на финансовом рынке совершенно независимо от контроля со стороны человека.
Насколько разрушительным будет ИИ и машинное обучение?
В течение следующих трех лет наиболее существенные изменения будут ощущаться в сферах торговли (по мнению 64% респондентов), финансового анализа (60%) и ИТ (60%). Многие также ожидают, что машинное обучение окажет существенное влияние на оценку рисков (59%), оценку кредитов (57%) и управление инвестиционным портфелем (52%).
Оценка рисков и финансовые исследования - это области, в которых компании, скорее всего, будут экспериментировать с приложениями машинного обучения в ближайшие три года.
Эндрю Ло, директор Лаборатории финансового инжиниринга в Школе управления MIT Sloan и основатель фирмы по количественному управлению инвестициями, считает, что эффект будет широким: «Я подозреваю, что он изменит все аспекты финансовой индустрии, потому что так много его частей, которые можно автоматизировать с помощью таких алгоритмов и доступа к больше данным ».
Питер Хафез полагает, что машинное обучение, помимо торговли и исследований, принесет большую пользу потребительских кредитов, а также функции соответствия в различных типах финансовых учреждений. Он отмечает, например, что менеджеры по соответствию начинают использовать неструктурированный контент, такой как новостные ленты, чтобы предупредить их о подозрительной торговле.
Методы машинного обучения уже нашли применение в консультировании по розничным инвестициям. «Roboadvisers» - веб-сайты по управлению инвестициями, предоставляющие автоматизированные консультации инвесторам - образуют область ИИ, находящуюся под пристальным вниманием регулирующих органов, по словам Джона Прайса, который является комиссаром в Австралийской комиссии по ценным бумагам и инвестициям. В своем последнем обзоре рынка, финансовых консультаций Управление по финансовому поведению Великобритании даже зашло так далеко, что рекомендовало робо-консультации как эффективный с точки зрения затрат способ для финансовых учреждений «оптимизировать консультации» для своих клиентов.
Срыв на горизонте
Большинство экспертов сходятся во мнении, что технология будет иметь много положительных применений.
Пол Эбнер (Paul Ebner), старший управляющий портфелем в подразделении Scientific Active Equity компании BlackRock, считает, что торговля выиграет от глубины анализа, предоставляемого инструментами машинного обучения для широкого круга компаний. «Он может сделать несколько шагов глубже, чем вы могли бы, просто используя, скажем, данные в электронной таблице. Скорость имеет значение, но она отличается от скорости высокочастотной торговли. Для нас это возможность обрабатывать много данных очень быстро и найти правильный ответ, который в конечном итоге нужны рынку ».
Научно-активное подразделение BlackRock - группа из примерно 100 человек, в которую входят ученые-данные и специалисты по машинному обучению, а также более традиционные «кванты» финансовой индустрии, - по-разному применяют методы машинного обучения для прогнозирования движения цены акций.
«Мы применяем инструменты для анализа данных о компаниях и используем эти данные для прогнозирования основных показателей, а затем, в конечном счете, для прогнозирования их доходности акций и формирования портфелей вокруг этого», - сказал Эбнер.
Респонденты уверены, что еще одно преимущество принесет машинное обучение: 64% считают, что его использование окажет положительное влияние на конкурентоспособность на финансовых рынках. На первый взгляд этот вывод кажется нелогичным. Высокая стоимость лучших талантов и самых передовых технологий должна сделать ИИ доступным только тем, у кого самые глубокие карманы. Это в какой-то степени верно: только такая фирма, как Bridgewater Associates, могла позволить себе нанять главного инженера легендарного суперкомпьютера IBM Уотсона.
Тем не менее, небольшие компании и даже частные лица доказали, что они могут быть в авангарде новых инноваций. Отчасти это связано с тем, что программное обеспечение с открытым исходным кодом позволяет небольшим организациям экспериментировать с передовыми алгоритмами и кодом. Недавний пример был замечен в марте 2016 года, когда двум «квантам» из хедж-фонда на пенсии, не имевшим опыта работы с ИИ, удалось разработать алгоритм диагностики заболеваний сердца по изображениям МРТ. Эти люди были относительно неопытны в искусственном интеллекте, и все же они смогли разработать преобразующее приложение, загрузив программное обеспечение с сайта с открытым исходным кодом GitHub.
Только время покажет, что это значит для конкуренции между финансовыми организациями. Однако, в то время как отраслевые гиганты, такие как BlackRock, будут выполнять большую часть тяжелой исследовательской и пилотной работы, приложения и службы искусственного интеллекта могут стать широко доступными для целого ряда малых и средних организаций.
AI понимание
Ясно, что достижения в области ИИ и анализа данных приводят к значительному расширению количества и типов данных, используемых для принятия решений. Там, где ранее инвестиционные решения принимались по традиционным показателям, таким как рыночные цены, процентные ставки или показатели заработка, теперь AI может учитывать события и настроения в процессе прогнозирования цены актива. Например, сжатие неструктурированных данных помогает улучшить анализ настроений.
«Речь идет не только о чувствах в традиционном смысле, таких как рекомендации, но и о фактах, которые можно извлечь из неструктурированного контента и которые могут быть доставлены в машиночитаемом формате», - сказал Хафез.
Модели торговли машинами обычно анализируют отчеты о прибылях и убытках в компаний. Со временем они получат гораздо больше информации благодаря возможности анализировать новости о выпусках и отзывах продуктов, одобрениях регулирующих органов, приобретениях и других событиях на рынке. Хафез также ожидает, что модели машинного обучения будут получать информацию, полученную из изображений, видеозаписей и потокового вещания. По его словам, есть компании, которые используют спутниковые снимки для отслеживания количества автомобилей на стоянках крупных розничных магазинов, чтобы попытаться понять вероятное направление их доходов от продаж. Это говорит о том, что ИИ может изменить параметры, по которым финансовые учреждения принимают инвестиционные решения. Традиционные показатели будут снижаться в качестве предмета анализа, поскольку финансовые учреждения собирают огромные объемы неструктурированных данных,
Аналитические инструменты становятся лучше в понимании контекста - еще одной важной отличительной чертой машинного обучения. Пол Эбнер объясняет, что инструменты машинного обучения, которые использует его команда, теперь могут использовать контекст, чтобы понять нюансы использования слов.
«Например, слово« мусор »в документах SEC, вероятно, относится к управлению отходами, но то же самое слово в блоге для инвесторов, вероятно, является критическим термином для акций или руководства компании», - сказал он. «Мы можем создавать словари, по которым учатся и развиваются в зависимости от среды, из которой мы извлекаем язык».
Аналогичная технология внедряется, чтобы помочь розничным клиентам с их жалобами и запросами. Королевский банк Шотландии (RBS) недавно объявил, что будет внедрять программу искусственного интеллекта под названием Luvo, чтобы помочь с жалобами клиентов. Программа была разработана с искусственной личностью, которая может имитировать человеческие качества, такие как дружелюбие, сочувствие и разум. По словам программистов, Luvo может учиться на своих ошибках и оценивать настроение человека. В этом свете ИИ считается больше другом, чем врагом.
От закона Мура к закону Мерфи
Что может пойти не так? Многое, по словам Эндрю Ло. Он полагает, что рынки могут ожидать новых вспышек, или других негативных событий, о которых ни отрасль, ни регулирующие органы в настоящее время не имеют четкого понимания.
«Характер этих стратегий делает их очень сложными для понимания», - сказал он. «Это означает, что взаимодействие будет сложно предсказать, точно так же, как никто не предсказал внезапную аварию 6 мая 2010 года - даже сегодня мы до сих пор не понимаем, что произошло».
Ло также указывает на гибель Knight Capital, крупного американского трейдера, чей сбой программного обеспечения в 2012 году привел к убыткам в 440 миллионов долларов и привел его к грани банкротства: «Я не думаю, что мы почти исправили подобные проблемы. потому что в конечном итоге вы имеете дело с несоответствием между способностями человека и технологиями. Это закон Мура соответствует закону Мерфи.
Технология не сможет устранить риски, присущие некоторым финансовым операциям, например, делать ставки на будущие события. Они, вероятно, сохранятся, независимо от того, работают ли люди или алгоритмы.
«Финансовые учреждения были оштрафованы на миллиарды долларов из-за незаконных действий и нарушений со стороны трейдеров», - сказал Арун Шривастава, партнер юридической фирмы Baker McKenzie. «Логичным ответом банков является автоматизация как можно большего числа процессов принятия решений, отсюда и количество банков, которые с энтузиазмом воспринимают ИИ и автоматизацию. Но хотя риск поведения может быть уменьшен, неизвестные риски, присущие аспектам ИИ, не были устранены ».
Все в алгоритмах
Регуляторы не уверены, каковы риски машинного обучения, но фокусируются на алгоритмах как на области, где могут возникнуть проблемы. Виктория Пиннингтон, старший вице-президент по регулированию рынка Канадской организации по регулированию инвестиционной отрасли, говорит, что ее наибольшее беспокойство вызывает разработка алгоритмов как в машинном обучении, так и в более широком контексте систематической торговли. «Если есть проблема с алгоритмом, - сказала она, - влияние на рынки может быть значительным».
Алгоритмы могут работать со сбоями различными способами. Одна из наиболее распространенных ошибок известна как «переоснащение», которое обычно возникает, когда алгоритм слишком сложен и не имеет подходящей гипотезы. В таких случаях они не могут отличить полезные корреляции (сигналы) от массы нерелевантных данных (шум) и вместо этого идентифицируют «фантомные» факторы или явные корреляции. Представьте себе попытку записать концерт классической музыки с чувствительным микрофоном. Переоснащение означало бы улавливание окружающих фоновых шумов, а не звука оркестра.
«Люди могут неправильно управлять машинным обучением и не проводить проверки», - предупредил Бабак Ходжат. «Если вы берете алгоритм машинного обучения и недостаточно проверяете его, у вас может быть что-то переоснащение, которое может выглядеть довольно неплохо сейчас, но завтра может с треском провалиться. Там требуется больше внимания ».
Риск ошибки программирования возрастает с давлением запуска новых программ. Как упоминалось ранее, дифференциация имеет решающее значение для успеха AI-трейдера. Будучи первым успешным приложением, организация получает уникальную и выгодную возможность - неоспоримый рынок. Следовательно, существует риск того, что организации перенесут свою стратегию на рынок. Нейт Соарес, бывший инженер Google и нынешний научный сотрудник в Исследовательском институте машинного интеллекта, недавно оценил в интервью The Financial Times, что «существует только 5-процентная вероятность программирования достаточных мер безопасности для продвинутого ИИ».
Данные, ответственность и юридический риск
Среди респондентов существует большая неопределенность в отношении того, понимают ли организации юридические риски, связанные с новыми финансовыми технологиями: 47 процентов не уверены в том, что понимают.
«Причина в том, что эта технология находится на начальной стадии, и она развивается», сказал Прайс. «Тот факт, что люди осторожны и немного не уверены в том, какими могут быть некоторые риски, отражает ту зарождающуюся стадию развития технологии».
Одним из рисков является корпоративная ответственность. Неправильные инвестиционные решения могут быть приняты из-за плохих данных, ошибочного анализа деятельности компании или неправильных алгоритмов, которые могут привести к значительным убыткам для инвесторов. Ответственность может также возникнуть, если модели машинного обучения принимают ошибочные решения о кредитном риске: финансовые убытки могут возникнуть у кредиторов или, в качестве альтернативы, репутация заемщиков может быть повреждена. Также отсутствует ясность в отношении того, какие стороны будут нести ответственность в таких ситуациях - сами финансовые учреждения, разработчики алгоритмов, платформы обмена, поставщики данных или другие стороны.
Интеллектуальные свойства машинного обучения, влияющие на данные, также могут вывести защиту данных и риск для конфиденциальности на новый уровень. Личные данные инвестора или конфиденциальные данные компании, попадающие в нежелательные руки, будь то случайно (для хакеров) или дизайн (для маркетологов и правительств), к настоящему времени представляют слишком знакомый риск эпохи Интернета. Этот риск будет расти просто из-за гораздо больших объемов данных, в которых будут собираться модели машинного обучения.
Организации все больше должны будут понимать, как конфиденциальность данных связана с законами, о защите прав потребителей, а также с соответствующими законодательными актами, такими как Директива ЕС о файлах cookie.
«Данные, а также различные правила и процессы, которые как разрешают, так и регулируют доступ к этим данным и их использование, лежат в основе разрушительного финтех-бизнеса», - сказал Эдриан Лоуренс, партнер Baker McKenzie. «Даже самые передовые и интеллектуальные алгоритмы и модели бесполезны без эффективного, безопасного и легального доступа к подробным, точным и актуальным наборам данных».
Помимо юридических рисков, респонденты явно не уверены в том, что влияние ИИ полностью понимают их организации. Почти половина - 49 процентов респондентов не уверены, что их организация понимает другие существенные риски, связанные с ИИ; только 32 процента уверены. Учитывая раннюю стадию разработки приложений, этот вывод указывает на то, что ИИ представит организациям набор рисков, большинство из которых еще предстоит определить.
Чрезмерная зависимость от ИИ
По мнению некоторых экспертов, наибольшие риски связаны не столько с самими технологиями машинного обучения, сколько с неправильным использованием людьми технологий или неуместной уверенностью в технологиях для самостоятельного достижения целей без участия человека.
«Если мы слепо верим в технологии, - предупреждает Бабак Ходжат, - все пойдет не так. Если успех ИИ означает более широкое использование технологий неконтролируемым и беспринципным образом, тогда мы рискуем больше ».
Саид Амен обеспокоен тем, что индустрия будет использовать машинное обучение как своего рода черный ящик. Если это так, то он говорит: «В конечном итоге они создадут торговую модель, в которой они на самом деле не разбираются в плюсах и минусах. Это опасный сценарий, но то же самое с любой систематической моделью. Вы действительно должны понимать, что происходит в торговой стратегии ».
Также как люди, программы, компьютеры и машины способны быть глупыми. Опасность состоит в том, что они могут действовать в гораздо большем масштабе и скорости. Такие примеры, как катастрофа Knight Capital, служат для иллюстрации важности поддержания человеческого контроля, понимания и контроля над возникающими системами ИИ.
В этом заключается противоречие в основе технологии. Перед лицом неотъемлемо рискованных задач, таких как принятие инвестиционных решений и ставки на неизвестные будущие события, чрезмерная зависимость от ИИ может увеличить системные риски. Тем не менее, та же технология может улучшить глубину и качество должной проверки финансовых институтов компаний. Благодаря своим мощным функциям перехвата данных, такие приложения также могут помочь выявить мошенничество, отмывание денег, взяточничество и другие коррупционные действия, которые более обычным методам будет трудно раскрыть.
Респонденты надеются, что в некоторых случаях машинное обучение поможет минимизировать риски. Почти 6 из 10 (58%) считают, что это «значительно улучшит» процессы оценки рисков. Техника машинного обучения, например, может быть использована для оповещения управляющих фондами о возникающих слабостях в компаниях с инвестициями.
«ИИ также должен снижать риск в некоторых областях при правильном развертывании», - сказала Астрид Ретце, партнер Baker McKenzie. «Рыночные проступки и отмывание денег / процессы« Знай своего клиента »- это области, в которых регулирующие органы могут использовать ИИ для улучшения надзора и контроля со стороны регулирующих органов».
Аналитика на основе машинного обучения также может выявлять закономерности в деятельности клиента, которые могут указывать на некоторую форму злоупотреблений. Это помогает объяснить, почему респонденты указывают на оценку рисков, опережая другие области деятельности, где они ожидают, что машинное обучение будет внедрено в течение следующих трех лет.
AI против IP
Респонденты, по-видимому, согласны с тем, что алгоритмы нуждаются в большем регулировании. Более половины из них заявили, что предоставление регуляторам доступа к анализу торговых алгоритмов поможет обеспечить безопасность финансовой системы. Это показательный результат, который приходит в то время, когда ряд финансовых регуляторов планируют сделать исходный код алгоритмов открытым для проверки властями.
Например, комиссия по торговле товарными фьючерсами США (CFTC) пытается продвинуть регулирование автоматической торговли (известной как REGAT). Одной из самых противоречивых особенностей этого предложения является предоставление CFTC и Министерству юстиции США доступа к торговому алгоритму финансовой фирмы. Критик Джанкарло (республиканский член CFTC США) утверждает, что предоставление речевым органам такого уровня контроля приведет к дополнительным расходам на соблюдение требований для мелких участников рынка и будет препятствовать инновациям на фьючерсном рынке.
Джанкарло в первую очередь обеспокоен тем, что этот регламент ознаменует беспрецедентное вторжение в права частной интеллектуальной собственности (ИС) со стороны государственных органов.
«Я не знаю ни одной другой отрасли, где федеральное правительство имеет такой легкий доступ к интеллектуальной собственности фирмы и будущим бизнес-стратегиям», - сказал он в недавнем заявлении. «За исключением, возможно, в области национальной обороны и безопасности…»
Подобные механизмы контроля выражены в рыночных правилах MiFID в Европе и могут привести к аналогичным конфликтам из-за интеллектуальной собственности алгоритмов.
Перед передачей хранилищ исходного кода регулирующие органы также должны продемонстрировать свою компетентность в области данных и кибербезопасности. В марте 2014 года группе китайских хакеров удалось взломать Управление персонала США. Они украли записи 21 миллиона федеральных служащих США, включая высокопоставленных членов CFTC США.
Подобные недостатки необходимо устранить, прежде чем власти получат доступ к алгоритмам. Большой вопрос заключается в том, могут ли регулирующие органы идти в ногу с быстрыми изменениями в технологии.
Регуляторы в курсе?
Отвечая на вопрос, «следят ли финансовые регуляторы за развитием технологий», 76% респондентов ответили «нет». Почти 7 из 10 не выразили или почти не выразили уверенности в том, что «регуляторные органы имеют достаточное понимание финансовых технологий и их влияния на сектор финансовых услуг сегодня». Один респондент отметил, что «регуляторные органы крайне недовольны ИИ и им необходимо повышать свое понимание или риск быть маргинализованным ".
Регуляторы, безусловно, находятся в невыгодном положении по сравнению с крупными финансовыми учреждениями в конкурентной борьбе за ученых-данных и других специалистов, обладающих знаниями в области машинного обучения. Это мешает им оставаться в курсе последних технологических разработок в этой области. Регуляторные органы начинают изучать роль и последствия машинного обучения на финансовых рынках.
Как видно из REGAT и MiFID II, большая часть исследований проводится в контексте систематической торговли, а не только для машинного обучения. Тем не менее, во главе с Комиссией по ценным бумагам и биржам и Регулирующим органом финансовой индустрии в США, Британским Банком Англии и Валютным управлением Сингапура, регуляторы начинают узнавать о роли ИИ и машинного обучения на финансовых рынках.
В ASIC Джон Прайс возглавляет инновационный центр, созданный в начале 2015 года, который изучает различные области применения машинного обучения на финансовых рынках и уже консультирует организации, использующие такие методы. Виктория Пиннингтон возглавляет аналогичную инициативу в канадском IIROC. Оба чиновника говорят, что их организации обмениваются результатами своих исследований с другими регуляторами. Такое взаимодействие соответствует духу рекомендаций, сделанных регулирующим органам исследовательской группой.
На риски новых технологий большинство респондентов (32%) высказались за сотрудничество между регулирующими органами и финтех-компаниями. Вторая по величине группа (25%) предложила координировать усилия по регулированию на разных рынках на систематической глобальной основе.
Большинство руководителей отрасли в опросе считают, что для борьбы с искусственным интеллектом и машинным обучением потребуется новая форма регулирования. По мнению 60 процентов респондентов, существующее регулирование необходимо улучшить, а действующее регулирование недостаточно.
Но регуляторы не ожидают, что правила, специфичные для ИИ, будут написаны в ближайшее время. Те, которые появляются, будут сосредоточены на самих алгоритмах или на более широкой области систематической торговли. По словам Прайса, в Австралии любое написание правил скорее основано на принципах, чем на предписаниях. «Любые новые правила не скажут« делай X, Y и Z ». Вместо этого они будут предусматривать, что фирмы должны, например, иметь адекватные процедуры управления рисками ».
Пилот и автопилот
Со временем машинное обучение почти наверняка вытеснит некоторых людей - трейдеров, аналитиков и других работников отрасли - с их существующих ролей. В течение 15 лет 68 процентов респондентов ожидают увидеть полное или существенное изменение своей собственной работы. Четверо из десяти респондентов опасаются, что это негативно скажется на структуре рабочей силы раньше - в течение трех лет.
Однако в большинстве профессий, включая торговлю, люди вряд ли исчезнут со сцены в ближайшее время. По словам Ходжата, роль отдельного трейдера несколько уменьшится, но не полностью. Он указывает на то, что некоторые виды торговой экспертизы не могут быть вытеснены, и что талантливые профессионалы будут необходимы, например, для установки и проверки алгоритмов. Это может расстроить прогнозы одного из руководителей Microsoft, который заявил в 2014 году, что «роботы будут управлять городом в течение 10 лет».
«При использовании машинного обучения вам по-прежнему необходимо использовать немного понимания рынка и интуиции», - сказал Амен. «Это не тот случай, когда вы просто вводите систему и оставляете ее на 10 лет; Вы постоянно должны предлагать новые идеи, которые коррелируют с изменением рынка, и которые все еще требуют людей».
Эбнер сравнивает роль управляющего портфелем в эпоху машинного обучения с ролью пилота авиакомпании: «Вокруг нас структура, и мы можем быть на автопилоте большую часть пути, но мы вводим детали в навигационную систему и решаем, когда задействовать автопилот и когда летать вручную. Мы контролируем самолет.
Что дальше?
В начале 2016 года группа ведущих предпринимателей мира, в том числе Питер Тиль и Элон Маск, объявили, что вложат 1 миллиард долларов в создание организации под названием OpenAI. Единственная цель - помочь защитить человечество от искусственного интеллекта. В открытом письме члены-основатели резюмировали напряженность в основе этой технологии, написав: «Трудно представить, насколько искусственный интеллект на уровне человека может принести пользу обществу, и столь же трудно представить, насколько он может нанести ущерб обществу, если он будет построен или используется неправильно. »
Подобные настроения лежат в основе чувств, связанных с применением ИИ на финансовых рынках. Все признают, что многое предстоит узнать о том, каким будет преобразовательное машинное обучение. Есть также много, чтобы узнать о его потенциальных недостатках.
Большинство наших респондентов с оптимизмом смотрят на будущую роль AI на финансовых рынках. Оптимизм проистекает из признания прекрасной возможности, которая ожидает успешных приложений. Однако, как и в случае со всеми технологиями, во многом это будет зависеть от того, как они будут использоваться, что в конечном итоге определит риск и вознаграждение.