JPMorgan Chase zbudował zestaw agentów sztucznej inteligencji, którzy dynamicznie przesuwają alokacje między akcjami i obligacjami w odpowiedzi na zmieniające się warunki rynkowe, a wczesne wyniki przyciągają uwagę Wall Street. Według Bloomberga, który opublikował wyniki badania w piątek, 10 lipca, wszystkich ośmiu agentów przetestowanych przez bank uzyskało lepsze wyniki niż tradycyjny portfel 60/40 pod względem skorygowanego o ryzyko.
Ta praca jest najnowszym sygnałem, że sztuczna inteligencja przechodzi z narzędzia zwiększającego produktywność dla pracowników do maszynowni podejmowania decyzji inwestycyjnych. Dla firmy wielkości JPMorgan – już jednej z najbardziej agresywnych firm wdrażających sztuczną inteligencję w finansach – oferuje ona konkretny pogląd na to, jak autonomiczni agenci mogą pewnego dnia pomóc w zarządzaniu bilionami kapitału klientów.
Jak działali agenci AI
Zamiast podążać za ustalonym zestawem aktywów, agenci zostali zaprojektowani tak, aby odczytywać zmieniające się warunki rynkowe i na bieżąco dokonywać realokacji kapitału pomiędzy akcjami a instrumentami o stałym dochodzie. W tradycyjnym zarządzaniu portfelem zasada 60/40 – 60% akcji, 40% obligacji – od dziesięcioleci jest podstawową strategią, ponieważ równoważy wzrost i stabilność. Agenci JPMorgan zostali bezpośrednio porównani z tym punktem odniesienia.
Jak wynika z wielu raportów z badania, w ciągu dwudziestu lat symulacji historycznych najskuteczniejszy agent zapewnił roczny zwrot o około 0,7 punktu procentowego wyższy niż klasyczny portfel 60/40. Co najważniejsze, tym lepszym wynikom towarzyszyła mniejsza zmienność, co oznacza, że agenci osiągnęli lepsze zyski na jednostkę ryzyka – czyli wskaźnik, na którym najbardziej zależy profesjonalnym inwestorom.
Agenci pokonują także istniejący, oparty na zasadach model reżimu rynkowego JPMorgan, czyli ramy, z których bank już korzysta przy podejmowaniu decyzji o alokacji aktywów. Ten szczegół może mieć największe znaczenie: sugeruje, że sztuczna inteligencja nie tylko dopasowywała się do ustalonego podręcznika, ale ulepszała wyrafinowany model, który został już udoskonalony przez ludzkie kwantyty.
Wielkie zastrzeżenie: testy historyczne to nie prawdziwe pieniądze
Choć liczby wydają się imponujące, sam JPMorgan zaleca ostrożność. Wyniki pochodzą z historycznej weryfikacji historycznej – polegającej na odtworzeniu przez agentów danych rynkowych z dwóch dekad z przeszłości – a nie z inwestowania na żywo z prawdziwym kapitałem. Testy historyczne są znane w finansach z tego, że wyglądają znakomicie na papierze, a zawodzą w prawdziwym świecie, gdzie koszty transakcyjne, nagłe wstrząsy i prosty fakt, że przyszłość nigdy nie powtarza przeszłości, mogą podważyć nawet najbardziej elegancką strategię.
Bloomberg zauważył, że JPMorgan przestrzegł przed traktowaniem symulacji jako dowodu na to, że sztuczna inteligencja może stale osiągać lepsze wyniki niż rynki. Dotychczasowe wyniki, jak głosi stare zastrzeżenie dotyczące inwestycji, nie gwarantują przyszłych wyników – a to zastrzeżenie ma dodatkowe zastosowanie w przypadku nieprzetestowanego podejścia opartego na sztucznej inteligencji.
Mimo to spójność wyników w przypadku ośmiu różnych agentów jest godna uwagi. Kiedy pojedynczy algorytm podaje mocne wyniki analizy historycznej, sceptycy mogą zasadnie winić szczęście lub nadmierne dopasowanie. Kiedy cała rodzina agentów, zbudowana w różnych konfiguracjach, przewyższa zarówno klasyczny benchmark, jak i własny model produkcyjny banku, wskazuje to na coś bardziej systematycznego w podejściu podstawowym.
Co to oznacza dla finansów
Eksperyment rozpoczyna się w momencie, gdy Wall Street ściga się, aby głębiej osadzić sztuczną inteligencję w swoich podstawowych operacjach. Banki i podmioty zarządzające aktywami spędziły ostatnie dwa lata na wdrażaniu sztucznej inteligencji do obsługi klienta, podsumowań badań i generowania kodu – zadań, w których błąd jest zawstydzający, ale nie katastrofalny. Alokacja portfela to zupełnie inna kategoria: w tym przypadku ocena agenta bezpośrednio wpływa na to, ile pieniędzy klienci zarabiają lub tracą.
Badania JPMorgan sugerują, że branża zmierza w stronę granicy, w której stawki są wyższe. Jeśli agenci będą w stanie odczytywać reżimy rynkowe i dostosowywać ryzyko w czasie rzeczywistym, mogliby ostatecznie uzupełnić – lub w niektórych przypadkach zastąpić – elementy komitetów kierowanych przez ludzi, które obecnie ustalają strategię alokacji dużych funduszy. Technologia ta wpisuje się również w szersze dążenie w kierunku „agentycznej sztucznej inteligencji”, czyli systemów, które mogą podejmować wieloetapowe działania w kierunku osiągnięcia celu, a nie tylko odpowiadać na pytania.
Droga przed nami
Zanim agenci AI będą mogli zarządzać prawdziwymi portfelami na dużą skalę, pozostaje jeszcze kilka przeszkód. Organy regulacyjne wciąż zmagają się z tym, jak nadzorować autonomiczne podejmowanie decyzji finansowych, a ryzyko, że źle zachowujący się podmiot pogłębi pogorszenie koniunktury na rynku, stanowi poważny problem. Przejrzystość to kolejna kwestia: wiele z najpotężniejszych modeli działa jak „czarne skrzynki”, a zarządzający funduszami muszą być w stanie wyjaśnić klientom i organom regulacyjnym, dlaczego portfel został dostosowany.
Istnieje również pytanie, co się stanie, gdy wszyscy będą mieli te same narzędzia. Strategia, która pokonuje rynek w teście historycznym, może przestać działać, gdy wystarczająca liczba konkurentów wdroży podobną sztuczną inteligencję, zamieniając dotychczasową przewagę w nową linię bazową.
Na razie agenci JPMorgan pozostają raczej wynikiem badań niż produktem. Ale przesłanie największego banku w Stanach Zjednoczonych jest jasne: era sztucznej inteligencji w roli asystenta analityka z Wall Street ustępuje miejsca czemuś znacznie ambitniejszemu, a najbliższe kilka lat zadecyduje, czy maszyny rzeczywiście będą w stanie przewyższyć ludzi, którzy je zbudowali.
Więcej informacji na temat tego, jak sztuczna inteligencja zmienia finanse i przemysł, można znaleźć na stronie głównej AI Buzz Wire.
Przeczytaj więcej aktualności o sztucznej inteligencji →
