Hódít a gépi gondolkodás a tőkepiacokon

Ma már nem különösebb újdonság a piacon egy olyan befektetési alap, amelynek döntéseit mesterséges intelligencia segíti és hajtja végre, a quant hedge fundok is évek óta megtalálták a helyüket a befektetési palettán. Az amerikai részvénypiaci forgalom majdnem 70 százalékát a nagy frekvenciájú és az algoritmikus kereskedési alapú megbízások adják. Mivel sok korábbi eset mellett a tavaly de­cemberi piaci turbulenciában is felerősítették a stresszt, használatuk szabályozása folyamatosan szigorodik, a folyamatban részt vevők anyagi érdekeivel ellentétesen is.

A mesterséges intelligencia (AI) használata a vagyon- és port­fó­lió­kezelésben ma még – úgy tűnik – csak bizonyos határok között lehetséges. Ennek egyik oka a működési kockázat, amikor egy nem várt, korábban sosem látott piaci szituáció hibás döntések sorát váltja ki egy algoritmusban, és az aztán szétterjed a teljes piacon. Ezen például az öntanuló rendszerek (deep learning) segítenek: ebben az esetben már nemcsak a múltbeli eseményekre támaszkodik a gép a döntés során, hanem a biológiai ideghálózatok mintájára létrehozott struktúrában súlyozza a lehetséges kimeneteket. Egyre terjednek az automatikus elemzőprogramok, amelyek háttér-információkat adnak és segítik a döntés-előkészítést.

Az is világos, hogy a költségcsökkentés és a kockázatelemzés területén már most nagyszerűen teljesít az AI. A mid és back office munkák és más háttértevékenységek területén az ellenőrzés könnyen automatizálható, és kizárja az emberi hibát. A mesterséges intelligencia segíthet a vagyonkezelőknek összefüggések megkeresésében komplex, ember által nehezen átlátható adathalmazok elemzésével, és automatizálhat sok kereskedési folyamatot, meggyorsítva és hibamentessé téve a megbízások teljesítését. Megválaszolhatja a könnyebb kérdéseket, kommunikálhat az ügyfelekkel, jelentéseket írhat a szabályozóknak és a nagyközönségnek is. A másik kockázat, amely felmerül, sokkal nehezebben kezelhető: ez a szisztematikus kockázat. Minden nagyobb zavar a tőkepiaci rendszerben politikai és gazdasági problémákkal fenyeget, ezért globálisan nem elfogadható, hogy az újításokat élesben, a tőzsdén teszteljük. Az elemzők nem számítanak a gépek teljes hatalomátvételére a befektetési döntésekben. Ennek elsősorban nem az az oka, hogy rövid időn belül nem tudnának jobb döntéseket hozni, hanem hogy az AI-rendszerek feketedobozként működnek, azaz nem látható, hogy a gép miért azonosított egy trendet vagy egy lehetőséget. Akkor mégis hogyan bízhatunk meg az AI-ban, ha nem tudjuk, milyen szempontok alapján született a döntés? A szakma egyik fele azt mondja, hogy az eredmények alapján. A másik, vitatkozó fél szerint a múltbeli teljesítmény nem ad indikációt a jövőre nézve, tehát ezt az érvet nem használhatjuk.

Amíg a szabályozók és az elméleti szakemberek vitatkoznak, a befektetési ipar folyamatosan lép előre. Az AI legújabb térhódítása a kötvény- és részvénykibocsátások területén zajlik. Egy kibocsátásokkal foglalkozó jó szakértőnek a múltban a Bloomberg kolumnistája, Matt Levine szerint két jellemzője volt. Egyrészt ismerte a piacot, hogy milyen kötvények, részvények jelentek meg az elmúlt években, azok hogyan teljesítettek, és ezeket a mintázatokat alkalmazni tudta a lehetséges piacra lépő számára, hogy segítse őt az árazás és egyéb feltételek kialakításában. Másrészt meglehetősen kellemes és adaptív személyiségnek kellett lennie, hogy amikor a potenciális kibocsátókat vacsorázni vitte, jól elszórakoztassa őket, és emlékezzen a gyerekeik, a kutyájuk nevére és a hobbijukra is. Mindez a bizalomépítés jegyében történt, ami után a nem szakmabeli – mondjuk, a termelőágazatból jövő – kibocsátók mertek a szakember véleményére támaszkodni.

Az öntanuló gépek az első funkciót könnyedén átveszik, és lekörözik az embert – ilyen rendszerként működik ma már globálisan a Merrill Lynch Priam (Predictive Intelligence Analytics Machine) rendszere, amely a bankház által segített valamennyi IPO részletes adatait tartalmazza. A small talk és a jó vacsorák szerepe radikálisan csökkent. A Merrill véleménye szerint nagyon fontos azonban, hogy ne várjunk túl sokat az ilyen rendszerektől, és szigorúan szabályozzuk, hogy mi az alkalmazás helyes módja. Mert nem az a befektetési szakember a legjobb, aki a múltban a legmagasabb hozamokat érte el, vagy a legtöbb tudást, információt gyűjtötte össze, hanem az, aki leginkább képes a változásra.