GenAI præsenterer Quant Funds med et dilemma

Genudgivet af Platon

Abonnenter: 0

GenAI præsenterer quant funds med en quandary PlatoBlockchain Data Intelligence. Lodret søgning. Ai.

Kvantitative fonde har længe været de største brugere af kunstig intelligens i formueforvaltningsverdenen. Fremkomsten af generativ kunstig intelligens kunne dog favorisere traditionelle, fundamentals-drevne kapitalforvaltere frem for kvanterne.

Det er den bekymring, som adskillige kvantfondsforvaltere og dataudbydere i Asien har givet udtryk for DigFin.

"AI-applikationer inden for finans er stadig sjældne," sagde en kvantchef. "Dataforskere anvender det ikke på kapitalmarkederne. Men hvis disse værktøjer bruges til at handle aktier, vil det ændre landskabet. Der vil være nye vindere og tabere.”

Hvad er en kvant?

Quants køber og sælger aktier baseret på enorm computerkraft og tilpassede softwareprogrammer, der modellerer investeringsstrategier. Stigningen i mængder faldt sammen med det årtier lange fald i renten og stigningen i passive investeringer - to tendenser, der har gjort aktiv aktiepluk af mennesker til en stadig mindre konkurrencedygtig forretning.

Brugen af algoritmiske eller systematisk programmerede handler har givet anledning til en industri med 'systematiske investeringer', hvor firmaer kører platforme med enkeltstrategiforvaltere, der jagter en bestemt strategi eller 'faktor' (såsom renter eller et markeds volatilitet).

Sådanne investorer er ikke interesserede i at være aktionærer, kun i hurtigt at købe og sælge aktier for at drive strategier: lang/kort, markedsneutral, statistisk arbitrage, begivenhedsdrevet. Der er et overlap med den højfrekvente handelsverden, hvor fællestræk er handler, der er konceptualiseret og drevet i rent numeriske termer.

AI oldtimere

Disse ideer er ikke nye, men tilgængeligheden af computerkraft og store datasæt har givet næring til stigningen i mængder i løbet af de sidste to årtier. I løbet af de sidste ti år har quants været tidlige brugere af nye AI-teknikker såsom maskinlæring og brugen af neurale netværk. De blev glubske forbrugere af alternative data, såsom følelsesanalyse fra sociale medier-feeds.

Det største problem med kvantinvestorer har været 'explainability', en nyere betegnelse for AI, der går tilbage til quants 'black box'. Sammenbruddet af langsigtet kapitalstyring i 1998 er indbegrebet af denne risiko, især da kvanter typisk er gearede.

Men siden da er quant-butikker som Citadel, DE Shaw, Man AHL, Millennium Management, Renaissance Technologies og Two Sigma blevet de største og mest indflydelsesrige buy-side-virksomheder på Wall Street. Deres succes har ansporet traditionelle fondshuse som BlackRock eller Fidelity til at lancere deres egne kvantstrategier.

De opererer også på ikke-amerikanske markeder, hvor de kan finde likviditet, handelsinfrastruktur med lav ventetid og sikringsinstrumenter (såsom ETF'er eller futureskontrakter, der sporer lokale markedsindekser). Japan har været det største marked i Asien og Stillehavsområdet, men Indien er nu en vigtig spilleplads. (Et problem i Asien er reguleringsnærhed, som et nyligt sydkoreansk forbud mod short selling og stigende regeringsindblanding i Kina vidner om.)

Kvantfonde er derfor ikke kun indflydelsesrige apex-rovdyr: de er også på forkant med at adoptere nye digitale teknologier.

Indtast GenAI

Hvilket gør den nye udvikling inden for AI til et puslespil for kvanter.

Disse firmaer vil naturligvis bruge store sprogmodeller (LLM'er), der er muliggjort af generative forudtrænede transformatorer, i deres fulde omfang.

Den hellige gral for kvanter vil være at gøre LLM'er til forudsigelige værktøjer. Et menneske vil interagere med deres computervenner for at opdage mønstre på tværs af tidsserier og andre datasæt. Faktisk gør kvanter dette allerede, det er bare, at LLM'er skal gøre processen mere intuitiv, bedre integrere ikke-tekstuelle data og lade udviklere bygge modeller meget hurtigere.

Quant-butikker vil også bruge genAI til mere hverdagsagtige formål, såsom at lære at skrive regulatoriske rapporter, fortolke indtjeningsrapporter eller gennemskue pitch-decks. Kunde-onboarding og andre back-office-funktioner kan automatiseres yderligere.

Men der er ikke noget mystisk ved en kvantbutik, der gør disse ting, for det er det samme, som alle andre vil bruge genAI til.

Alle gør det

Forskellen ligger i at udvikle prædiktive investeringsmodeller og eksekveringsalgoritmer. Det er det, der gør quants specielle, men de tidlige tegn tyder på, at genAI vil gøre det muligt for traditionelle kapitalforvaltere også at gøre disse ting. Ditto for forvaltere af private equity-fonde - en notorisk uautomatiseret virksomhed, som kunne bruge LLM'er til at gøre investeringsbeslutninger mere systemiske og datadrevne.

Asset managers vil alle møde spørgsmål med LLM'er og deres tendens til at finde på ting. Produkter som OpenAIs ChatGPT er den ultimative sorte boks. Selvom kvantfonde er afhængige af AI til guddommelige strategier, drives disse stadig af licenserede fagfolk, der forstår konsekvenserne af en handelsidé. Det er ikke tilfældet med genAI-værktøjer.

Hurtig ingeniørarbejde kan tilføje værdi ved at give noget af denne gennemsigtighed ved at udspørge LLM'erne for at få en fornemmelse af deres processer og de faktorer og kilder, der bruges til at træffe en beslutning. Det er teoretisk muligt, at LLM'er en dag vil være mere gennemsigtige og ansvarlige end et menneske.

Selvom ideen om at overdrage investeringer til maskinen giver en god overskrift, vil quant sandsynligvis bruge LLM'er på mere specifikke måder.

For eksempel vil de have værktøjer til at identificere de sande friktionsomkostninger ved en handel, hvilket involverer en dyb undersøgelse af mikromarkedsstrukturer. En typisk metrik til at veje en erhvervsdrivendes præstation kaldes 'implementeringsmangel', for at finde ud af, hvor tæt de ligger på et budget for en given handel. Sådanne algoer bliver allerede mere sofistikerede, da virksomheder søger efter øjeblikke i løbet af dagen, hvor likviditeten er moden, eller hvor de kan handle uden at afsløre deres hånd.

Det handler om at finde markedssignaler, hvilket er kernen i en quants mission. Det er sandsynligt, at quant-butikker vil bruge genAI til at udvikle bedre måder at forudsige de bedste tidspunkter og spillesteder for at udføre en handel.

Dette er stadig meget nyttigt, men det er ikke som om nogen afleverer bilnøglerne til Terminator. AI overvinder heller ikke de største forhindringer på de asiatiske markeder, som er manglen på sikringsinstrumenter, efterfulgt af de høje omkostninger ved sikring, når en kontrakt er tilgængelig.

Endnu vigtigere er dette ikke specifik for kvanter. Store traditionelle købssider bruger også disse eksekveringsalgoer, uanset om de er designet internt eller af en salgssidemægler.

Det eksistentielle spørgsmål for kvanter er, hvordan de bevarer deres forspring, når genAI-værktøjer kan gøre meget af det, de laver, lettere tilgængeligt for fundamentale kapitalforvaltere. Quant-butikker undgår til dels rampelyset, fordi de betragter deres AI-modeller og eksekveringsalgoer som hemmelige saucer. Kunne genAI gøre disse til råvarer? Hvor differentieret er din hurtige teknik?

Som en kvant sagde det, "AI har været en del af vores værktøjssæt i årevis. GenAI slipper ikke af med barriererne, men det vil give større fordele til grundlæggende aktive ledere ved at gøre dem mere effektive til at aggregere og analysere data. Når først disse virksomheder forstår drivkraften bag tilbagevenden, bliver de vores konkurrent."