Магистр права BlackRock: «Вопрос в преимуществе».

Переиздано Платоном

Читают: 0

Магистр права BlackRock: «Вопрос в преимуществе». PlatoBlockchain Data Intelligence. Вертикальный поиск. Ай.

Технологический подход к инвестированию денег не нов, но инструменты искусственного интеллекта дают бизнесу новые возможности для достижения успеха.

Джефф Шен, содиректор по инвестициям из Сан-Франциско и соруководитель подразделения систематического активного инвестирования, говорит, что модели изучения языка становятся мощными инструментами.

«Мы находимся в разгаре революции», — сказал он. «Большие данные, альтернативные данные, а теперь и генеративный искусственный интеллект трансформируют все отрасли, включая управление активами. Доступно больше данных и более совершенные алгоритмы для сбора этих данных, и это делает систематические инвестиции интересными».

Четыре десятилетия количественной

Истоки системной команды лежат в бизнесе Barclays Global Investors, который BlackRock приобрела в 2009 году. Сделка возникла, когда Barclays, сильно пострадавший от мирового финансового кризиса, отказался от своего инвестиционного бизнеса, чтобы выжить, и сделал BlackRock крупнейшим в мире управляющим активами с капиталом в 2.7 триллиона долларов. .

Корни BGI уходят в 1985 год как то, что сегодня можно назвать финтехом: операция в Кремниевой долине, использующая большие данные и примитивные формы машинного обучения, задолго до того, как эти термины или возможности вошли в моду. Это аналитический центр, который использует основанную на данных информацию, чтобы сосредоточиться на множестве небольших и быстрых ставок, сравнивая одни акции с другими — Coke против Pepsi.

Это работает, даже если дела в отрасли или на рынке идут плохо – Country Garden против Evergrande. Важно найти крошечное, кратковременное преимущество, которым менеджер может торговать быстро и в больших масштабах, а затем закрыть позицию. Умножьте такие сделки на сотни или тысячи по всему портфелю, и фирма создаст крупную стратегию акций с низкой корреляцией с эталонными показателями.

Благодаря большему количеству данных, более совершенным алгоритмам, увеличению вычислительной мощности и электронизации фондовых рынков, BGI превратилась в передовую электростанцию и продолжает оставаться систематическим подразделением BlackRock.

С тех пор мир ETF стремительно развивался, превратив BlackRock в крупнейшего в мире управляющего активами. По состоянию на сентябрь 2023 года компания сообщила о $3.1 трлн в биржевых фондах (розничный бизнес) и еще $2.6 трлн в индексных фондах (для учреждений). Группа технологических услуг фирмы, включая систему портфельных рисков Aladdin, является еще одним важным источником дохода.

прогресс ИИ

В этом контексте институциональный бизнес, занимающийся систематическими акциями, является скромным: его активы под управлением составляют 237 миллиардов долларов. Шен, конечно, оптимистичен в отношении своего подразделения. «Систематические квантовые инвестиции сейчас переживают золотой век», — сказал он.

Но ажиотаж вокруг генеративного искусственного интеллекта, который включает в себя модели естественного языка, такие как ChatGPT, придает оптимизму Чена некоторую достоверность.

В прежние времена количественная тактика заключалась в ранжировании акций компаний с большой капитализацией в США по традиционным показателям (балансовая цена, цена относительно прибыли, дивидендная доходность). Даже тогда крупнейшие квантовые хедж-фонды создали хранилища данных поразительных размеров. Это дало им возможность добиваться результатов независимо от рыночных тенденций. Самые успешные фирмы заработали много денег во главе с Renaissance Technologies, которая с 1988 по 2018 год была самой прибыльной (и секретной) инвестиционной фирмой в мире.

Шаги, необходимые для реализации активных стратегий, количественных или других, постепенно автоматизируются. Информация теперь доступна для машинного чтения, например, отчеты брокеров, финансовые отчеты компаний, статьи в средствах массовой информации и государственная статистика. Обработка естественного языка позволила превратить неструктурированные данные (от PDF-файла до подписи юриста) в машиночитаемые. Интернет вещей и спутниковые снимки расширили список вещей, которые можно измерить и дать количественную оценку. Более того, теперь они дают управляющим фондами доступ к просмотрам в реальном времени.

Шен ссылается на движение грузовиков. Геопространственные метки, маяки Wi-Fi и спутниковые изображения позволяют покупателям этих данных отслеживать парки грузовиков. Это дает им представление о движении между поставщиками и магазинами и является одной из точек данных, позволяющих определить, как идут дела у компании. Постройте достаточное их количество, и фирма сможет расширить сферу своей деятельности и получить макроэкономическое представление об экономике.

Введите ГенАИ

Сегодня генеративный ИИ добавляет к этому набору новый набор инструментов. Но это не просто еще один способ обработки данных. Это фактически меняет способ понимания информации портфельными менеджерами.

Шен приводит пример новостного репортажа об отставке генерального директора. В течение последних двадцати лет технически подкованные компании использовали машинное обучение, чтобы следовать подходу «мешок слов». Машина будет анализировать текст и искать скопления слов или фраз, которые соотносятся с хорошим или плохим, покупкой или продажей.

В примере с генеральным директором, потерявшим работу, машина может идентифицировать семь релевантных формулировок в первом абзаце. В нем будут отмечены негативные кластеры, такие как «тревога», «уход из компании», «замена», «разочарование» и «слабость». Это также высветило бы два оптимистичных выражения: «удивительно» и «отвечать положительно», но в целом вес негатива заставил бы компьютер рекомендовать продажу.

Если бы эта компания была частью дуэта Coke и Pepsi, BlackRock могла бы решить, что это сигнал для открытия короткой позиции по одной и длинной по другой с использованием кредитного плеча. Сделка может длиться несколько часов или несколько дней, но скорость анализа даст команде иной результат, чем масса активных фундаментальных игроков, полагающихся на человеческую интерпретацию.

«Это было современное состояние в 2007 году», — сказал Шен. С тех пор данные и агло стали лучше, но метод «мешка слов» по-прежнему оставался нормой. Такие LLM, как ChatGPT, меняют эту ситуацию.

Студенты магистратуры берут тот же абзац и, как показывает пример Шена, приходят к выводу, что это скорее позитивная новость, чем плохая новость. Это потому, что это не просто перевод текста, а понимание его в контексте. LLM знает, что, хотя вверху есть куча негативных слов, ключевая фраза находится внизу: «мы ожидаем, что акции отреагируют положительно».

«Несмотря на то, что это новость об отставке генерального директора, LLM понимает суть пресс-релиза – в нем есть изюминка», – сказал Шен.

Данные и алгоритмы

Хотя этот пример предназначен для презентаций BlackRock журналистам, из него следует, что магазин, систематически добавляющий в свой список специалистов LLM, должен работать лучше. На самом деле в этом аккуратном примере портфельный менеджер получает совершенно другой ответ.

В реальной жизни все не так гладко, но Шен говорит, что программы LLM — это следующая волна инструментов, призванных дать менеджеру небольшое преимущество. Такие компании, как BlackRock, теперь используют LLM на собственных наборах данных, чтобы обучать модели финансовым и другим конкретным типам данных. Он говорит, что BlackRock считает, что ее собственные программы LLM имеют преимущество перед ChatGPT (который в целом обучается в Интернете).

Это возвращает квантов к тем же старым основам: у кого лучшие данные и лучшие средства их очистки; и потом, у кого самые умные алгоритмы. Но программы LLM добавляют и сюда еще одну проблему, помогая людям улучшить свои средства суждения.

Человеческое прикосновение

Хотя некоторые квантовые центры, такие как RenTec, славились тем, что просто следили за своими компьютерами, Шен говорит, что систематические стратегии по-прежнему требуют человеческих решений. Это становится очевидным в тот момент, когда исторические данные неполны или вообще не существуют. Например, моделировать компанию во время Covid было сложно, потому что последняя глобальная пандемия такого масштаба произошла сто лет назад. Надежных данных за 1918 год, которые можно было бы использовать сегодня, нет. Таким образом, хотя кванты использовали данные в реальном времени о трафике или объявлениях о вакансиях, чтобы получить представление, все равно требовалось, чтобы человек экстраполировал, что это означает на ближайшее будущее. Большие данные сами по себе не являются надежным предсказателем.

Но с помощью LLM люди могут задавать машине тонкие вопросы, которые невозможно было задать системе машинного обучения. Это превращает LLM в инструмент повышения производительности, и разные вопросы приводят к разным результатам. Старые модели больших данных 1980-х и 1990-х годов основывались на анализе оценок, а в 2010-х к ним добавились такие вещи, как настроения рынка. Теперь сфера вопросов широка, что дает возможность человеческому творчеству.

«Вопрос может заключаться в конкурентном преимуществе», — сказал Шен.

Учитывая то, что Шен описывает как светлое будущее, означает ли это, что активные стили управления начнут превосходить пассивные стратегии? Готовы ли систематические инвестиции вернуть часть активов, которые перетекли в ETF?

Шен оставался уклончивым. По его словам, победителями в отрасли становятся те фирмы, которые используют ИИ, независимо от продукта. Безопасный ответ. Таким образом, можно с уверенностью предположить, что новая конкуренция, использующая технологии, даст компаниям преимущество в ресурсах, позволяющих получить как можно больше данных.