U predviđanju vrijednosti dionica algoritmi naletjeli na – ljudsku minu

Ako ljudi u nečemu uporno grijše, to je očekivanje ishoda temeljenih na uzorcima iz prošlosti. Ni umjetna inteligencija nije bolja. Funkcionira relativno dobro u klasičnim scenarijima koji ne uključuju nagle i nekad neobjašnjive promjene na tržištu. A na burzama se upravo to stalno događa.

O svih područja na koje strojno učenje ulazi, tržište kapitala vjerojatno je jedan od najprirodnijih poligona za testiranje dosega i mogućnosti te napredne tehnologije koja će nesumnjivo temeljito oblikovati skoru ljudsku budućnost. Riječ je o procesu koji je s jedne strane izrazito matematičkog tipa, što ga čini pogodnim za napredne algoritme, ali s druge ekstremno ovisnom o često teško razumljivoj psihologiji. Burze su, toliko je bar dokazano nebrojeno puta, sklone mentalitetu krda i psihološkim domino-efektima koje ni sami ljudi ne znaju često objasniti, što znači da je ta matematika, koliko god nekada precizna, neraskidivo povezana s ljudskim ponašanjem.

Uspješnost algoritama na burzi, pokazuje nedavni tekst u britanskom Financial Timesu koji prenosi istraživanje Société Généralea, pokazuje da u većini slučajeva pobjeđuju jednostavnije strategije biranja dionica, ali zato kada pogriješite, pogriješite teško. Pristupa biranju dionica je niz, što znači da nisu svi algoritmi jednako uspješni, a u ovom slučaju upotrijebljeni su podaci 80 osnovnih i tehničkih faktora o prosjeku tisuću uvrštenih dionica od prosinca 1989. do rujna ove godine (FTSE Developed World indeks, bez financijskih kompanija). Najboljim se pokazao nelinearni SVM algoritam koji ima zadatak odlučiti o poziciji na dionicu (kratka – pad vrijednosti, duga – rast vrijednosti) te na temelju pogotka ili promašaja poboljšati svoje predviđanje, premda je i on naletio na istu minu kao i svi ostali.

Odluka se donosi na osnovi identificiranja uzoraka u skupu podataka i njihovom dijeljenju u dvije skupine, kratku ili dugu poziciju. Cilj je naći najčvršću razdjelnicu između dviju skupina, čime se stvara što jasnija razlika između tih pozicija. Tu stvari uglavnom prestaju biti jednostavne jer se u nelinearno predviđanje počnu uključivati dodatne matematičke dimenzije dok se ne postigne jasna razdjelnica između pozicija. Iz tog je razloga teško vizualizirati mnoge korake uključene u izračun, pa je i interpretiranje rezultata vrlo izazovno, pojašnjavaju autori Georgios Oikonomou i Andrew Lathorne. Promatrani algoritmi u tom istraživanju bili su nelinearni SVM (support vector machine, stroj s potpornim vektorima), linearni SVM, Random Forest (metaalgoritam) te AdaBoost 50 (skraćeno za Adaptive Boosting, isto metaalgoritam). Za laike je vjerojatno daleko interesantniji i razumljiviji element njihova uspješnost, odnosno koliko su algoritmi dobri u predviđanju vrijednosti dionice. Istraživanje pokazuje da u promatranom razdoblju dobro pogađaju, ali da bi prošle i ove godine imali vrlo loše rezultate. Razlike uspješnosti odabranih algoritama mogu se ponajprije pripisati podacima korištenima u procesu predviđanja, a algoritamski neuspjeh u protekle dvije godine moguće je pripisati ‘nezgodnosti’ prošle godine u kojoj strojevi nisu dobro ukalkulirali velike promjene na tržištu, što je primjenjivo i na ovu godinu, koja, smatra Oikonomou, nije bila vođena ekonomskim fundamentima. Jednostavnije rečeno, zaključuje FT, rezultati iz prošlosti nisu indikator budućih uspjeha. Barem u tom pogledu, strojevi su vrlo tradicionalno daleko od ljudi, ili blizu, ovisi kako se gleda. Vješti igrači s dobrom intuicijom za tržište i velikim iskustvom možda su sigurnija oklada od stroja, pa su u tom pogledu strojevi daleko od ljudi. S druge strane, teško je naći nešto ljudskije od razmišljanja temeljenog na prošlosti.

Problem je s ‘pametnim’ algoritima da funkcioniraju relativno dobro u klasičnim scenarijima koji ne uključuju nagle i nekad neobjašnjive promjene na tržištu. U suprotnom, ne briljiraju u svojim odlukama, premda podataka o uspješnosti još nema dovoljno, a oni koji postoje ne daju nedvosmislenu sliku. Jednako tako, ovisi što se uspoređuje i u kojem razdoblju. Podaci Eurekahedgea, kompanije specijalizirane za podatke o hedge fondovima, pokazuju da su trgovanja temeljena na algoritmima bila uspješnija od ostalih oblika trgovanja u razdoblju od 2010. do 2016. Taj oblik trgovanja dao je bolje rezultate od pro-sjeka globalnih hedge fondova u svim promatra- ntim godinama, osim 2012. Primjena strojnog učenja u financijskoj industriji još je u začecima, pa podataka o njezinoj učinkovitosti nema mnogo, a problem je i činjenica da financijske institucije koje ih upotrebljavaju uglavnom i nisu voljne odavati previše detalja o načinu njihova funkcioniranja. Za ‘ljudski faktor’ utješno je znati da tržište zasad predstavlja problem čak i pametnom softveru koji raspolaže nepreglednim količinama podataka. Statistički, čini se da pobjeđuje, ali visoka razina točnosti malo vrijedi ako u jednom nasumičnom trenutku algoritmi promaše time stvarajući potencijalno goleme gubitke.

Mogući prigovori tom istraživanju odnose se na mogućnost unošenja pogrešnih podataka u spornim godinama kada su algoritmi podbacili, a drugi primjećuju da SVM algoritmi i nisu najnovije tehnologija te da ima i naprednijih koncepata koji se bolje nose s izrazitom nelinearnošću. Činjenica je da zaljubljenici u tehnologiju uvijek imaju dobar odgovor zašto stroj nije uspio, ali nekada su najjednostavniji odgovori najbolji. Strojevi, barem zasad, ne mogu savladati tržište, baš kao što to ne mogu ni ljudi. Oni su svakako brži i precizniji, ali u odlučivanju se ne odmiću previše od istih fundamen- talnih problema s kojima se suoče i ljudi – da se u nekom trenutku dogodi nešto nepredvidljivo. Stvar je utoliko zanimljiva jer se u ekonomiji uglavnom ponavljaju iste stvari, ali različitim intenzitetom i u različitim vremenskim rasponima (nekad se i ne dogodi ono što bi se trebalo dogoditi), a čak i kada je moguće uspostaviti načelne uzorke, za njih se ne može staviti ruku u vatru. Tržišta kapitala pogotovo su problematična jer se mijenjaju streljivo tijekom dana i robuju nekim ljudskim reakcijama koje algoritmi ne mogu obuhvatiti. Kako su ljudi dosad naučili, malo je toga nemoguće, pa ne treba isključiti da će strojno učenje ubuduće napredovati daleko više nego su ljudi spremni prihvatiti, ali to se, uza sve želje, nije dogodilo. Algoritmi griješe, kao i njihovi tvorci.