Większość z nas zapewne kiedyś słyszała o znajomym, sąsiedzie, kuzynie, który bardzo szybko wzbogacił się grając na giełdzie. Pewnie też wielu z nas słyszało o ludziach, którzy cały swój majątek stracili inwestując w ryzykowne aktywa. Rozwój Internetu sprawił, że przeciętny Kowalski może stać się traderem, a wpisując w wyszukiwarkę hasło jak grać na giełdzie znajdzie dziesiątki, jak nie setki poradników i wskazówek, które mają pomóc zarobić grube miliony. Czy Kowalski, wyposażony w komputer i algorytmy uczenia maszynowego może odkryć drogę do bogactwa? 

Hipoteza efektywności rynku zaproponowana przez Eugene Fama (University of Chicago Booth School of Business) stwierdza, że przeszłe informacje nie dają nadprzeciętnych zysków, czyli na podstawie informacji, które mają wszyscy nie da się pobić rynku: zarobić można dokładnie tyle, ile kupując przeciętny portfel rynkowy (np. indeks spółek). Na efektywnym rynku papiery wartościowe są wyceniane prawidłowo a ceny odzwierciedlają wszystkie dostępne informacje. Żadne, nawet najbardziej złożone rozumowanie wykorzystujące tylko dane historyczne nie pozwoli nam na systematyczne osiąganie stóp zwrotu większych niż przeciętna na rynku: może się trafić ślepej kurze ziarno, ale nie ma sposobu na znajdywanie za każdym razem więcej ziaren, niż inne kury.  

W ostatnim czasie, na magicznych stronach ze wskazówkami dla inwestorów, słowem-klucz stały się modele uczenia maszynowego i sztucznej inteligencji. Czy sztuczna inteligencja podważa naturalną inteligencję Eugene Famy, setek znanych ekonomistów po nim i Komitetu Noblowskiego?  

Teoria efektywnych rynków od strony matematycznej związana jest ze spełnieniem kilku założeń: wszyscy inwestorzy postępują racjonalnie, żaden z nich nie ma wpływu na zachowanie pozostałych i cen, informacje docierają do wszystkich uczestników rynku w tym samym czasie i są natychmiast wykorzystywane w strategiach inwestycyjnych. Nie szkodzi, gdy inwestorzy zgadzają się co do kierunku wpływu danej nowej informacji na przyszłe ceny akcji. Jak łatwo zauważyć, powyższe założenia nie są spełnione wszystkie i zawsze w codziennej praktyce giełdowej, ale niezgodność z założeniami nie oznacza, że rynki nie są efektywne. Samą efektywność testuje się sprawdzając, czy za pomocą jakieś reguły decyzyjnej, używając danych historycznych, uda się „pobić rynek”. Adam Szyszka (Szkoła Główna Handlowa) zbadał zachowanie GPW w Warszawie do 2000 roku i pokazał, że w pierwszych latach (z grubsza do końca 1994 roku), można było osiągać systematycznie zyski wyższe niż średnia, ale po 1994 roku standardowe modele prognostyczne przestały dawać takie możliwości. Wniosek ten potwierdzają wyniki badań Jana Czekaja, Mirosława Wosia i Janusza Żarnowskiego (Uniwersytet Ekonomiczny w Krakowie).  

Tyle, że na rynkach, poza modelami prognostycznymi, rządzą także emocje traderów i inwestorów. Pojawia się sporo anomalii podważających systematycznie hipotezę efektywności Famy. Do najpopularniejszych należą m.in. efekt stycznia (wyższe niż podpowiadają modele zwroty), efekt poniedziałku (niższe zwroty) czy efekt małych firm (wyższe niż modelowe zwroty). Inwestorzy indywidualni częściej kupują ryzykowne fundusze wiosną i bezpieczniejsze fundusze jesienią, co niekoniecznie jest związane z wynikami tych podmiotów. Powyższe efekty i inne podobne zjawiska pozwalają osiągać ponadprzeciętne zyski, mimo iż wszyscy uczestnicy rynku mają świadomość ich występowania. Ekonomiści behawioralni twierdzą, że te niedoskonałości rynków finansowych są wynikiem m.in. nadmiernej pewności siebie inwestorów, nadreaktywności uczestników rynku na napływające informacje, różnego rodzaju uprzedzeń, w tym stereotypów i niechęci do informacji, które podważają nasze przekonania. Herbert Simon, inny laureat ekonomicznego Nobla zaproponował pojęcie ograniczonej racjonalności: mózg każdego człowieka ma pewne ograniczenia poznawcze, czyli nie jest doskonały w przetwarzaniu nowych informacji. O ile efekt stycznia czy poniedziałku są wręcz książkowe, w różnych zakątkach rynków finansowych mogą występować podobne, lecz jeszcze nie rozpoznane dziwactwa wynikające z barier poznawczych ludzkich umysłów.  

Czy takie perełki wyłuska dla nas sztuczna inteligencja? Nie. W każdym razie nie systematycznie. Nowoczesne metody, w których komputer sam uczy się z danych nie zastąpią wielu lat studiowania statystyki i finansów, ani doświadczenia w transakcjach rynkowych. Z rosnącej lawinowo literatury, prognozy oparte o uczenie maszynowe dają wyniki … tak dobre jak tradycyjne modele. Ich zalety wynikają przede wszystkim z tego, że danych nie trzeba wcześniej przygotowywać (np. wyizolować wzorców sezonowości), więc mniej jest etapów, gdzie człowiek – zawodowy analityk czy domorosły trader – mogą się pomylić i niewłaściwie zinterpretować dane. Ponieważ sztuczna inteligencja uczy się wzorców z danych samodzielnie, zastępuje kolejne sekwencje czynności wykonywane wcześniej przez człowieka. Ale sztuczna inteligencja nie wymyśla niczego, czego nie umieją wymyślić naturalnie inteligentne tysiące traderów na całym świecie. Przynajmniej jak dotąd. Z perspektywy przeciętnego Kowalskiego, zamiast uczyć się co to sezonowość czy kointegracja, można nauczyć się o wadach i zaletach hybrydowych modeli sieci neuronowych czy o „przetrenowaniu”. A i z tą nauką, statystycznie, zarobić można mniej więcej tyle, ile kupując indeks. Zatem niezależnie od postępów w technologiach i coraz mądrzejszych komputerów, kanapowym inwestorom zostają zawsze dwie opcje: gra na giełdzie (która niewiele różni się od totka) dla własnej przyjemności, ale bez nadziei na wzbogacenie oraz najprostsze pod słońcem inwestowanie w indeks.  

GRAPE | Tłoczone z Danych – Dziennik Gazeta Prawna (22 lipca 2019)