Apeas
[ad_1]
Albert Einstein avait raison s’il disait réellement: «» La citation résume la frustration de chaque jeune analyste ambitieux. La leçon? Les cheveux gris vont prévaloir. Rien ne peut remplacer l'expérience dans le secteur des placements. Droite? Eh bien, peut-être plus maintenant.
Une nouvelle technologie pourrait être sur le point de donner une réduction de salaire aux cheveux gris. C’est l’un des thèmes les plus chauds de la recherche sur l’intelligence artificielle et il est connu sous le nom d’apprentissage continu (CL). CL permet aux machines d’accumuler des connaissances au fil du temps et d’apprendre ensuite à les appliquer pour prendre de meilleures décisions dans le futur. Cela pourrait s’avérer être la technologie la plus perturbatrice pour la gestion des investissements.
Mais comment cette nouvelle technologie se compare-t-elle à l'ancienne? Est-il suffisamment mature pour être utilisé dans un processus d'investissement actif? Et qui est derrière l'innovation?
Souvenirs biaisés
Les analystes humains et les quants traditionnels – oui, les quants – souffrent de nombreux préjugés comportementaux. Les plus fondamentaux sont peut-être ceux qui affectent nos propres connaissances: Quoi connaissances à accumuler et Comment d'utiliser ces connaissances pour mieux guider les décisions d'investissement futures. Jugement, en d'autres termes. Comme le notent le mentaliste, l’illusionniste et l’écrivain anglais: «Nous sommes, chacun de nous, un produit d’histoires que nous nous racontons (…) Nous permettant d’arranger la réalité complexe en un paquet ordonné. décisions, que la «parcelle ordonnée» soit basée sur la subjectivité d’Eugene Fama et de Kenneth French et aboutisse à un autre modèle factoriel hautement stylisé ou comporte un récit d’investissement déformé par le «groupthink» d’une réunion de comité d’investissement.
Il doit exister une approche plus objective de la constitution de connaissances persistantes à appliquer lorsque le passé rime avec le présent. AI pourrait maintenant offrir une solution.
Stock Picker: homme ou machine?
Les recherches récentes sur l'IA remettent en cause la primauté du plus important bassin de connaissances dans le secteur des investissements: l'expérience humaine. Ce domaine de recherche sur l'IA, CL, accumule objectivement des connaissances en investissement, peut-être mieux que les humains. Des connaissances synthétiques persistantes pourraient ainsi survivre plus longtemps que les sociétés ou constituer un corpus d'expérience objective pour tous, perturbant ainsi les activités des gestionnaires de placements passifs et actifs traditionnels. Nous entrerons dans les détails de la LC, mais d’abord, il est utile de montrer comment une stratégie d’investissement en IA bien conçue devrait fonctionner dans la pratique.
Toutes les méthodologies d'investissement fondamentales doivent aborder chaque décision d'investissement sous différents angles, s'adapter et évoluer à mesure que les réalités évoluent avec le temps, et fournir des explications compréhensibles pour chaque décision. Les stratégies de placement fondamentales traditionnelles (c.-à-d. Axées sur l’analyste humain) et axées sur l’IA doivent répondre à ces critères. Mais peut-être que les principaux avantages que l'IA devrait avoir par rapport aux méthodes fondamentales traditionnelles sont l'objectivité et la cohérence. Le graphique ci-dessous illustre les domaines dans lesquels les stratégies d'investissement axées sur l'IA devraient dépasser leurs homologues d'investissement traditionnels (en bleu). CL étend maintenant ces avantages à l'accumulation objective et à l'utilisation de la connaissance elle-même.
Quel type d'intelligence artificielle (IA) ou humaine?
La technologie des années 1990 avance
Bien que les gestionnaires de placements expérimentés puissent avoir des souvenirs subjectifs d'événements passés, le meilleur d'entre eux les surmonte grâce à la discipline et à l'application savante de ces connaissances – c'est-à-dire d'un bon jugement. Cependant, les stratégies quantitatives, qui reposent presque toutes sur des modèles de facteurs d’équité, ont tendance à souffrir du pire. Ces modèles quantitatifs n’ont pas de mémoire explicite et ceux qui les déploient échappent souvent à la causalité exogène en raison de leurs propres biais de confirmation. Dès qu'un événement de marché quitte la fenêtre coulissante utilisée pour entraîner l'un de ces modèles, il est oublié pour toujours. Si nous n'avons rien à apprendre des crises passées et des occasions manquées, nous devrions nous en tenir aux solutions traditionnelles à facteurs quantitatifs des années 90. Mais cela n’a guère de sens dans un monde de données beaucoup plus nombreuses et de meilleure qualité où l’intelligence artificielle offre un moyen potentiel d’analyser ces données pour en tirer des conclusions objectives.
2019: l'apprentissage automatique tout au long de la vie sur les marchés
Alors, comment fonctionne le CL?
En décembre, les meilleurs chercheurs en intelligence artificielle ont présenté des innovations de pointe, et la demande de financement de CL en était un élément important. Dans le passé, les chercheurs ont généralement exploré des méthodes théoriques de construction de connaissances synthétiques. Cette année, notre équipe de City, University of London, composée de et de moi-même, avons présenté un système permettant aux machines d’exercer un jugement synthétique en acquérant des connaissances puis en les appliquant pour orienter les décisions d’investissement. C'est ce qu'on appelle et c'est une nouvelle méthodologie sur le terrain et la première application aux marchés financiers. Le membre senior de l'équipe et chercheur en intelligence artificielle, d'Avila Garcez, a commenté: «La CL a été partiellement réalisée dans des environnements plus stériles, mais nous pensons que c'est la première fois qu'elle est appliquée avec succès à la réalité bruyante et non stationnaire. monde de la série chronologique financière. "
Le système gère les connaissances synthétiques en apprenant quels événements valent la peine d'être rappelés (ou ignorés) et lesquels sont moins utiles et mieux oubliés. Dans le même temps, ces connaissances sont rappelées de manière sélective pour améliorer les décisions de sélection d’actions dans le présent. L'architecture de ce système est simplifiée dans l'illustration ci-dessous.
Apprendre à se souvenir: savoir artificiel
Les mémoires sont lisibles par l'homme (pas les boîtes noires) et ont tendance à s'appliquer à des événements financiers importants. La dernière décennie ou plus de l'histoire financière a été rejouée et le système CLA a formé de nombreux souvenirs importants. Les plus intéressants ont été ceux qui ont précédé la crise des subprimes, le «tremblement de terre», l'ère de l'assouplissement quantitatif (QE) et la (première) crise de la zone euro. Les modèles qui semblaient identifier le mieux les bons (et les mauvais) investissements au cours de ces périodes étaient stockés comme des souvenirs pouvant être rappelés lorsque les événements actuels semblaient faire écho aux événements passés. Par exemple, l'approche a rappelé la reprise induite par le QE en 2009 et a identifié cette connaissance comme la plus pertinente à appliquer dans les décisions de sélection d'actions lors d'un autre rallye des marchés boursiers en Chine en 2017.
Apprentissage continu: une histoire courte et intense
D'où viennent ces idées?
L'accumulation de connaissances est vitale pour l'intelligence générale et constitue un axe nouveau et majeur de la recherche avancée en matière d'IA dans le but ultime de permettre un apprentissage tout au long de la vie. CL diffère de l'apprentissage en profondeur et d'autres formes d'IA, qui tendent à se concentrer sur des instantanés isolés d'informations – par exemple, l'identification de visages sur Facebook. CL peut être dirigé vers un flux continu d'informations dont il extrait les connaissances au fil du temps. Généralement, dans l'apprentissage automatique, une fois que le temps est écoulé et qu'un nouveau modèle est appris, l'ancien modèle est oublié. Profond l'apprentissage peut être, mais intelligent, il ne l'est pas.
Selon le pionnier de la CL, les recherches sur la CL ont débuté dans les années 1980 dans le but de construire des machines à accumulation de connaissances. À la fin des années 90, des approches «gated», telles que la longue mémoire à court terme (LSTM), ont été introduites pour apprendre des séquences – des mots dans un passage de texte, par exemple.
Après la renaissance de l'informatique neuronale au cours des dernières années de la dernière décennie, le développement de solutions peu pratiques mais sophistiquées a constitué un grand pas en avant. Conçu par Alex Graves et son équipe, DNC a surmonté le «oubli catastrophique» qui minait les méthodes plus simples. Cependant, DNC présentait des inconvénients: il s’agissait principalement de problèmes d’animaux domestiques, comme apprendre à naviguer dans le métro de Londres, par exemple, ainsi que de tâches d’apprentissage automatique plus complexes mais stylisées. DNC était trop lourd pour être facilement appliqué. Les chercheurs ont donc cherché à l'affiner ou à chercher des solutions plus simples, certaines avec des impératifs neurologiques.
Par exemple, un moyen de former synthétiquement des mémoires à long terme consiste à consolider un poids élastique (EWC). Le CEE tente de reproduire l'hypothèse de plasticité des connexions synaptiques dans le cerveau des mammifères. Une analogie est la façon dont un enfant apprend à faire du vélo: bancal au début, mais à mesure que les compétences se développent avec la pratique, les voies neuronales sont lentement gravées dans le cerveau. Une fois acquise, cette connaissance est difficile à oublier et peut être enrichie si l’enfant passe au vélo de montagne, par exemple transféré s'ils optent pour un monocycle. Simuler cet effet avec la technologie s'est avéré difficile. Heureusement, les applications financières offrent une approche beaucoup plus simple (et plus parcimonieuse). Ce qui nous amène à l'état actuel de la science. Aujourd'hui, les progrès de la CL sont tels que la recherche doit être vérifiée chaque semaine pour se tenir au courant des développements.
AI arrive à maturité
Construire des connaissances en matière d'investissement au fil du temps était une capacité exclusivement humaine. Plus maintenant. Bien que nous soyons encore très loin d'une singularité d'intelligence artificielle générale, l'intelligence artificielle, moteur d'investissements fondamentaux, a atteint sa maturité. En 2019, peu de secteurs sont plus portés à la perturbation que la gestion d’investissements en actions. Les modèles quantitatifs à facteurs factoriels encombrés des années 1990 sont toujours demandés, tandis que l’explosion récente de données de haute qualité, associée à la technologie permettant de la comprendre, ouvre les panoramas. Les choses évoluent rapidement et la prochaine génération de professionnels de la technologie qui se lancent dans la finance est sur le point de remplacer les cheveux gris et dépassés. Einstein a peut-être eu raison de supposer qu'il assimilait la connaissance à l'expérience. Mais at-il anticipé que ses commentaires s’appliqueraient aux machines du futur? Le futur c'est maintenant.
Si vous avez aimé cet article, n'oubliez pas de vous abonner à la Investisseur entreprenant.
Les opinions exprimées étaient à jour à la date indiquée, sont sujettes à modification et peuvent ne pas refléter les vues actuelles.
Les opinions ne doivent pas être considérées comme une recommandation d'acheter, de détenir ou de vendre un titre, ni comme un conseil de recherche ou d'investissement.
Les informations ont été obtenues de sources que nous estimons fiables, mais leur exactitude n’est pas garantie et elles peuvent être incomplètes ou condensées. Toutes les informations sont sujettes à modification sans préavis. Aucune représentation n’est faite selon laquelle un compte générera ou est susceptible de générer des profits ou des pertes similaires à ceux présentés.
Ce document peut inclure des déclarations prospectives. Toutes les déclarations autres que les déclarations de faits historiques sont des déclarations prospectives (y compris des termes tels que «croire», «estimer», «anticiper», «peut», «sera», «devrait», «devrait»). Bien que nous estimions que les attentes reflétées dans ces déclarations prospectives sont raisonnables, nous ne pouvons garantir que celles-ci se révéleront exactes. Divers facteurs peuvent faire en sorte que les résultats ou les performances réels diffèrent sensiblement de ceux reflétés dans ces déclarations prospectives.
Le présent document introductif est fourni à titre informatif uniquement et ne constitue en aucun cas une offre ou une sollicitation à l’égard de valeurs mobilières. Toute offre de valeurs mobilières ne peut être faite que par le biais de documents d'offre écrits, qui sont disponibles uniquement sur demande, sur une base exclusivement privée et uniquement à des investisseurs qualifiés sur le plan financier.
Ni MSCI ni aucune autre partie impliquée ou liée à la compilation, au calcul ou à la création des données MSCI ne donne de garantie expresse ou implicite concernant ces données (ou les résultats devant être obtenus avec leur utilisation), et toutes ces parties par la présente nie expressément toute garantie d'originalité, d'exactitude, d'exhaustivité, de qualité marchande ou d'adéquation à un usage particulier de ces données. Sans limiter ce qui précède, MSCI, ses sociétés affiliées ou des tiers associés à la compilation, au calcul ou à la création des données ne peuvent en aucun cas être tenus responsables des dommages directs, indirects, spéciaux, punitifs, consécutifs ou autres. dommages-intérêts (y compris le manque à gagner) même s’ils sont informés de la possibilité de tels dommages. Aucune autre distribution des données MSCI n’est autorisée sans le consentement écrit exprès de MSCI.
Les expositions graphiques présentées dans ce document sont la propriété exclusive de Rothko Investment Strategies, qui en est la propriété intellectuelle.
Rothko Investment Strategies est un nom commercial de Mondrian Investment Partners Limited. Mondrian Investment Partners Limited est agréée et réglementée par la Financial Conduct Authority.
Tous les messages sont l'opinion de l'auteur. En tant que tels, ils ne doivent pas être interprétés comme un conseil en investissement, et les opinions exprimées ne reflètent pas nécessairement les vues du CFA Institute ou de l’employeur de l’auteur.
Gracieuseté de la.
