в Алготрейдинг, Инвестирование, Финансы

Денежные машины: интервью с анонимным алгоритмическим трейдером

Источник: Money Machines. An Interview with an Anonymous Algorithmic Trader

В последние годы мы все больше слышим о роли алгоритмов в нашей жизни. Алгоритмы помогают решить, получат ли люди работу или займ, какие новости (фальшивые или нет) они потребляют, даже определяют сроки тюремного заключения.

Однако алгоритмы также перестраивают мир финансов, что влечет чрезвычайно важные последствия. В эпоху пронизанного финансами капитализма финансы играют мощную роль в глобальной организации богатства и труда, а это означает, что каждый почувствует на себе последствия трансформации отрасли.

Мы встретились с алгоритмическим трейдером, чтобы узнать больше о том, как алгоритмы переделывают отрасль и почему это имеет значение. Мы говорили о том, как на самом деле выглядят алгоритмические финансы, кто может оказаться победителем и проигравшим в новой золотой лихорадке больших данных и почему мы вступаем в эпоху иррационального кибернетического изобилия.

Давайте начнем с разговора о вашем бэкграунде. Как вы попали в финансы?

Меня всегда интересовала экономика, и у меня был количественный бэкграунд. Тот, кто преуспевает в учебе там, где я получал образование, в конечном итоге оказывается очень количественно ориентированным. После школы, когда я пытался найти профессию, которая была бы финансово интересной, но в то же время позволяла бы мне использовать то, что я изучал, я начал изучать финансовую индустрию. В итоге я устроился на работу в торговую площадку инвестиционного банка.

Большинство крупных банков имеют по крайней мере одну, обычно несколько, торговых площадок. Это реальная площадка, размером с футбольное поле, заполненная трейдерами, которые ведут бизнес с крупными инвесторами, желающими торговать акциями, облигациями, фьючерсами или брать займы. Банк зарабатывает деньги, получая комиссионные, или «маркет-мейкингом», выступая посредником между покупателями и продавцами, рискуя своими деньгами, пока ждет совпадения интересов обеих сторон.

Когда я думаю о торговой площадке, мне представляется толпа парней, кричащих в телефон в стиле Волка с Уолл-стрит.

Люди уже не особенно кричат в телефоны. С течением времени торговая площадка претерпела значительные изменения. Раньше речь шла скорее о том, чтобы реагировать на трансакционные потоки глобальных рынков. Все больше внимания уделяется операциям, которые обеспечивают этот поток, и интеллектуальной собственности, которая позволяет людям зарабатывать деньги на этом потоке.

Мне там понравилось. Торговая площадка по-прежнему является площадкой, где происходит существенная часть реального дизайна и торговых операций на мировых рынках. И это стимулирует. Если вы хотите использовать свои интеллектуальные мышцы, вы можете сделать это довольно быстро. Вы не просто сидите на деске где-то в стороне, или пытаетесь толкнуть корпоративным титанам некий случайный анализ, чтобы поддержать себя — что может быть больше похоже на игру в продажи и меньше на интеллектуальные упражнения.

В любом случае, со временем я перешел в ту часть финансового мира, что занимается инвестиционной стратегией. Я начал помогать крупным собственникам активов — таким как пенсионные фонды и фонды национального благосостояния — направлять свои деньги на систематические инвестиционные программы. Именно туда я переехал, потому что именно туда мигрировала большая часть финансового мира после финансового кризиса 2008 года, поскольку все поняли, что старые способы инвестирования не делали того, что от они хотели.

Портфели были слишком подвержены одним и тем же базовым рискам. В настоящее время технологии позволяют инвесторам лучше понять свои риски и получить более прямой контроль над своими инвестициями. Часть этого сдвига касалась отказа от принятия решений человеком, где они не воспринимались создающими какую-то добавленную стоимость.

Как выглядят эти новые способы инвестирования? Что такое «систематические инвестиционные программы» и как они вписываются в область алгоритмических финансов в целом?

Существует много способов использования алгоритмов в финансах, поэтому термин «алгоритмические финансы» используется более широко, чем следовало бы.

Есть, по крайней мере, два основных домена, в которых доминируют алгоритмы. Первый — то, что часто называют алгоритмическим трейдингом, фокусируется на микроструктуре рынка. Это программирование компьютеров для принятия мгновенных автоматизированных решений о том, как покупать и продавать акции. Вам стоит купить сразу целую кучу акций? Или вам следует разделить покупки на несколько этапов? Как более грамотно провести сделку? Алгоритмический трейдинг использует алгоритмы, чтобы помочь ответить на эти вопросы — и это огромная отрасль. Есть много хедж-фондов и традиционных инвестиционных банков, которые пытаются заработать там деньги.

Другая область, на которой я больше сосредоточен, иногда называется систематическим инвестированием, а иногда количественным инвестированием. Это также очень алгоритмическое инвестирование. Это предполагает использование алгоритмов для систематического распределения средств на основе данных.

Ранняя версия количественного инвестирования, начавшаяся примерно в 1950-х годах с рождения современной портфельной теории, была разработана с целью создания правил для накопления средств к выходу на пенсию. Эти правила должны были помочь людям решить, какую часть своих денег вкладывать в акции и какую часть вкладывать в облигации. Как только вы приняли такое решение, у вас есть правило, которое позволяет автоматически распределять деньги между акциями и облигациями с определенной частотой, без вмешательства человека и необходимости принимать качественные решения. Эта базовая структура была быстро адаптирована ко всем инвестиционным портфелям любого масштаба, от паевых инвестиционных фондов для индивидуальных инвесторов до решений о размещении активов, принимаемых крупнейшими фондами мира.

Затем люди взяли эту систему и применили ее ко все большему количеству базовых активов, с гораздо более высокой степенью детализации. Так что теперь вы не просто устанавливаете правила, которые определяют общее сочетание акций и облигаций в портфеле, а какие акции, какие облигации, какие товары, кукурузные фьючерсы и так далее. И правила, используемые для распределения активов, становятся гораздо более сложными.

Когда ты говоришь «устанавливаешь правила», о чем именно мы говорим?

Самые простые правила могут быть запущены в виде простой электронной таблицы. Например, классические пенсионные портфели выделяли 60% портфеля на акции с большой капитализацией и 40% — на облигации. Затем Современная Теория Портфеля теория начала распределять активы, учитывающие математически измеряемые риск и доходность. Вы проводите гигантскую оптимизацию, которая способствует диверсификации — акции всех классов активов вашего портфеля, чтобы максимизировать прибыль на единицу риска.

Эти правила не нуждались в дальнейшем человеческом вмешательстве, в том смысле, что они полностью определили портфель. Однако на практике инвестиции не были полностью основаны на правилах: инвесторы использовали результаты моделирования в качестве основы, а затем скорректировали их своими собственными решениями. Человеческое понимание могло бы способствовать дальнейшему улучшению структуры активов, причем различными способами. Инвесторы могут захотеть купить более дешевые акции, например, или «вовремя» купить акции, войдя или выйдя из рынка в нужное время. Или они могут захотеть найти новые активы, такие как сырьевые товары и ипотечные ценные бумаги, или улучшить оценку риска.

Однако в последнее время достижения в области вычислительной техники и финансовой инженерии значительно расширили спектр аналитических инструментов, которые могут быть использованы для инвестирования. Последние «правила» включают в себя разработку моделей машинного обучения, которые обучаются на больших объемах данных. Это могут быть данные из финансовой отчетности публично торгуемых компаний. Это могут быть макроэкономические данные. Это может быть ценовая история некоторых финансовых инструментов. Это также могут быть более эзотерические данные, такие как спутниковые снимки.

Приведите конкретный пример инвестиционного решения, основанного на модели машинного обучения?

Вы можете приобрести оценку «настроения», разработанный фирмой, которая отслеживает Twitter на постоянной основе, чтобы понять изменения настроения на рынке, или вокруг конкретной компании. Вы можете использовать эти данные для обучения вашей модели, которая затем сможет определить, покупать или продавать определенные акции. Обычно такие сигналы, как ухудшение настроения, распадаются довольно быстро, так что вам лучше иметь возможность совершить эту сделку быстро.

Насколько автоматизирован этот процесс? Речь идет о программном обеспечении, дающем рекомендации трейдерам или фактически выполняющем сами сделки?

Уровень надзора со стороны людей варьируется. Среди искушенных количественных инвесторов этот процесс достаточно автоматический. Модели исследуются и совершенствуются почти постоянно, но вы редко вмешиваетесь в торговые решения живой модели. Ряд хедж-фондов, паевых инвестиционных фондов и биржевых фондов (ETF) работают на автопилоте.

Напротив, более традиционные инвесторы используют модели для получения рекомендаций, а не для принятия автоматизированных торговых решений, поскольку маловероятно, что они смогут реализовать сложную торговую стратегию.

Одной из проблем, связанных с машинным обучением, является объяснимость. По мере усложнения модели может становиться все труднее, а то и невозможно объяснить результаты, которые она дает. Это стало предметом обеспокоенности, и общественный контроль над технологической отраслью усилился, потому что у вас есть алгоритмы принятия решений, которые влияют на жизнь людей самыми разными способами, а смысл этих решений остается абсолютно непрозрачным.

Когда финансовая отрасль подключает к модели кучу данных для принятия инвестиционного решения, насколько важна объяснимость результата?

Я думаю, что результат должен быть очень объяснимым. Но это не универсальное мнение. На самом деле, существует довольно большой разрыв между людьми, которые пришли к выводу, что объяснимость сдерживает прогресс в использовании этих методов, и людьми, которые придерживаются довольно своеобразного представления, что объяснимость важна.

Но в какой-то степени объяснимость уже была проблемой задолго до того, как мы начали использовать машинное обучение, потому что даже на традиционных моделях инвестирования висели некоторые из этих же проблем. Финансы не похожи на физику. У вас есть множество механизмов обратной связи, влияющих на то, как участники взаимодействуют с финансовыми рынками.

В качестве простого примера можно посмотреть на ценовые данные акций и сделать вывод, что поскольку акции выросли в прошлом месяце, то сегодня неплохо бы их купить. И если вы будете делать это систематически, вы можете рассчитывать на то, что заработаете немного денег. Но если все остальные приходят к такому же выводу, то акции могут быть перекуплены сегодня по причине движения за последний месяц. И если они перекуплены, можно ожидать потерю денег на них в течение следующего месяца.

Изучение исторических данных, чтобы понять, куда пойдут ваши инвестиции, бесполезно, если вы не думаете о механизме, с помощью которого они будут это делать. В приведенном мною примере, если бы у вас не было объяснения, почему акции движутся именно так, вы бы упустили тот факт, что базового механизма не существует или что он недостаточно надежен, чтобы выдержать воздействие целого ряда участников рынка, желающих воспользоваться преимуществами этого явления.

Так что объяснимость была проблемой уже давно. Все всегда ищут историю о том, почему они делают то, что делают. И многие из этих историй не особенно надежны.

Но разве недостаточно силен финансовой стимул, чтобы попытаться понять, почему вы делаете то, что делаете, будь то алгоритм или человек, выполняющий сделки? Ведь иначе, кажется, очень легко потерять много денег.

Конечно. Но рыночная структура инвестиций размывает этот стимул.

Люди, разрабатывающие самые сложные количественные методы, работают для хедж-фондов и инвестиционных банков. Для них есть два способа заработать деньги. Вы зарабатываете деньги, взимая комиссионные с активов, которыми управляете, и зарабатываете деньги на результатах деятельности фонда. Это разделение даст вам представление о том, почему происходит размывание стимула. Потому что даже если ваши активы работают плохо, вы все равно можете зарабатывать деньги на комиссионных, которые вы взимаете за управление этими активами.

Вознаграждение от этих выплат настолько велико, что если вы сможете рассказать историю о том, почему ваша техника превосходит все ожидания, вы сможете управлять активами в течение длительного времени и зарабатывать кучу денег без необходимости достижения хороших результатов. И, если честно, иногда требуется несколько лет, прежде чем вы узнаете, работает ли на самом деле количественный метод, который вы попробовали, или нет. Так что даже если вы не зарабатываете деньги в краткосрочной перспективе, у вас может быть разумная история о том, почему вы этого не делаете.

В конце концов, для менеджера так же важно собрать много активов, как и успешно реализовать стратегию. А сбор активов может быть в значительной степени маркетинговой игрой.

И вы играете в эту маркетинговую игру, рассказывая о своих алгоритмах и моделях машинного обучения, технологиях искусственного интеллекта и так далее.

Точно. Рассмотрим, в частности, хедж-фонды. Хедж-фонды — очень дорогая форма управления инвестициями. Поэтому они должны обосновать, почему им платят столько, сколько платят.

Существует большое количество данных, которые позволяют предположить, что средний хедж-фонд, после того как вы заплатили все комиссии, которые они взимают, не делает много для вас как для инвестора. Последние несколько лет, в частности, были не очень добры к индустрии хедж-фондов с точки зрения прибыли, которую они принесли. Таким образом, у хедж-фондов есть сильный стимул для дифференциации в своей маркетинговой истории. Первый маркетинговый вопрос для хедж-фонда всегда звучит так: «Почему вы не являетесь средним хедж-фондом?»

Инвесторы хотят знать, как хедж-фонд будет зарабатывать деньги, учитывая низкие показатели отрасли хедж-фондов в целом. В наши дни инвесторы в восторге от ориентации на технологии, работу с большими массивами данных, машинное обучение, искусственный интеллект. Эти инструменты дают надежду найти нетронутые возможности для извлечения доходности, в отличие от более старых стратегий, конкуренция в которых убила доходности, за которыми они гонялись. Независимо от того, действительно ли вы хорошо разбираетесь в технологиях в качестве хедж-фонда, вам лучше иметь историю о том, почему вы это можете делать.

Некоторые из самых известных менеджеров хедж-фондов последних десятилетий — Стив Коэн, Пол Тюдор Джонс — запускают завязанные на технологиях количественные инвестиционные фонды. Они нанимают физиков и компьютерщиков для написания алгоритмов инвестирования средств, потому что это то, чего хотят инвесторы. Вы наблюдаете массовую гонку вооружений между хедж-фондами для ребрендинга в этом направлении.

Это напоминает мне немного основателей стартапов, которые рекламируют себя венчурным капиталистам Силиконовой долины, заглядывая на их площадки с модными словами, связанными с искусственным интеллектом или какой-то другой горячей темой. Стартапы могут получить финансирование, но технология может работать, а может и не работать. То, что стартап называет искусственным интеллектом, может оказаться группой работников на Филиппинах, занимающихся ручным вводом данных.

В финансовой отрасли инвесторам нужны фирмы, использующие большие массивы данных, машинное обучение и искусственный интеллект, но действительно ли эти новые инструменты дают лучшие результаты?

Хороший вопрос. Лучший способ изучить его — поговорить о роли данных. Финансовая индустрия испытывает большой интерес к объему новых данных, которые становятся доступными. Подумайте о том, какие данные могут быть полезны для прогнозирования цены нефти в будущем. Это могут быть политические новости, публичные объявления регуляторов, спутниковые снимки нефтеперерабатывающих заводов для подсчета запасов нефти. Есть тонны различных видов данных — практически все, что можно представить.

Наряду с новыми формами данных, появляются и новые формы анализа данных. Ранние версии комплексного анализа данных включали изучение финансовой отчетности компаний, акции которых котируются на открытом рынке. Но теперь вы можете разбирать данные в этих высказываниях более интересными способами. Когда-то вас волновало, сколько долгов у компании или какова ее прибыль по отношению к цене, и вы могли бы сравнить эти цифры с показателями более широкого рынка. Но в конечном итоге вы были ограничены в своих возможностях по сбору и обработке этих данных.

Теперь вы можете более систематически анализировать переменные по тысячам акций. Вы также можете делать более экзотические вещи, например, использовать методы обработки естественного языка, чтобы выяснить, что говорит компания в своем заявлении, которое не отражается в ее цифрах. Как изменились комментарии по сравнению с предыдущими отчетами о прибылях и убытках? Каков тон слов, которые они используют для описания лежащего в основе бизнеса? Как этот тон можно сравнить со словами, используемыми конкурентами? Несмотря на то, что это те же самые данные, к которым вы имели доступ раньше, у вас больше вычислительной мощности и лучшие методики для понимания этих данных.

Проблема заключается в том, что не все эти источники данных и способы их анализа будут полезны для прогнозирования цен финансовых инструментов. Многие из новых наборов данных, таких как спутниковые снимки, как правило, довольно дороги. И они не могут добавлять никакой информации, более полезной, чем та, которая уже доступна участникам рынка из огромных потоков данных о ценах, компаниях, сотрудниках и так далее. Мы все еще находимся в фазе, когда пытаемся понять, что делать со всеми поступающими данными. И один из ответов может заключаться в том, что большинство из них просто не так уж и ценны.

Золотая лихорадка больших данных

Скажем так, она действительно оказывается ценной. Что дальше делает финансовая индустрия?

Все соревнуются друг с другом. Если одной фирме удастся сделать рынок более эффективным с помощью количественных методов, то другим останется меньше денег, чтобы получить исключительную отдачу от инвестиций. Будет одна-две фирмы, которые хорошо разбираются в инновациях и распознают вещи, которые другие не распознают. Но все остальные будут сражаться за остатки.

Одним из заблуждений, является предположение, что, поскольку люди, работающие в определенных фирмах, умны, они должны быть успешными. Но тот факт, что они понимают искусственный интеллект, машинное обучение или большие данные, несколько бесполезен как конкурентное преимущество, если все остальные тоже это понимают.

Таким образом, по мере того, как эти методы распространяются по всей отрасли в целом, они начинают становиться все менее дифференцированными. Как это влияет на занятость? Как вы считаете, как эти технологии влияют на количество занятых в финансовой отрасли людей или на уровень квалификации, требуемый для выполнения различных функций?

Еще до финансового кризиса были теоретические основания для подъема отрасли ипотечных ценных бумаг. Если вы можете диверсифицировать риск для инвестора, объединив несколько ипотечных кредитов вместе, то инвестор должен быть готов принять меньшую доходность, что, в свою очередь, должно снизить стоимость получения ипотеки для покупателей жилья. Это теория: когда финансовые рынки работают хорошо, выгоды должны распространяться на всю экономику. Очевидно, в 2008 году эта теория вышла из строя.

В области количественного инвестирования, та же самая теория подтверждается. Допустим, люди откладывают деньги на пенсию, инвестируя в акции и облигации. Эти активы им немного дешевле покупать, потому что на рынке есть всевозможные участники, которые борются за то, чтобы сделать рынок более эффективным, потому что для них есть для этого финансовый стимул.

Обратная сторона заключается в том, что вся финансовая индустрия также имеет стимул поощрять людей, которые не знают так много, как они, давать им деньги, чтобы делать все то, о чем обычные инвесторы не знают. «Дайте мне денег, чтобы я использовал технику машинного обучения для управления вашими деньгами, даже если эта техника не работает, потому что мне очень выгодно брать 2% от вашего фонда каждый год». Таким образом, стимул для повышения эффективности рынка уравновешивается с чрезмерным распространением финансовых услуг, не приносящих добавленной стоимости.

Каким механизмом это можно устранить? Есть осознание того, что индустрия в целом может получать зарплату, намного превышающую предоставляемую ею стоимость. Как это осознание фактически начинает переделывать отрасль и какую роль в этом процессе будут играть новые технологии?

Короткий ответ заключается в том, что тонны рабочих мест находятся на грани уничтожения, потому что технологии способны выполнять эту работу. Кроме того, существуют преимущества, связанные с масштабированием, поэтому вам может не понадобиться много фирм для замены тех, которые не выживают.

Возьмем индустрию паевых инвестиционных фондов. В США в ней работает более ста тысяч человек. И каждое из этих рабочих мест находится под угрозой из-за осознания того, что их экономическая ценность этих фондов может быть воспроизведена с помощью правильных компьютерных систем. На данный момент эти рабочие места поддерживаются инерционностью, или же они поддерживаются историей о том, почему тот или иной менеджер собирается заработать вам больше денег, чем индексный фонд. Но это меняется. Это изменение произойдет в течение следующих двух лет.

Возьмите больших инвестиционных менеджеров в Бостоне, таких как Fidelity и Putnam. Это старые, большие учреждения. Фактически все эти рабочие места находятся под угрозой, если они не эволюционируют быстро. И даже если это произойдет, автоматизация будет работать глубже. Хедж фонды, то же самое. Некоторые из них смогут извлечь выгоду из разработки новых технологий, но все остальные будут заменены компьютерами.

Вы уже видите большие перемены в инвестиционных банках. Несмотря на то, что инвестиционные банки продолжают оставаться очень большими по своему физическому присутствию, численности персонала и влиянию на экономику, фактические участники внутри банков несколько изменились. Он гораздо более автоматизирован. Многие из реальных операций внутри инвестиционного банка осуществляются с помощью компьютеров. Это не люди решают покупать акции Apple, это компьютеры решают покупать акции Apple. Так что сдвиг занятости уже начался.

Финансовые фирмы все чаще становятся технологическими фирмами. В компании JP Morgan Chase работает 50 000 технологов, две трети из которых являются инженерами-программистами. Это больше инженеров, чем многие крупные технологические фирмы: В Facebook, например, в общей сложности работает около 30 000 человек.

Вы работаете в финансах уже некоторое время, так что сами стали свидетелями этой трансформации. Как изменился приток технологов в отрасль?

Сама клубная природа традиционных финансовых фирм, таких как инвестиционные банки, была размыта. Теперь там гораздо больше гиков и ботанов. Определенные шутки больше не понимают. Футбольные разговоры были заменены разговорами о ресторанах и других основных культурных ценностях яппи.

Культура немного успокоилась. Она стала меньше заряжена адреналином. Здесь не так громко. Ценность обеспечивается не тем, кто кричит в телефон, а тем, кто сидит за компьютером, пишет правильный алгоритм, кому нужна вдумчивость, чтобы выполнить эту работу. Старая модель заключалась в том, чтобы направлять транзакционный поток чистой энергией. Новая модель предусматривает управление транзакционным потоком через компьютеры.

Так что меньше Волка с Уолл-стрит и больше Социальной сети.

Абсолютно. Но напряженность все еще нарастает. Например, до сих пор существует большое несоответствие между тем, как HR-подразделения нанимают сотрудников, особенно в крупных компаниях, и теми кандидатами, которые действительно необходимы. Таким образом, вы видите развитие совершенно альтернативных путей найма в крупных фирмах. Традиционный подход к найму персонала просто не дает вам достаточно хороших данных о кандидатах-квантах.

Возвращаясь к вопросу занятости: ты сказал, что ожидаешь, что одним из самых больших последствий внедрения этих технологий станет сокращение численности занятых в финансовой отрасли. Оказывает ли это влияние и на общий размер отрасли? С одной стороны, кажется, что многие рабочие места можно было бы ликвидировать. С другой стороны, представляется также возможным, что очень большой размер финансового сектора по сравнению с остальной экономикой может быть даже усилен за счет этих технологий.

Я думаю, ты прав.

Есть противоречие, встроенное в управление деньгами с помощью количественных методов. Допустим, вы хедж-фонд, и вам платят много за продвинутую технику. Чтобы продемонстрировать клиенту, что ваша техника действительно приносит прибыль и делает это воспроизводимым и устойчивым образом, вам нужно быть немного открытым в разговоре о том, почему эта техника работает. Вероятно, вам придется говорить о самом алгоритме. Но, конечно, как только вы описали алгоритм, зачем инвестору платить управляющему за это? Это просто строчки кода. Разработав его, вы можете запустить его по предельным затратам, близким к нулю.

Те менеджеры, которым удалось собрать деньги для своих количественных фондов, возможно, проделали работу по просвещению инвесторов о том, почему люди не должны платить столько денег, чтобы инвестировать с помощью этих технологий. В результате вознаграждение быстро падает.

В настоящее время наибольший рост инвестиционных фондов наблюдается в таких организациях, как BlackRock или Vanguard. Эти фирмы запускают ряд фондов, которые используют алгоритмы инвестирования, но взимают очень низкие комиссии. Таким образом, они конкурируют с хедж-фондами, которым приходится снижать собственные комиссии в ответ на это. Но BlackRock и Vanguard также конкурируют друг с другом, потому что они объясняют рынку, почему их собственные предыдущие продукты были слишком дорогими.

Если оценивать их масштаб по количеству активов под управлением, то эти предприятия росли взрывными темпами. На данный момент BlackRock управляет триллионами долларов. Но фактический доход, который он получает от своих активов, растет не так быстро. Таким образом, вы видите обе силы в игре: расширение фондов, управляемых количественным образом, а также трудности в поддержании прибыльности этих активов, поскольку все больше клиентов осознают фактическую стоимость и ценность управления этими активами с помощью количественных методов. Несмотря на возможное расширение зоны применения, рентабельность, вероятно, начнет снижаться до уровня, соответствующего созданной стоимости.

Создает ли это тенденцию к большей консолидации? Поскольку доходы, которые фирмы могут выжать из активов, которыми они управляют, снижаются из-за влияния количественных методов, вероятно, существует стимул для управления все большим количеством активов.

Это, в общем-то, то, что мы видим. В новом мире существует множество преимуществ масштабирования. BlackRock может взимать 0,01% за управление фондом, потому что за ним стоят 6 триллионов долларов. Меньшая фирма не может конкурировать с 0,01%. Теперь Fidelity предлагает фонд, который даже не взимает плату. И причина, по которой они могут это сделать, заключается в том, что они имеют невероятный масштаб по всей остальной платформе, и если вы являетесь клиентом, вы можете купить что-то еще где-нибудь на платформе.

Таким образом, консолидация является решением проблемы низких предельных затрат на эти продукты. Как только алгоритм становится известен, начинается гонка, чтобы выяснить, как низко вы можете пойти. И насколько низко вы можете опуститься, это функция того, насколько вы справляетесь.

Иррациональное кибернетическое изобилие

Какие новые виды уязвимости внедряются в финансовую систему с помощью этих методов? Какую роль они будут играть в следующем финансовом кризисе?

То, как ипотечные ценные бумаги ускорили финансовый кризис, в значительной степени применимо в данном случае. Одним из заблуждений является предположение о том, что в будущем мир будет вести себя так же, как в прошлом. Например, цены на жилье будут постоянно расти.

Эта ошибочность усиливается в случае количественного инвестирования, поскольку все количественные модели используют исторические данные для самообучения. По мере распространения этих методов предположение о том, что в будущем мир будет вести себя так, как в прошлом, становится все более распространенным в рамках всей финансовой системы.

Еще одним заблуждением в преддверии финансового кризиса было предположение, что финансовые рынки настолько эффективны, что участникам не нужно было делать основную работу, чтобы понять, что на самом деле представляют собой ценные бумаги. Потому что вы можете положиться на рынок для эффективного включения всей доступной информации об облигациях. Все, о чем вам нужно подумать, это цена, по которой кто-то другой готов купить его у вас или продать вам.

Конечно, если так считают все участники, то цена начинает становиться произвольной. Она начинает отделяться от любого анализа того, что представляет собой эта облигация. Если новые формы количественной торговли основываются на допущениях рыночной эффективности — если они предполагают, что цена инструмента уже отражает всю информацию и анализ, которые вы могли бы сделать, — то они уязвимы в случае, если это предположение окажется ложным.

Uber стоит 60 миллиардов долларов? Ну, Uber стоит 60 миллиардов долларов, потому что мы считаем, что кто-то готов заплатить за него 60 миллиардов долларов. Но, возможно, Uber ничего не стоит. Может быть, в этом и заключается реальная стоимость доходов, которые Uber будет получать в будущем. В текущих условиях мы полагаемся на ликвидность, поддерживающую цены на финансовые активы. Однако, когда ликвидность иссякает и вы вынуждены полагаться на то, что представляют собой эти финансовые активы, вы можете увидеть болезненные потрясения, если существует большое несоответствие между ценой и реальностью — такие потрясения вы видели во время финансового кризиса.

Если раньше люди не хотели проводить анализ, то теперь они, вероятно, еще менее склонны делать это. Они думают, что модели машинного обучения позаботятся об этом.

Точно. Машины заботятся об этом. Или другие участники рынка заботятся об этом.

Можно подумать, что акция той или иной компании стоит 20 долларов. Но цена может вырасти до 100 долларов до того, как упадет до 20, и в этом случае я не смогу держаться за свою оценку его фактической стоимости. Так что если все компьютеры поднимают цену до 100 долларов, то я не буду пытаться выяснить, сколько на самом деле стоит компания, потому что это не имеет никакого отношения к цене, по которой она торгуется. Словами Кейнса, «Рынки могут оставаться иррациональными дольше, чем вы можете оставаться платежеспособными.»

Похоже, что алгоритмы могут сделать эту иррациональность еще хуже.

Если базовые компьютерные модели менее чувствительны к фундаментальным показателям, они могут создавать очень большие искажения в ценах финансовых активов. Для этого, конечно, не нужны компьютеры. Вы можете заставить ФРС сделать много наличных денег доступными для всех, наличные, которые должны куда-то идти, и активы подорожают в ответ. Компьютеры могут сделать что-то подобное. Они могут предположить, что цены будут вести себя так, как им скажут их модели, и поэтому доведут цены до такой степени, что они будут крайне далеки от того, что эти цены должны представлять.

5 февраля 2018 года фондовый рынок упал со скалы. Промышленный индекс Доу упали почти на 1600 пунктов, что является самым худшим показателем падения внутридневного периода в истории. После этого было много дискуссий о роли компьютеризированной торговли в провокации инцидента. Это предвидение грядущего мира? Должны ли мы ожидать большего в будущем?

Несомненно, существуют формы нестабильности, которые были введены алгоритмической торговлей, которые будут возрастать по мере того, как мы будем все больше и больше верить в эти алгоритмы. Поучительной был инцидент, произошедший в феврале 2018 года. Виновником стал несколько эзотерический биржевой продукт, внутри которого присутствует механизм ребалансировки. И этот механизм балансировки в конечном итоге разрушил продукт в один конкретный день, когда рынок двинулся чуть дальше за границы диапазона, на который продукт был рассчитан. Продукт был вынужден торговать большим количеством инструментов в ответ на этот шаг. Но затем эти сделки усилили небольшой шаг, и сделали его большим шагом, который потребовал еще больше ребалансировки, и все вышло из-под контроля.

А каково влияние более алгоритмизированной финансовой системы на розничных инвесторов? Мы в основном говорили о крупных институциональных инвесторах, что имеет смысл, потому что именно там находятся деньги. Но как эти инструменты попадают к обычному инвестору, у которого, возможно, есть небольшой пенсионный фонд?

У вас уже есть робот-консультанты, которые используют алгоритмы управления активами для розничных инвесторов. Вероятно, через несколько лет вы сможете на своем брокерском счету запустить сложный алгоритм институционального уровня.

Люди склонны считать, что распространение этих технологий — это хорошо. Я более амбивалентен. Я думаю, что было бы большой ошибкой играть с алгоритмами в обществе в целом. Некоторым людям, которые очень хорошо в этом разбираются, может быть полезно иметь доступ к этому расширенному набору инструментов. Но в конечном итоге большинство людей будут платить слишком много или принимать неправильные решения, потому что им предоставляется доступ к технологии, которую они не готовы применять с какой-то пользой. Они могут потерять деньги.

Заглядывая в будущее, что еще вы видите на горизонте, когда финансы становятся более алгоритмическими?

Мы говорили о том, в какой степени крупные финансовые фирмы становятся технологическими фирмами. Но я ожидаю, что этот процесс начнет ускоряться в другом направлении: крупные технологические фирмы станут финансовыми.

Если вы являетесь технологической фирмой, почему вы считаете, что традиционная финансовая фирма лучше разбирается в технологиях, чем технологическая фирма? Если мы говорим об использовании больших массивов данных и машинном обучении, то технические фирмы уже давно этим занимаются. Они лучше всех разбираются в структуре, организации и обработке данных, чем кто-либо другой. Они также новее, так что, вероятно, они начали с лучшей внутренней архитектуры.

В Китае это уже происходит. Крупные китайские технологические фирмы, такие как Alibaba, находятся гораздо дальше по интеграции в финансовую индустрию, чем их аналоги в США. Они делают платежи, вкладывают деньги и займы. Структура регулирования является более либеральной. Учитывая ожидаемый рост финансовых услуг там, это, скорее всего, будет более привлекательным для инвестиций, чем крупные технологические компании в США. Укоренившимся участникам, возможно, будет труднее сместиться сюда.

Что есть у финансовых фирм так это большая клиентская база, которая может быть липкой. Они также обладают уникальными знаниями — потребительскими, экономическими, регуляторными — со своего места в экономике. Но у Google и Facebook есть масса информации, которую они могут использовать для тех же целей — в смысле, трудно конкурировать с огромным количеством данных, которыми обладают технологические фирмы, или с масштабами их интеграции в жизнь людей. Розничные инвесторы должны куда-то вкладывать свои деньги. В настоящее время они вкладывают деньги в традиционные финансовые фирмы. Но нет причин, по которым Google и Facebook не должны принимать депозиты, облегчать платежи, выдавать кредиты, управлять активами, управлять количественными инвестиционными фондами.

Все, что я описал вам в области количественного инвестирования, я бы сказал, что эти компании могли бы сделать очень быстро. Данные, анализ, алгоритмы, инфраструктура. Вопрос только в том, почему они этого еще не сделали.