Albert Einstein hatte Recht, wenn er tatsächlich sagte: „Die einzige Quelle des Wissens ist Erfahrung.“ Das Zitat fasst die Frustration jedes ehrgeizigen jungen Analysten zusammen. Der Unterricht? Graues Haar wird sich durchsetzen. Es gibt einfach keinen Ersatz für Erfahrung im Investmentgeschäft. Recht? Na ja, vielleicht nicht mehr.

Eine neue Technologie könnte grauen Haaren eine Lohnkürzung ermöglichen. Es ist einer der heißesten Fäden der Forschung im Bereich der künstlichen Intelligenz (KI) und wird als kontinuierliches Lernen (CL) bezeichnet. Mit CL können Maschinen im Laufe der Zeit Wissen ansammeln und dann lernen, wie sie dieses Wissen anwenden können, um in Zukunft bessere Entscheidungen zu treffen. Es könnte sich als die störendste Technologie für das Investment Management herausstellen.

Aber wie ist diese neue Technologie mit der alten zu vergleichen? Ist es ausgereift genug, um es in einem Live-Anlageprozess zu verwenden? Und wer steckt hinter der Innovation?

Voreingenommene Erinnerungen

Menschliche Analytiker und traditionelle Quants – ja, Quants – leiden unter vielen Verhaltensverzerrungen. Die vielleicht grundlegendsten sind diejenigen, die unser eigenes Wissen beeinflussen: Welches Wissen muss angesammelt werden und wie kann dieses Wissen verwendet werden, um zukünftige Anlageentscheidungen am besten zu steuern? Mit anderen Worten: Urteil. Der englische Mentalist, Illusionist und Schriftsteller Derren Brown bemerkte: „Wir sind alle ein Produkt von Geschichten, die wir uns selbst erzählen [ . . . ] So können wir die komplizierte Realität zu einem ordentlichen Paket zusammenfassen. “ Unsere eigenen Geschichten bestimmen subjektiv unsere Anlageentscheidungen, ob das „ordentliche Paket“ auf der Subjektivität von Eugene Fama und Kenneth French basiert und zu einem anderen stark stilisierten Faktormodell führt oder eine Anlageerzählung enthält, die durch das „Groupthink“ einer Sitzung des Investitionsausschusses verzerrt wird .

Es muss einen objektiveren Ansatz geben, um beständiges Wissen aufzubauen, das angewendet werden kann, wenn sich die Vergangenheit mit der Gegenwart reimt. AI könnte jetzt eine Lösung anbieten.

Stock Picker: Mensch oder Maschine?

Jüngste KI-Forschungen stellen den Vorrang des wichtigsten Wissenspools im Investmentgeschäft in Frage: die menschliche Erfahrung. Dieser KI-Forschungsbereich, CL, sammelt objektiv Investmentwissen, vielleicht besser als Menschen. Anhaltendes synthetisches Wissen könnte somit die Unternehmensnachfolge überdauern oder eine objektive Erfahrung für alle bieten und damit das Geschäft traditioneller passiver und aktiver Anlageverwalter gleichermaßen stören. Wir werden auf die Details von CL eingehen, aber zunächst ist es hilfreich zu demonstrieren, wie eine gut durchdachte KI-Anlagestrategie in der Praxis funktionieren sollte.

Alle grundlegenden Anlagemethoden sollten sich jeder Anlageentscheidung aus mehreren Perspektiven nähern, sich anpassen und weiterentwickeln, wenn sich die Realität im Laufe der Zeit ändert, und verständliche Erklärungen für jede Entscheidung liefern. Sowohl traditionelle (d. H. Von menschlichen Analysten gesteuerte) als auch von KI gesteuerte fundamentale Anlagestrategien sollten diese Kriterien erfüllen. Aber vielleicht sind die Hauptvorteile, die KI gegenüber herkömmlichen grundlegenden Methoden haben sollte, Objektivität und Konsistenz. Die folgende Grafik zeigt, wo AI-gesteuerte Anlagestrategien ihre traditionellen fundamentalen Anlageangebote übertreffen sollten (in blau). CL erweitert diese Vorteile nun auf die objektive Anhäufung und Nutzung von Wissen selbst.

Welche Art von grundlegender, künstlicher Intelligenz (KI) oder menschlichem?

1990er Tech Plods On

Während erfahrene Anlageverwalter möglicherweise subjektive Erinnerungen an vergangene Ereignisse haben, überwinden die allerbesten diese durch Disziplin und die erlernte Anwendung dieses Wissens – das heißt ein gutes Urteilsvermögen. Quant-Strategien, die fast alle auf Aktienfaktormodellen beruhen, leiden jedoch tendenziell unter der schlimmsten aller Welten. Diese quantitativen Modelle haben kein explizites Gedächtnis, und diejenigen, die sie einsetzen, lehnen häufig exogene Ursachen aufgrund ihrer eigenen Bestätigungsverzerrungen ab. Sobald ein Marktereignis das Schiebefenster verlässt, mit dem eines dieser Modelle trainiert wurde, ist es für immer vergessen. Wenn wir aus vergangenen Krisen und verpassten Chancen nichts lernen können, sollten wir uns an die traditionellen Faktor-Quant-Lösungen der neunziger Jahre halten. Dies ist jedoch in einer Welt mit weitaus mehr und besseren Daten, in der KI ein potenzielles Mittel zur Analyse dieser Daten auf objektive Schlussfolgerungen bietet, kaum sinnvoll.

2019: Lebenslanges maschinelles Lernen auf den Märkten

Wie funktioniert CL?

Auf der Konferenz über neuronale Informationsverarbeitungssysteme (NeurIPS) im Dezember stellten führende KI-Forscher die neuesten Innovationen vor, und der Antrag von CL auf Finanzierung war ein wichtiger Teil davon. In der Vergangenheit haben Wissenschaftler allgemein theoretische Methoden zum Aufbau synthetischen Wissens untersucht. In diesem Jahr stellte unser Team von City, University of London, bestehend aus Tillman Weyde, Artur d’Avila Garcez, Roy Batchelor und mir, ein System vor, mit dem Maschinen synthetisches Urteilsvermögen ausüben können, indem sie Wissen erwerben und es dann als Leitfaden für Investitionsentscheidungen verwenden . Es wird als Continuous Learning Augmentation (CLA) bezeichnet und ist eine neue Methodik auf diesem Gebiet und die erste Anwendung auf den Finanzmärkten. Ein hochrangiges Mitglied des Teams und führender KI-Forscher, d’Avila Garcez, kommentierte: „CL wurde teilweise in sterileren Umgebungen erreicht, aber wir glauben, dass dies das erste Mal ist, dass es erfolgreich auf den lauten, instationären Real angewendet wurde Welt der finanziellen Zeitreihen. “

Das System verwaltet synthetisches Wissen, indem es lernt, welche Ereignisse es wert sind, in Erinnerung zu bleiben (oder zu ignorieren) und welche weniger nützlich sind und am besten vergessen werden. Gleichzeitig wird dieses Wissen selektiv zurückgerufen, um die Auswahlentscheidungen in der Gegenwart zu verbessern. Die Architektur dieses Systems wird in der folgenden Abbildung vereinfacht.

Lernen, sich zu erinnern: Künstliches Wissen

Die Erinnerungen sind für Menschen lesbar (keine Black Boxes) und gelten in der Regel für wichtige finanzielle Ereignisse. Das letzte Jahrzehnt oder mehr der Finanzgeschichte wurde wiederholt, und das CLA-System bildete viele wichtige Erinnerungen. Am interessantesten waren die Vorbereitungen für die Subprime-Krise, das „Quant Quake“, die Ära der postquantitativen Lockerung (QE) und die (erste) Krise in der Eurozone. Modelle, die in diesen Zeiträumen gute (und schlechte) Investitionen am besten zu identifizieren schienen, wurden als Erinnerungen gespeichert, die abgerufen werden konnten, wenn aktuelle Ereignisse vergangene Ereignisse zu wiederholen schienen. Der Ansatz erinnerte beispielsweise an die QE-gesteuerte Erholung im Jahr 2009 und identifizierte dieses Wissen als das relevanteste, das bei Aktienauswahlentscheidungen während einer weiteren stimulierungsgetriebenen Börsenrallye in China im Jahr 2017 angewendet werden kann.

Kontinuierliches Lernen: Eine kurze und intensive Geschichte

Woher stammen diese Ideen?

Die Anhäufung von Wissen ist für die allgemeine Intelligenz von entscheidender Bedeutung und ein neuer und wichtiger Schwerpunkt der fortgeschrittenen KI-Forschung mit dem Ziel, lebenslanges Lernen zu ermöglichen. CL unterscheidet sich von Deep Learning und anderen Formen der KI, die sich in der Regel auf isolierte Momentaufnahmen von Informationen konzentrieren – beispielsweise auf die Identifizierung von Gesichtern auf Facebook. CL kann auf einen kontinuierlichen Informationsstrom gerichtet sein, aus dem es im Laufe der Zeit Wissen extrahiert. In der Regel wird beim maschinellen Lernen das alte Modell vergessen, sobald die Zeit abgelaufen ist und ein neues Modell gelernt wurde. Tiefes Lernen mag es sein, aber intelligent ist es nicht.

Laut dem CL-Pionier Danny Silver begann die Erforschung von CL in den 1980er Jahren aus dem Wunsch heraus, wissensbildende Maschinen zu konstruieren. In den späten 1990er Jahren wurden „Gated“ -Ansätze wie das Langzeit-Kurzzeitgedächtnis (LSTM) von Sepp Hochreiter und Jürgen Schmidhuber eingeführt, um Sequenzen zu lernen – beispielsweise Wörter in einer Textpassage.

Nach der Renaissance des neuronalen Rechnens in den letzten Jahren des letzten Jahrzehnts war die Entwicklung des unpraktischen, aber hoch entwickelten differenzierbaren neuronalen Computers (DNC) ein großer Fortschritt. DNC wurde von Alex Graves und seinem Team bei DeepMind entwickelt und hat das „katastrophale Vergessen“ überwunden, das einfachere Methoden untergraben hat. DNC hatte jedoch seine Nachteile: Es befasste sich hauptsächlich mit Problemen mit Haustieren, dem Erlernen der Navigation in der Londoner U-Bahn sowie komplexeren, aber stilisierten maschinellen Lernaufgaben. DNC war zu unhandlich, um einfach angewendet zu werden, daher versuchten die Forscher, es zu verfeinern, oder suchten nach einfacheren Lösungen, einige mit neurologischen Erfordernissen.

Ein Weg zur synthetischen Bildung von Langzeitgedächtnissen ist beispielsweise die elastische Gewichtskonsolidierung (EBR). Der EBR versucht, die hypothetische Plastizität synaptischer Verbindungen im Gehirn von Säugetieren zu replizieren. Eine Analogie ist, wie ein Kind das Fahrradfahren lernt: zunächst wackelig, aber während sich die Fähigkeiten mit der Übung entwickeln, werden Nervenbahnen langsam in das Gehirn eingeprägt. Einmal erlernt, ist dieses Wissen schwer zu vergessen und kann erweitert werden, wenn das Kind beispielsweise Mountainbike fährt oder wenn es sich für ein Einrad entscheidet. Die Simulation dieses Effekts mit Technologie hat sich als schwierig erwiesen. Glücklicherweise bieten Finanzanwendungen einen weitaus einfacheren (und sparsameren) Ansatz. Das bringt uns zum aktuellen Stand der Wissenschaft. Heute bewegt sich CL so schnell, dass die Forschung wöchentlich überprüft werden muss, um mit den Entwicklungen Schritt zu halten.

KI wird erwachsen

Der Aufbau von Investmentwissen im Laufe der Zeit war früher eine ausschließlich menschliche Fähigkeit. Nicht mehr, nicht länger. Während wir noch weit von einer allgemeinen Singularität der künstlichen Intelligenz entfernt sind, ist die KI als Treiber für fundamentale Investitionen erwachsen geworden. Nur wenige Branchen sind im Jahr 2019 reifer für Störungen als das Investmentmanagement für Aktien. Überfüllte Faktor-Quant-Modelle aus den 90er Jahren sind nach wie vor gefragt, während die jüngste Explosion hochwertiger Daten in Verbindung mit der Technologie, die einen Sinn ergibt, neue Möglichkeiten eröffnet hat Ausblicke. Die Dinge ändern sich schnell, und die nächste Generation von technisch fließenden Fachleuten, die in die Finanzbranche kommen, ist bereit, die grauen und veralteten Haare zu verdrängen. Einstein mag richtig gewesen sein, als er (angeblich) Wissen mit Erfahrung gleichsetzte. Aber hatte er erwartet, dass seine Kommentare für die Maschinen der Zukunft gelten würden? Die Zukunft ist jetzt.

Wenn Ihnen dieser Beitrag gefallen hat, vergessen Sie nicht, den unternehmungslustigen Investor zu abonnieren.

Die geäußerten Ansichten waren zum angegebenen Datum aktuell, können sich ändern und spiegeln möglicherweise nicht die aktuellen Ansichten wider.

Ansichten sollten nicht als Empfehlung zum Kauf, Halten oder Verkauf von Wertpapieren betrachtet werden und sollten nicht als Research- oder Anlageberatung herangezogen werden.

Die Informationen stammen aus Quellen, die wir für zuverlässig halten, deren Richtigkeit jedoch nicht garantiert werden kann und die möglicherweise unvollständig oder komprimiert sind. Alle Informationen können ohne vorherige Ankündigung geändert werden. Es wird keine Zusicherung gemacht, dass ein Konto ähnliche Gewinne oder Verluste wie die gezeigten erzielen wird oder wird.

Dieses Dokument kann zukunftsgerichtete Aussagen enthalten. Alle Aussagen außer Aussagen über historische Fakten sind zukunftsgerichtete Aussagen (einschließlich Wörter wie „glauben“, „schätzen“, „antizipieren“, „können“, „werden“, „sollten“, „erwarten“). Obwohl wir der Ansicht sind, dass die in solchen zukunftsgerichteten Aussagen enthaltenen Erwartungen angemessen sind, können wir nicht garantieren, dass sich diese Erwartungen als richtig erweisen. Verschiedene Faktoren können dazu führen, dass die tatsächlichen Ergebnisse oder Leistungen erheblich von den in solchen zukunftsgerichteten Aussagen enthaltenen abweichen.

Dieses Einführungsmaterial dient nur zu Informationszwecken und ist kein Angebot oder keine Aufforderung in Bezug auf Wertpapiere. Ein Angebot von Wertpapieren kann nur durch schriftliche Angebotsunterlagen erfolgen, die ausschließlich auf Anfrage, ausschließlich auf privater Basis und nur für qualifizierte, finanziell anspruchsvolle Anleger erhältlich sind.

Weder MSCI noch eine andere Partei, die an der Zusammenstellung, Berechnung oder Erstellung der MSCI-Daten beteiligt ist oder damit zusammenhängt, geben ausdrückliche oder stillschweigende Garantien oder Zusicherungen in Bezug auf diese Daten (oder die Ergebnisse, die durch deren Verwendung erzielt werden sollen) und alle diese Parteien hiermit ab Alle Garantien für Originalität, Richtigkeit, Vollständigkeit, Handelsfähigkeit oder Eignung für einen bestimmten Zweck in Bezug auf solche Daten werden ausdrücklich abgelehnt. Ohne Einschränkung des Vorstehenden haftet MSCI, eines seiner verbundenen Unternehmen oder Dritter, die an der Zusammenstellung, Berechnung oder Erstellung der Daten beteiligt sind oder damit in Zusammenhang stehen, in keinem Fall für direkte, indirekte, besondere, strafende, Folgeschäden oder andere Schäden (einschließlich entgangenen Gewinns), auch wenn über die Möglichkeit solcher Schäden informiert wird. Eine weitere Verbreitung oder Verbreitung der MSCI-Daten ist ohne die ausdrückliche schriftliche Zustimmung von MSCI nicht gestattet.

Die grafischen Exponate in diesem Dokument sind ausschließlich Eigentum von Rothko Investment Strategies und dessen geistiges Eigentum.

Rothko Investment Strategies ist ein Handelsname von Mondrian Investment Partners Limited. Mondrian Investment Partners Limited ist von der Financial Conduct Authority zugelassen und reguliert.

Alle Beiträge sind die Meinung des Autors. Als solche sollten sie weder als Anlageberatung ausgelegt werden, noch spiegeln die geäußerten Meinungen notwendigerweise die Ansichten des CFA-Instituts oder des Arbeitgebers des Autors wider.

Mit freundlicher Genehmigung der Abteilung für Drucke und Fotografien der Library of Congress.

Dan Philps, CFA

Dan Philps, CFA, ist Leiter von Rothko Investment Strategies und Forscher für künstliche Intelligenz (KI). Er verfügt über 20 Jahre quantitative Anlageerfahrung. Vor Rothko war er Senior Portfolio Manager bei Mondrian Investment Partners. Vor 1998 arbeitete Philps als Analyst / Programmierer bei einer Reihe von Investmentbanken, die auf Handels- und Risikomodelle spezialisiert waren. Er hat einen BSc (Hons) vom King’s College London, ist CFA Charterholder, Mitglied der CFA Society of the UK, hat eine Postgraduierten-Forschungsrolle an der London University inne und ist Mitglied der AAAI.