В эпоху, когда аббревиатура ИИ стала синонимом любого технологического прогресса, финансовая индустрия пытается отделить хайп от реальной альфы. Дэвид Райт (David Wright), руководитель отдела количественных инвестиций в Pictet Asset Management, в эфире подкаста Excess Returns раскрыл внутреннюю кухню создания систематических стратегий, которые находят закономерности, недоступные человеческому глазу. В центре дискуссии — запуск новых активных ETF компании и вопрос о том, может ли машина полностью заменить портфельного менеджера.
🤖 Что такое ИИ в финансах: отказ от программирования в пользу обучения 2:50
По определению Дэвида Райта, искусственный интеллект в самом широком смысле — это выполнение машиной функций, которые обычно берет на себя человек: восприятие, генерация или принятие решений . Однако в контексте инвестиций термин «ИИ» почти всегда означает машинное обучение (Machine Learning).
Главное отличие машинного обучения от традиционного количественного анализа заключается в подходе к алгоритмам:
- Традиционный подход: человек-программист прописывает жесткий алгоритм действий.
- Машинное обучение: алгоритм обучается на массивах данных, самостоятельно определяя, как выполнить поставленную задачу .
Команда Дэвида Райта использует этот метод для прогнозирования относительной доходности широкой вселенной акций на горизонте одного месяца. Модель обучается на десятилетиях исторических данных, сопоставляя входные характеристики компаний («фичи») с их последующей доходностью .
🌳 Почему «деревья решений» лучше ChatGPT для выбора акций 6:25
Несмотря на популярность больших языковых моделей (LLM), таких как ChatGPT или Claude, Райт утверждает, что они малопригодны для прямого управления портфелем. По мнению эксперта, LLM — это генеративный инструмент, обученный работать с текстом, а не делать точные численные прогнозы .
В Pictet Asset Management отдают предпочтение моделям на основе регрессионных деревьев или деревьев решений (decision trees), и на это есть три причины:
- Стабильность: в отличие от нейросетей, на которых строятся LLM, деревья решений более предсказуемы в своих выводах .
- Интерпретируемость: каждая позиция в портфеле может быть объяснена. Можно проследить, какая комбинация признаков привела к конкретному прогнозу .
- Специфика данных: финансовые рынки требуют работы с числовыми распределениями, где деревья решений показывают лучшую точность .
Дэвид Райт поясняет принцип работы на примере: дерево решений создает «развилки» на основе характеристик акций. Например, если показатель компании находится в верхних 2/3 распределения, модель идет по одной ветви, если в нижней трети — по другой. Комбинация тысяч таких деревьев формирует итоговый прогноз .
📊 Битва за данные: Традиции против альтернатив 11:40
Одним из ключевых решений при создании модели является выбор данных для обучения. Райт выделяет два пути: традиционный (цены, фундаментальные показатели, прогнозы аналитиков) и альтернативный (спутниковые снимки, геолокация смартфонов, данные соцсетей) .
Команда Райта осознанно выбрала традиционный путь. Основные аргументы гостя:
- Глубина истории: для обучения моделей в Pictet используют 15-летний период, охватывающий разные экономические циклы. Альтернативные данные часто имеют историю всего в 3–5 лет .
- Широта охвата: традиционные показатели доступны для всех компаний во вселенной акций каждый торговый день. Альтернативные данные часто фрагментарны .
- Обоснованность: у фундаментальных сигналов есть логическое объяснение (alpha rationale), подтвержденное десятилетиями исследований .
🧠 Дилемма интуиции: нужно ли понимать, почему это работает? 14:20
В сообществе количественных инвесторов идет спор: стоит ли использовать только те факторы, которые понятны человеку? Дэвид Райт признается, что эта дискуссия идет даже внутри его команды, где сталкиваются взгляды традиционных «квантов», специалистов по компьютерным наукам и физиков .
Позиция Райта и Pictet Asset Management:
- Входные данные должны иметь смысл: большинство из 400 признаков, подаваемых в модель, имеют фундаментальное или поведенческое обоснование .
- Связи могут быть нелинейными: Райт готов признать, что машина находит тысячи взаимосвязей между факторами, из которых человек может логически объяснить лишь 10–20% .
- Горизонт имеет значение: чем короче горизонт инвестирования (например, внутридневная торговля), тем меньше важна человеческая логика. На горизонте в 1 месяц, который использует Pictet, баланс между «машинным чутьем» и логикой остается критическим .
⏳ Оптимальный горизонт: где машина побеждает человека 19:05
Исследования Pictet показали, что эффективность машинного обучения напрямую зависит от срока прогноза. Чем длиннее горизонт, тем меньше пользы от сложных ИИ-моделей по сравнению с традиционными факторными моделями .
Дэвид Райт полагает, что на длительных отрезках (от 6 месяцев) доходность определяют фундаментальные циклы и макроэкономика. На коротких же отрезках (1 месяц) рынок наполнен «шумом». Человеку крайне сложно отделить этот шум от сигнала, но машинное обучение справляется с этой задачей, находя нелинейные зависимости .
Инвестиционный тезис: Машинное обучение позволяет эффективно монетизировать краткосрочный шум, который традиционные инвесторы игнорируют как непредсказуемый.
🤝 Синергия: где человек все еще незаменим 26:18
Райт выделяет три этапа, на которых человеческий интеллект превосходит искусственный:
- Инженерия признаков (Feature Engineering): именно люди решают, какие именно данные скармливать модели. Идеи для новых сигналов часто рождаются из общения с коллегами или чтения академических работ .
- Глобальный контроль: хотя процесс оптимизации портфеля автоматизирован, финальная проверка остается за людьми. Портфельный менеджер может учесть экстраординарные новости, о которых модель еще не знает .
- Работа с клиентами: инвесторы хотят знать, что за магией алгоритмов стоят живые люди, обеспечивающие надзор и соблюдение «защитных барьеров» (guard rails) .
📈 Структура портфеля и стратегия Piquin 44:49
Технологии машинного обучения Pictet легли в основу их новых ETF, в частности фонда Piquin (активный ETF на международные акции) .
Основные характеристики процесса:
- Диверсификация: модель не ищет «одну идеальную акцию», а строит широкий портфель с низким отклонением от индекса (Enhanced Index) .
- Нейтральность: портфель очищается от влияния секторов, стран и валют. Цель — получить «чистую» альфу за счет выбора конкретных акций (stock selection), которая составляет более 95% доходности стратегии .
- Глобальный подход: модель, обученная на мировых данных, оказалась эффективной даже на развивающихся рынках (EM). Райт отмечает, что рыночные взаимосвязи на удивление стабильны во всем мире .
- Регулярное переобучение: каждые 3 месяца модель обучается заново на свежем 15-летнем массиве данных. Это позволяет системе адаптироваться, не теряя связи с долгосрочными трендами .
💡 Удивительные находки: эффект календаря 53:12
Одной из самых неожиданных находок модели стало влияние календарных событий на эффективность других сигналов. Пример «умной» связи: Машина обнаружила, что сигналы на основе прогнозов аналитиков работают хорошо, когда до отчетности компании еще далеко. Однако по мере приближения даты официального репорта эффективность этих прогнозов резко падает, так как рынок начинает реагировать на реальные цифры .
Модель Райта учитывает комбинации из 6 и более признаков одновременно. Например: «Если количество повышений рейтингов аналитиками выше X, до отчета осталось менее 10 дней, объем коротких позиций ниже Y, а CEO занимает пост более 6 месяцев — это сильный сигнал» . Такие многослойные условия практически невозможно прописать вручную.
🏁 Главный совет инвесторам 1:00:15
Завершая беседу, Дэвид Райт дал простой совет, который он часто повторяет своим друзьям, не работающим в финансах: «Не торгуйте слишком часто» . По словам эксперта, издержки на транзакции — это самый быстрый способ «сжечь» любую альфу. Даже самые продвинутые модели машинного обучения в Pictet Asset Management балансируют между частотой обновления прогнозов и стоимостью их реализации, чтобы не отдать прибыль брокерам.
