Koneoppiminen on tutkimusala, joka käsittelee sellaisten menetelmien ymmärtämistä ja rakentamista, jotka hyödyntävät dataa suorituskyvyn parantamiseksi ilman ihmisen suoraa ohjausta. Se on osa tekoälyä.
Koneoppimisen algoritmit rakentavat mallin näytetietojen, niin sanotun harjoitusdatan, perusteella, jotta ne voivat tehdä ennusteita tai päätöksiä ilman, että ne olisivat nimenomaisesti ohjelmoitu tekemään niin. Näitä algoritmeja käytetään erilaisissa sovelluksissa, kuten lääketieteessä, sähköpostin suodatuksessa, puheentunnistuksessa ja tietokonenäössä, joissa on vaikeaa tai mahdotonta kehittää tavanomaisia algoritmeja suorittamaan tarvittavia tehtäviä.
Algoritmista kaupankäyntiä on jo pitkään sovellettu sijoitusalalla, mutta tekoälyä voitaisiin käyttää myös päätöksentekoon salkunmuodostuksen alkuvaiheessa. Tekoälyn mahdollisia hyötyjä ovat muun muassa
• Ylivoimainen laskentateho, jolla voidaan analysoida massadataa lyhyessä ajassa;
• Ihmisten kognitiivisten ennakkoluulojen välttäminen; tekoäly on rationaalisempi;
• Voiko tekoäly korvata ihmisen osaketuottojen ennustamisessa tai parantaa hänen ennusteitaan?
Tekoäly vs. ihmisanalyytikot
Sean Cao, Wei Jiang, Junbo Wang ja Baozhong Yang tutkivat Journal of Financial Economics -lehden lokakuun 2024 numerossa julkaistun teoksen From Man vs. Machine to Man + Machine: The Art and AI of Stock Analyses kirjoittajina, miten tekoäly suoriutuu osaketuottojen ennustamisessa ihmisanalyytikkoihin verrattuna. Heidän tavoitteenaan oli selvittää:
• Missä olosuhteissa ihmisanalyytikot säilyttävät etulyöntiasemansa tekoälyyn nähden?
• Mikä vaikutus ihmisanalyytikkojen ja tekoälyn yhdistelmällä on osake-ennusteiden tarkkuuteen?
• Mitä vaikutuksia näillä tuloksilla on tekoälyn laajempaan soveltamiseen ammattitaitoisissa ammateissa ja päätöksentekoprosesseissa?
Kirjoittajat rakensivat oman tekoälymallinsa ennustamaan 12 kuukauden osaketuottoja (johdettuna 12 kuukauden tavoitehinnoista) ja vertasivat niitä analyytikoiden samaan aikaan samoista osakkeista tekemiin ennusteisiin. He keräsivät syötteinä yritystason, toimialan ja makrotalouden muuttujia sekä tekstimuotoista tietoa yritysten julkistuksista, uutisista ja sosiaalisesta mediasta (päivitetty juuri ennen analyytikon ennusteen ajankohtaa) ja jättivät tietoisesti pois tiedot itse analyytikoiden ennusteista, jotta tekoälymalli ei hyötynyt analyytikoiden näkemyksistä.
Analyytikkoennusteiden otos muodostettiin Thomson Reuters Institutional Brokers Estimate System -analyytikkotietokannasta. IBES:n yhdistämisen jälkeen CRSP:n ja Compustatin tietoihin heidän lopullinen otoksensa koostuu 1 153 565:stä 12 kuukauden tavoitehintaennusteesta 6 315:lle yritykselle, jotka on laatinut 11 890 analyytikkoa 861:stä meklariyrityksestä, ja 5 885 063:sta ensimmäisen neljänneksen ja neljännen neljänneksen välisestä tulosennusteesta 8 062:lle yritykselle, jotka on laatinut 14 363 analyytikkoa 926:sta meklariyrityksestä. Heidän mallinsa kattoi ajanjakson 2001-18. Kirjoittajat havaitsivat seuraavaa:
1. Tekoälyanalyytikko, joka on koulutettu käsittelemään yritysten julkistamisia, toimialan suuntauksia ja makrotaloudellisia indikaattoreita, on parempi kuin useimmat analyytikot (54,5 %) osaketuottojen ennustamisessa. Koneen etu voi johtua joko sen ylivoimaisesta kyvystä käsitellä tietoa tai sen vastustuskyvystä ennakoitavissa oleville inhimillisille ennakkoluuloille, jotka johtuvat kannustimista tai psykologisista piirteistä.
2. Analyytikoihin verrattuna tekoälymalli pystyi tuottamaan ylivoimaista tuottoa eli alfaa, joka oli 50-72 peruspistettä kuukaudessa ja joka oli tilastollisesti merkitsevä 1 prosentin tasolla lähes kaikissa tapauksissa.
3. Tekoälymalli voitti analyytikot mukavasti matalissa kvantiileissa ja oli lähes tasoissa analyytikoiden kanssa (suhde 49,3 %), sillä se osoitti ylivoimaista suorituskykyä jokaisena viimeisenä viitenä vuotena, erinomaisuuden, jonka saavutti vain 7,3 % kaikista analyytikoista.
4. Makromuuttujat ja yritysten tuotot vaikuttivat eniten (27,6 % ja 24,4 %) tekoälymallin taitavuuteen, ja seuraavaksi eniten vaikuttivat yrityksen ominaisuuksiin liittyvät muuttujat (22 %) ja tekstimuotoinen tieto (9,3 %) - mikä korostaa laadullisen tiedon merkitystä. Suorituskykytiedoilla oli pienin osuus (2 %).
5. Ihmiset päihittävät tekoälyn silloin, kun institutionaalinen tieto on ratkaisevaa - esimerkiksi aineettomien hyödykkeiden ja rahoituskysymysten osalta. Esimerkiksi ihmisanalyytikot suoriutuvat paremmin ennustettaessa pienempien ja vähemmän likvidien yritysten tuottoja. He suoriutuvat paremmin myös silloin, kun on aineettomia hyödykkeitä, toimialoilla tai yrityksissä, jotka ovat nopeassa muutoksessa tai joiden kilpailudynamiikka on suurta, sekä tapauksissa, joissa yritysten ahdinkoriski on suurempi tai yritykset ovat huomattavan taloudellisen stressin kohteena.
6. Tekoäly voittaa, kun tieto on avointa mutta runsasta.
7. Kun heidän tekoälyanalyytikkonsa perustana olevien koneoppimismallien tietomäärään lisättiin analyytikkojen ennusteet, tuloksena syntynyt malli päihitti 54,8 prosenttia yksittäisen tekoälymallin ennusteista ja vähensi samalla äärimmäisiä virheitä.
8. Analyytikot ja tekoälymalli tekivät suunnilleen yhtä todennäköisesti äärimmäisiä virheitä (9,3 % ja 7,8 % vastaavasti 90. prosenttipisteen kynnyksellä) - yhdistetty malli vältti noin 90 % ihmisanalyytikkojen tekemistä äärimmäisistä virheistä ja 40 % pelkän tekoälyn tekemistä virheistä.
9. Yhdistetty malli hyödyntää sekä ihmisen että tekoälyn toisiaan täydentäviä vahvuuksia. Tekoäly on erinomainen suurten tietomäärien käsittelyssä ja mallien tunnistamisessa, kun taas ihmisanalyytikot tuovat mukanaan vivahteikasta ymmärrystä ja kontekstuaalista näkemystä, minkä tuloksena on vankempi ja luotettavampi ennustusväline.
10. Analyytikot saavuttavat koneet kiinni sen jälkeen, kun ”vaihtoehtoista dataa” on saatavilla, jos heidän työnantajansa rakentavat tekoälykapasiteettia.
11. dokumentoidut synergiat ihmisten ja koneiden välillä antavat tietoa siitä, miten ihmiset voivat hyödyntää etujaan sopeutuakseen paremmin kasvavaan tekoälykapasiteettiin.
Swedroe: Onko japanilaisten osakkeiden horroskausi ohi?
Tekoälyn vauhdittamana
Ehkä mielenkiintoisin tulos oli se, että vaikka malli päihitti analyytikot tuottojen ennustamisessa, analyytikot päihittivät koneen 69,2 prosentin todennäköisyydellä, kun kyse oli tulosten ennustamisesta. Yhdistetty analyytikkojen ja tekoälyn malli kuitenkin päihitti 55 prosenttia analyytikkojen ennusteista.
Tulokset saivat kirjoittajat päättelemään: ”Kaiken kaikkiaan tämä tutkimus tukee hypoteesia, jonka mukaan tekoälyllä voidaan lisätä analyytikoiden valmiuksia, ja mikä vielä tärkeämpää, analyytikoiden työllä on lisäarvoa ja synergiaetuja tekoälymallinnuksen kanssa, erityisesti epätavallisissa ja nopeasti kehittyvissä tilanteissa.”
He lisäsivät: ”Vaikka tekoälyn tulevaisuus on edelleen epävarma, dokumentoimamme tekoälyä täydentävät inhimillisten taitojen osatekijät mahdollistavat lupaavan ihminen + kone -yhteistyön ja -lisäyksen.”
Empiirinen tutkimus tekoälyrahastojen kehityksestä
Voimme tarkastella yhtä tutkimusta tekoälyllä toimivien rahastojen elävästä suorituskyvystä.
Rui Chen ja Jinjuan Ren, elokuussa 2022 Finance Research Letters -lehdessä julkaistun tutkimuksen "Do AI-Powered Mutual Funds Perform Better?" kirjoittajat, tutkivat tekoälyä hyödyntävien rahastojen suorituskykyä. Heidän analyysinsä perustui CRSP Survivor-Bias-Free US Mutual Fund Database -tietokantaan, joka kattoi 26 kuukauden ajanjakson marraskuusta 2017 joulukuuhun 2019. Tekoälyvetoisiksi rahastoiksi he määrittelivät rahastot, jotka käyttävät koneoppimisteknologiaa osakkeiden aktiiviseen valintaan salkunhoidossa. Kvantitatiiviset rahastot määriteltiin rahastoiksi, jotka perustuvat sijoituspäätöksensä kiinteisiin sääntöihin ja numeerisiin malleihin, kun taas harkinnanvaraisiksi rahastoiksi määriteltiin perinteiset rahastot, joissa sijoituspäätökset perustuvat ensisijaisesti ihmisen harkintaan. Alla on esitetty tutkimuksen keskeiset löydökset:
1. Tekoälyohjattujen rahastojen suorituskyky ei eronnut tilastollisesti kokonaismarkkinoista 25:ssä otantajakson 26 kuukaudesta.
2. Tekoälyohjatut rahastot eivät tuottaneet merkittävää riskikorjattua tuottoa, ja ne osoittivat vain marginaalisesti parempia osakevalintataitoja (ainoastaan tasavertaisen painotuksen kautta) eivätkä markkinoiden ajoittajataitoja.
3. Tekoälyohjatut rahastot tuottivat paremmin kuin ihmisen hallinnoimat kilpailijansa, koska niiden vaihtuvuus oli alhaisempi - 31 % verrattuna 72 %:iin - mikä johti alhaisempiin transaktiokustannuksiin ja marginaalisesti parempiin osakevalintataitoihin.
4. Tekoälyohjatut rahastot pitivät hallussaan vähemmän osakkeita (149 verrattuna 197:ään), mikä tarkoittaa, että niiden salkut olivat keskittyneempiä.
5. Tekoälyvetoiset rahastot välttivät joitakin yleisiä käyttäytymiseen liittyviä harhoja (esim. disposition effect).
Mitä sijoittajat voivat ottaa opiksi
Cao, Jiang, Wang ja Yang osoittivat, että osakeennusteita voidaan parantaa yhdistämällä tekoälyn ja ihmisanalyytikkojen vahvuudet, mikä johtaa parempiin tuloksiin kuin jos luotettaisiin vain jompaankumpaan. He osoittivat, että tekoäly ja ihmisanalyytikot täydentävät toisiaan - tekoäly on erinomainen suurten tietomäärien käsittelyssä ja kuvioiden tunnistamisessa, kun taas ihminen tarjoaa kontekstin ymmärtämistä, intuitiota ja vivahteikkaita näkemyksiä. Näiden synergioiden tunnistaminen auttaa suunnittelemaan järjestelmiä, joissa sekä tekoälyn että ihmisen panos maksimoidaan. Toistaiseksi ei kuitenkaan ole näyttöä siitä, että tekoälyä käyttävät rahastot tuottaisivat riskikorjattuna paremmin.
Tärkein johtopäätös on ehkä se, että tekoälymallit auttavat välttämään ihmisen ennakkoluuloja ja tekevät ennusteista tarkempia, minkä pitäisi johtaa markkinoiden tehostumiseen, mikä vähentää mahdollisuutta luoda alfaa arvopaperivalinnoilla.
Larry Swedroe on kirjoittanut tai ollut mukana kirjoittamassa 18 sijoituskirjaa, joista uusin on Enrich Your Future.
