Насколько сильная стратегия искусственного интеллекта может иметь значение

Последние 2 года я работал менеджером по продукту в одной из крупнейших лабораторий искусственного интеллекта Канады, создавая продукты машинного обучения для рынков капитала. Мы создаем возможности искусственного интеллекта в сотрудничестве с технологами и учеными. Эта парадигма не нова для рынков капитала. Команды разработчиков всегда работали вместе с квантами над созданием крупномасштабных статистических систем. (хотя некоторые группы более продвинуты, чем другие). Однако на пороге появился новый ребенок - исследователи машинного обучения. Это обученные профессионалы, которые могут заглядывать в будущее, просматривая данные. Стремясь быть более эмпирическими и ориентированными на данные, исследователи машинного обучения могут предоставить бесценный опыт в оптимизации и статистических выводах, которые раньше были невозможны.

Данные широко распространены на рынках капитала, поэтому существует большой соблазн бросить тела на варианты использования с огромными объемами данных. Это ошибочная стратегия, и без четкого определения конечной цели проекты выходят из-под контроля и терпят поражение. Данные - ключевой ингредиент успешных проектов ИИ; однако это не единственный фактор. Модели машинного обучения не работают изолированно, и сосредоточения внимания только на ИИ недостаточно для понимания множества способов использования ИИ на рынках капитала. ИИ не панацея, и его следует понимать в контексте всех других технологий, которые будут влиять на работу бизнеса. Очень важно четко сформулировать, как эта новая возможность повлияет на операционные модели, а также на прибыль и прибыль компании. Это сводится к наличию прочной бизнес-стратегии. Помните, что бизнес-стратегия должна стимулировать проекты ИИ, а не наоборот.

Основываясь на более глубоком понимании того, как меняется конкуренция, я постараюсь помочь лицам, принимающим стратегические решения, наметить направление для своих организаций, имеющих крупный бизнес на рынке капитала.

Рынки капитала

Рынки капитала состоят из покупателей и продавцов различных финансовых ценных бумаг (долговые инструменты, акции, производные инструменты и т. Д.), А также посредников, которые содействуют сделкам. Другой аспект рынков капитала - это рыночная инфраструктура. Под рыночной инфраструктурой понимаются все субъекты, предоставляющие площадки, информацию, сетевые и ИТ, депозитарные, клиринговые и расчетные услуги участникам рынка капитала, участвующим в торговле (т.е. услуги брокерам-дилерам, а также сторонам продаж и покупателям).

Этот пост будет посвящен активным сторонам транзакции и процессу заключения сделок, а также инфраструктуре и продуктам в следующем посте.

Стратегия А. Упростите процесс заключения сделок

Почему важно упрощение процессов? Глобальная выручка от IPO снизилась с 12 миллиардов долларов до 4,3 миллиарда долларов, что еще больше усиливает необходимость снижения затрат за счет интеллектуальной автоматизации. По мере того, как инструменты коммерческой комплексной проверки становятся все более важными в цифровой среде, фирмам необходимо будет ускорить принятие решений по возможным сделкам. Бережливые операции предоставят возможности для обслуживания небольших сделок и клиентов, улучшая доступность рыночных предложений, которые в противном случае были бы слишком дорогими.

ИИ может использоваться для выполнения административных задач быстрее и лучше, чем люди, позволяя банкирам сосредоточиться на более важных видах деятельности.

Наблюдаемые возможности

Болезнь: на протяжении всего предтрейдового анализа выполняется множество ручных и не требующих особого внимания задач, которые часто выполняются высококвалифицированными специалистами по инвестициям.

Инвестиционный банкинг можно разделить на две основные области: питчинг и исполнение. Начиная наше стратегическое путешествие в области искусственного интеллекта для инвестиционного банкинга, мы должны сосредоточить свое внимание на правильном варианте использования. Использование ИИ для снижения затрат на выполнение не имеет особого смысла. Организация, вероятно, уже зарабатывает деньги на заключении сделок, поэтому, хотя всегда есть возможность сделать ее более эффективной, это не приведет к значительному значению доллара в общей схеме вещей.

Качественная сторона бизнеса - это 100% затрат. Любая достигнутая эффективность или снижение затрат может принести фирме огромные выгоды, особенно если учесть относительное время, затраченное на эту деятельность.

Еще одна важная ветвь между питчем и исполнением - это юридические и нормативные проблемы, в основном связанные с исполнением. Объясняемость, таким образом, является важным компонентом исполнения сделки. Что я имею в виду? Спросите эксперта по ИИ, как машина нашла ответ; Скорее всего, ответ, который вы получите, будет трудным для понимания и его трудно объяснить своим юридическим и регулирующим органам. Кроме того, вы бы хотели посоветовать своему потенциальному клиенту то, чего сами не понимаете? Так что я бы решил начать с низко висящих фруктов, то есть с качки.

Примеры:

Платформа связи сделок Goldman Sachs позволила автоматизировать около 127 этапов процесса IPO. Deal Link является частью более широкой стратегии фирмы по внедрению автоматизации в рабочие процессы инвестиционного банкинга, чтобы молодые банкиры могли вносить свой вклад в работу по увеличению стоимости.

Проблема: инвесторы хотят получать информацию об инвестиционных сделках и их результатах в режиме реального времени. Это важно, потому что инвесторы хотят отслеживать ключевые финансовые показатели по мере их развития.

Потребности клиентов занимают центральное место в инвестиционно-банковском бизнесе. В большинстве случаев общение с инвесторами или клиентами требует создания отчетов и извлечения данных из разных источников. Это длительный и трудоемкий процесс, когда один запрос на обновление иногда может растянуться на несколько дней. Скорость и качество консультирования - это важные составляющие процесса сделки. ИИ может обеспечить преимущества как с точки зрения скорости с персонализированным контентом, создаваемого за доли секунды, так и с большей информированностью благодаря способности технологии обрабатывать большие объемы структурированных и неструктурированных данных.

Примеры:

Deutsche Bank и IBM Watson объединились для создания когнитивного консультационного инструмента для поддержки клиентов и консультантов во внутренних и внешних процессах.

Стратегия Б. Разверните быстрое и точное приложение для управления капиталом и рисками.

Почему важно более эффективное управление рисками? Мировой финансовый кризис привел к структурным сдвигам в работе мирового банковского сектора. После кризиса произошли два важных изменения. Во-первых, послекризисные ставки межбанковского кредитования стали более волатильными и торгуются с увеличивающимися спредами к ставке Центрального банка. Во-вторых, значительные изменения в регулировании оказали огромное влияние на то, что торговые службы должны были учесть эти изменения в ценообразовании и оценке рисков.

Наблюдаемые возможности

Проблема: расчеты цен и рисков требуют больших вычислительных затрат либо из-за сложности продукта, либо из-за вариантов использования, таких как XVA, которые требуют миллионов симуляций Монте-Карло или поиска корня высокой размерности (для калибровки).

Машинное обучение можно использовать для получения огромных преимуществ в таких сценариях. ML может воспроизвести эти чудовищные модели в облегченных аналитических моделях, которые будут быстрыми и точными во время вывода. ML также может сократить вычислительный бюджет и обеспечить огромную экономию средств. Он также может предоставить трейдерам расчет рисков в реальном времени и хеджирование на динамичном рынке, что в настоящее время невозможно.

Пример:

Бум современного искусственного интеллекта привел к появлению передовых фреймворков с открытым исходным кодом для написания векторизованных, дифференцируемых программ в удобной для обслуживания манере. Многие финансовые учреждения экспериментируют с использованием нейронных сетей для изучения этих сложных функций. Рассматриваются различные подходы, начиная от полной сквозной репликации и заканчивая приближением только более медленных этапов конвейера.

Стратегия C: использование ИИ для улучшения существующей практики хеджирования и, в конечном итоге, автоматизации хеджирования.

Почему лучше хеджирование? Рыночные условия могут измениться в мгновение ока, и трейдерам необходимо управлять рисками на случай таких изменений. Слабая или несвежая хеджирование может принести фирме миллионы долларов.

Проблема: решения о хеджировании принимаются с использованием медленных, ручных и устаревших приближений.

Современные количественные финансы разработали сложный набор инструментов для расчета цены и управления рисками в теоретических и идеализированных условиях «полноты рынка», когда торговые издержки равны нулю и предполагается идеальная хеджируемость. Однако в реальной жизни такой подход нецелесообразен. В результате весь процесс хеджирования внебиржевых деривативов выполняется вручную и основан на интуиции трейдеров. Классические методы также плохо масштабируются с размером портфеля.

Развитие глубокого обучения с подкреплением может предоставить решения количественных финансовых проблем, когда рыночные трения и другие допущения могут быть смягчены, что позволит автоматизировать решения о хеджировании. Это может открыть новую эру в автоматической торговле, полностью изменив бизнес с использованием «безмодельных» подходов.

Пример

JP Morgan теперь использует искусственный интеллект для хеджирования своей индексной книги потока. Банк планирует развернуть аналогичную технологию для хеджирования одиночных акций, корзин и легкой экзотики. С тех пор JP Morgan смог быстрее хеджировать свои позиции и котировать более высокие объемы. Такие методы изменят правила игры, особенно там, где инструменты хеджирования неликвидны, либо большие транзакционные издержки, либо продукты, связанные с рисками, которые не подлежат хеджированию. Стоимость хеджирования на таком рынке потенциально может быть снижена более чем на 80%. Товарные деривативы являются ярким примером такого рынка.

Стратегия D: ИИ может помочь раскрыть инвестиционные возможности, отслеживая закономерности, которые невозможно обнаружить с помощью традиционных методов исследования.

Почему важны передовые исследования? Торговые организации изо всех сил стараются предоставить количественные услуги инвесторам, особенно когда они предлагают частным компаниям, где данные менее доступны (например, стадия IPO).

Проблема: добейтесь лучших результатов на непрозрачных рынках за счет обработки новых типов данных.

Многие инвестиции происходят в пограничных отраслях, где правила и тенденции зачастую менее предсказуемы. Для анализа целевых компаний доступны значительно менее структурированные данные, чем для компаний более поздних стадий. Улучшение обработки естественного языка может быть использовано для анализа всей общедоступной сети из нескольких источников (новостные СМИ, видео на YouTube, социальные сети, конференц-связь, блоги, авторитетные публикации, IR-страницы для регистрации в SEC, международные документы и т. Д.) И предоставить индикаторы, которые невозможно до. Это также позволит более мелким банкам, которые не могут позволить себе роскошь нанять сотни молодых инвестиционных банкиров, и уравнять правила игры для всех.

Еще одна область, в которой ИИ может извлечь выгоду, - это исследование акций. В то время как подход к исследованию справедливости неуклонно совершенствовался, возникающая тенденция включения искусственного интеллекта и машинного обучения дает возможность кардинально изменить то, как проводится исследование справедливости.

Группы по исследованию рынка акций постоянно следят за публичными торговыми компаниями и дают клиентам рекомендации по покупке или продаже. Точность и скорость - важные факторы для правильного понимания аналитиком. Машинное обучение и прогресс в области обработки естественного языка могут значительно улучшить компетенцию банка в обоих этих направлениях.

Машинное обучение открывает двери для новых статистических методов, которые позволяют аналитикам лучше прогнозировать закономерности и ассоциации в данных. Обрабатывая огромные объемы структурированных, неструктурированных, закрытых и альтернативных данных, аналитик может составить более целостное представление о компании.

AI также предлагает компаниям новый способ соревноваться в скорости. Аналитики соперничают за создание самой быстрой публикации после того, как новость компании попадает в известность. Публикация первым дает множество преимуществ, в том числе более высокие торговые комиссии для банка. Торговый отдел будет первым, кто предложит покупателям выгодные сделки в ответ на новую информацию. В зависимости от новостей, время работы аналитика-исследователя (с момента выхода новости до публикации отчета) может составлять около тридцати минут. Большая часть времени тратится на извлечение данных из пресс-релиза вручную (например, результатов прибыли. , объявления о новых проектах, руководство), чтобы аналитик-исследователь мог их интерпретировать. С появлением обработки естественного языка процесс извлечения данных может быть сокращен до нескольких секунд, что значительно сокращает общее время выполнения процесса публикации.

Пример: Aiera является таким примером платформы разведки. Благодаря передовому механизму языковой обработки, который ежегодно принимает более 40 000 мероприятий для инвесторов по более чем 10 000 глобальных акций, Aiera освещает лидирующее количество событий для инвесторов, основных новостей и средств массовой информации, отраслевых блогов и нормативных документов.

Заключение:

Машинное обучение может навсегда произвести революцию на рынках капитала. Те, кто создает и реализует разумную стратегию, вероятно, станут более сильными, более уверенными в подверженности рискам и лучше подготовленными к тому, что ждет впереди.

использованная литература

Р. Джесси Маквотерс и Роб Галаски. (2018). Новая физика финансовых услуг. Получено с http://www3.weforum.org/docs/WEF_New_Physics_of_Financial_Services

Адриан С. Крокетт. (2017). Стоимость персонального питча. Получено с https://www.adriancrockett.com/blog/the-cost-of-a-personalized-pitch

Доктор Ханс Бюлер и доктор Бен Вуд. (2019). Глубокое хеджирование от теории к практике. Получено с https://www.maths.ox.ac.uk/system/files