Već početkom godine, nedugo nakon premijere, ChatGPT je privukao gotovo 100 milijuna aktivnih korisnika (mjesečno), prometnuvši se u uvjerljivo najbrže rastuću aplikaciju u povijesti. Impresivan rezultat vjerojatno i ne treba previše objašnjavati jer fascinacija trenutno najpoznatijom (polu)komercijalnom inačicom umjetne inteligencije nikako ne jenjava, golicajući maštu stručnjaka, ali i svekolikog pučanstva. Iz toga je već proizašlo pregršt svjedočanstava o moći i potencijalu stroja nasađenog na “large language model” koji je dosad probavio ogromne količine sadržaja i neumorno zadovoljava znatiželju mnogih, istresajući manje ili više impresivne odgovore na kojekakva pitanja.
U onoj pesimističnoj varijanti, na kocki su milijuni radnih mjesta koje bi razgovorljivi chatbot mogao zamijeniti (možda već u bliskoj budućnosti), iako mu, za razliku od elokvencije, preciznost i koherentnost, čini se, nisu baš jača strana. Doduše, uspješno je riješio SAT prijemni ispit za američke fakultete, testove iz medicine i prava, i usput izbacio na tisuće (ili milijune?) eseja za učenike i studente širom svijeta, makar Steve Landsburg tvrdi kako je neslavno prošao na testu s druge godine studija ekonomije. A ovo potonje i ne zvuči osobito ohrabrujuće, barem u kontekstu teze kako bi umjetna inteligencija mogla igrati zapaženu ulogu na financijskim tržištima. Koliko je takvo nešto vjerojatno? I što je možda još važnije – mogu li time nekako profitirati i mali ulagači?
Teorija slučajnog hoda
Da ne bi bilo zabune, umjetna inteligencija već duže vremena igra zapaženu ulogu u svijetu financija. Doduše, vjerojatno najpoznatija epizoda odnosi se na fijasko iz kolovoza 2012. godine kada je algoritam Knight Capitala iznenada krenuo izvoditi neobjašnjive ludorije – svega 45 minuta bilo je dovoljno da nagomila 440 milijuna dolara gubitaka (kompaniji nakon toga više nije bilo spasa).
A onda opet, riječ je o relativno primitivnom algoritmu zaduženom tek za automatizaciju (izvršavanje naloga za kupnju i prodaju) čiji bliži i dalji rođaci danas suvereno vladaju u segmentu visokofrekventnog trgovanja (high-frequency trading), izvršavajući transakcije u milisekundama (i to u pravilu bez većih posrtanja).
Ako pak govorimo o iole bistrijim izdancima umjetne inteligencije, za početak se valja vratiti osnovama i teoriji slučajnog hoda (random walk) prema kojoj je kretanje cijena financijskih instrumenata u budućnosti nemoguće predvidjeti. U tom modelu (savršeno) učinkovitog tržišta, Warren Buffett i njemu slični likovi zapravo su puka – statistička anomalija. Koja bi se na duži rok, sukladno teoriji, zasigurno ispeglala (nestala).
Iako je iz posve suprotne premise iznikla cijela jedna industrija, uvjerivši sebe (i što je još važnije, mnoge druge!) kako je tržište ipak moguće pobijediti, Eugene Fama i njemu naklonjeni ekonomisti uporno tvrde kako je riječ o zabludi: iznadprosječne prinose naprosto nije moguće konzistentno generirati. Za poklonike dotične teorije (Efficient Market Hypothesis) stvar je prilično jasna i sve osim indeksnih fondova, koji u najvećoj mjeri vjerno repliciraju izvedbu tržišta u cjelini, za investitore je zapravo tek uzaludno traćenje resursa.
Robert Shiller, s kojim je Fama podijelio Nobelovu nagradu za ekonomiju 2013. godine, zastupa bitno drukčije stavove, temeljene na nizu istraživanja pod okriljem bihevioralne znanosti. On, ali i brojni istomišljenici, vjeruju kako oscilacije na financijskim tržištima nisu tek posljedica racionalnih (i preciznih i pravodobnih) kalkulacija, već u velikoj mjeri ovise o emocijama investitora (makar će i Shiller, kao i Fama, laicima najprije preporučiti ulaganje u indeksne fondove).
Drugim riječima, tržište nije posve učinkovito, zbog čega price discovery mehanizam s vremena na vrijeme zašteka, a može i ozbiljno zastraniti, pa ponekad iz toga mogu izrasti i mjehuri uistinu epskih proporcija, kao što je to bio slučaj krajem prošlog tisućljeća (dot-com bubble) ili prije 15-ak godina (nekretninski balon).
Legenda o Jimu Simmonsu
To su, pojednostavljeno, okviri igre, iz čega je razvidno da razvoj umjetne inteligencije podupire horda financijski dobro potkovanih aktivnih investitora. Najčešće se označavaju skupnom imenicom “quants” (dolazi od “quantitative”), a jedno je ime već odavno ušlo u legendu. Riječ je o Jimu Simmonsu, matematičaru i osnivaču Renaissance Technologies, kompaniji iza koje stoji buket fondova pogonjenih umjetnom inteligencijom. O njima se ne zna previše, osim da ostvaruju doista impresivne prinose; internetom kruži podatak kako je njihov Medallion Fund u razdoblju od 1988. do 2021. godine u prosjeku ostvarivao godišnji bruto prinos (prije obračunatih provizija i naknada) od 62% (Wikipedia nudi još nevjerojatnu brojku od 71,8% godišnje u razdoblju od 1994. do 2014. godine). Ona prva brojka podrazumijeva rast inicijalnog uloga od 1 dolara na fascinantnih – 42 tisuće dolara. Međutim, fond od 1993. godine upravlja isključivo kapitalom svojih zaposlenika i zatvoren je za autsajdere, bez obzira na dubinu njihova džepa.
Dok su se drugi oslanjali na njuh, iskustvo i intuiciju, Simmons je (navodno) godinama analizirao ogromne količine podataka i neumorno razvijao matematičke modele kako bi im podario zadovoljavajuću prediktivnu moć. Ali pritom valja istaknuti nekoliko bitnih stvari. Za početak, oslanjanje na matematiku i statistiku prije deset, a kamoli 20 ili 30 godine, bilo je puno profitabilnije; danas to nije iznimka, već pravilo, i bilo bi zanimljivo vidjeti u kojoj se mjeri, uslijed žešće konkurencije, istopila prednost koju su Simmons i gomila bivših akademika stekli pred konkurencijom. Usto, malo je pouzdanih informacija o stvarnoj ulozi algoritama u ovoj priči: ekstrapolacija trendova iz prošlosti i oslanjanje na regresijske modele teško se mogu okarakterizirati kao napredan oblik strojnog učenja.
Pritom uopće ne znamo koliki je postotak promašaja, iako “korelacija ne podrazumijeva nužno i kauzalnost”. Štoviše, notorna je činjenica kako u jeku krize “svaka korelacija (na financijskim tržištima) konvergira ka 1”, što bi prijevodu značilo da se različite kategorije aktive uslijed provale panike ponašaju jednako. U to smo se mogli uvjeriti još davne 1998. godine kada je krahirao Long-Term Capital Management, označivši neslavan kraj projekta blistave reputacije iz kojeg su stajali i nobelovci Myron Scholes i Robert Merton.
Puno buke
Financije usto imaju ozbiljnih problema s podacima. Prvo, njihova količina je prilično ograničena; izuzev šačice financijskih instrumenata (poput, recimo, S&P 500 indeksa), ne postoji pouzdani set podataka koji bi se protezao dulje u prošlost. Kratka analiza pod nazivom “Mogu li strojevi naučiti financije”, koju potpisuju Ronen Israel, Bryan Kelly i Tobias Moskowitz (njihov poslodavac, AQR Capital Management, također spada u quants kategoriju), to ilustrira činjenicom da AlexNet neuralna mreža za prepoznavanje fotografija operira s otprilike 61 milijun parametara. U tom slučaju, ako stroj nije u stanju s prihvatljivom preciznošću na fotografijama prepoznati mačke, naprosto ga treba nahraniti novom količinom fotografija s mačkama (stroj uči kroz iskustvo), a to u financijama, s ograničenim setovima podataka, naprosto nije moguće.
Usporedbe radi, ChatGPT podrazumijeva model s oko 175 milijardi parametara i desetljeća ili stoljeća starih tekstova iz najrazličitijih izvora. Za to vrijeme, iznimno likvidan terminski ugovor na WTI sirovu naftu prvi se puta pojavio na tržištu 1983. godine – možete samo zamisliti rudimentarnu razinu tehnologije koja je tada bila u upotrebi. U kontekstu raspoloživih varijabli, to je uistinu mizeran set od 480 brojki na mjesečnoj razini, oko 2000 na tjednoj, ili tek nešto više od 10.000 na dnevnoj razini.
Pritom je omjer buke (noise u statističkom smislu, koja navodi na pogrešne zaključke) i pouzdanih signala u financijama iznimno nepovoljan i visok (puno toga je slučajno). Nije ni čudno da strojevi dominiraju u segmentu high-frequency trgovine, gdje se cijene ponekad mogu promijeniti i po nekoliko puta u jednoj sekundi: vrijeme njihove reakcije bitno je kraće i od najagilnijeg ljudskog oka ili prsta.
No što nam te oscilacije (slučajni hod), koje pomiču cijenu neke dionice tamo-’vamo tijekom jednog dana, govore u kontekstu prinosa? Gotovo ništa. Umjetna inteligencija će zasigurno brže pročitati tweet u kojem Elon Musk hvali Dogecoin, preduhitriti ljudsku konkurenciju i kratkoročno profitirati na tome. Naravno, pod pretpostavkom da je prikladno kalibrirana, što je, barem u slučaju Muska, prilično nezahvalna zadaća. To je zapravo sudbina većine modela investiranja u financijama: (u najboljem slučaju) funkcioniraju neko vrijeme, i onda im prođe rok trajanja (koji je, usput, nemoguće a priori procijeniti).
No kada je riječ o dugoročnom ulaganju s ciljem ostvarivanja iznadprosječnih prinosa, oskudniji set podataka postaje vrlo ograničavajuća norma. Aktivni investitori mogu tvrditi drukčije, ali oni ionako neumorno agitiraju u svoju korist, pokušavajući prodati priču o superiornosti u odnosu na neugledan tržišni prosjek. Objektivne okolnosti ovoj priči označavaju granice mogućega. Ima li tu mjesta i za male ulagače? Teško. Na ionako tijesnom igralištu, ni najveći igrači ne mogu računati na sigurnu pobjedu.
