AI gaat over het analyseren van enorme hoeveelheden gegevens, dus waarom wordt het niet meer gebruikt in de handel? Fit Ztudio/Shutterstock
Kunstmatige intelligentie (AI) heeft de mens inmiddels op de voet gevolgd of zelfs overtroffen op gebieden die voorheen als onbereikbaar werden beschouwd. Denk aan schaken, arcadespellen, Go, zelfrijdende auto’s, eiwitvouwing en nog veel meer. Deze snelle technologische vooruitgang heeft ook een enorme impact gehad op de financiële dienstensector. Steeds meer CEO’s in de sector verklaren (expliciet of impliciet) dat zij “technologiebedrijven met een banklicentie” leiden.
Er is ook een snelle opkomst en groei van de financiële technologie-industrie (fintech), waar technologische startups steeds vaker de gevestigde financiële instellingen uitdagen op gebieden als retail banking, pensioenen of persoonlijke beleggingen. AI duikt dan ook vaak op in processen achter de schermen, zoals cyberbeveiliging, anti-witwaspraktijken, know-your-client controles of chatbots.
Tussen zoveel succesvolle gevallen lijkt er één opvallend afwezig: AI die geld verdient op de financiële markten. Terwijl eenvoudige algoritmen algemeen worden gebruikt door traders, zijn machine learning of AI-algoritmen veel minder gebruikelijk bij het nemen van investeringsbeslissingen. Maar aangezien machine learning gebaseerd is op het analyseren van enorme datasets en het vinden van patronen daarin, en financiële markten enorme hoeveelheden gegevens genereren, lijkt het een voor de hand liggende match. In een nieuwe studie, gepubliceerd in het International Journal of Data Science and Analytics, wordt een licht geworpen op de vraag of AI beter dan mensen is in het verdienen van geld.
Sommige gespecialiseerde beleggingsmaatschappijen die quant (wat staat voor ‘kwantitatieve’) hedgefondsen worden genoemd, verklaren dat ze AI gebruiken in hun beleggingsbesluitvormingsproces. Zij geven echter geen officiële prestatiegegevens vrij. En hoewel sommige van hen miljarden dollars beheren, blijven zij nichebedrijven en klein in verhouding tot de omvang van de grotere beleggingssector.
Anderzijds heeft academisch onderzoek herhaaldelijk zeer nauwkeurige financiële voorspellingen gerapporteerd op basis van machine-learning algoritmen. Deze zouden zich in theorie kunnen vertalen in zeer succesvolle mainstream beleggingsstrategieën voor de financiële industrie. En toch lijkt dat niet te gebeuren.
Wat is de reden voor deze discrepantie? Is het een vastgeroeste managerscultuur, of heeft het iets te maken met de praktische aspecten van investeren in de echte wereld?
AI’s financiële voorspellingen
We analyseerden 27 peer-reviewed studies van academische onderzoekers gepubliceerd tussen 2000 en 2018. Deze beschrijven verschillende soorten aandelenmarktvoorspellingsexperimenten met behulp van machine-learning algoritmen. Wij wilden nagaan of deze voorspellingstechnieken in de echte wereld kunnen worden gerepliceerd.
Onze onmiddellijke observatie was dat de meeste experimenten meerdere versies (in extreme gevallen, tot honderden) van hun beleggingsmodel parallel lieten lopen. In bijna alle gevallen presenteerden de auteurs hun best presterende model als het voornaamste product van hun experiment – wat betekent dat het beste resultaat werd uitgekozen en alle suboptimale resultaten werden genegeerd. Deze aanpak zou niet werken in de echte wereld van beleggingsbeheer, waar een bepaalde strategie slechts één keer kan worden uitgevoerd, en het resultaat een ondubbelzinnige winst of verlies is – er is geen ongedaanmaking van resultaten.
Het uitvoeren van meerdere varianten, en dan de meest succesvolle als representatief presenteren, zou misleidend zijn in de financiële sector en mogelijk als illegaal worden beschouwd. Als we bijvoorbeeld drie varianten van dezelfde strategie uitvoeren, waarbij de ene -40% verliest, de andere -20%, en de derde 20% winst boekt, en dan alleen de winst van 20% laten zien, dan geeft dit ene resultaat duidelijk een verkeerd beeld van de prestaties van het fonds. Er zou slechts één versie van een algoritme moeten worden getest, die representatief zou zijn voor een echte beleggingsopzet en daarom realistischer.
De modellen in de door ons onderzochte papers bereikten een zeer hoog nauwkeurigheidsniveau, ongeveer 95% – een teken van enorm succes op vele terreinen van het leven. Maar als een algoritme er bij marktvoorspellingen 5% van de tijd naast zit, kan dat nog steeds een echt probleem zijn. Het kan catastrofaal fout zijn in plaats van marginaal fout – en niet alleen de winst wegvagen, maar het gehele onderliggende kapitaal.
Handelaren gebruiken AI niet veel.
Rawpixel.com/Shutterstock
We merkten ook op dat de meeste AI-algoritmen “zwarte dozen” leken te zijn, zonder transparantie over hoe ze werkten. In de echte wereld zal dit beleggers waarschijnlijk geen vertrouwen inboezemen. Het zal waarschijnlijk ook een probleem zijn vanuit regelgevend oogpunt. Bovendien werd in de meeste experimenten geen rekening gehouden met handelskosten. Hoewel deze al jaren dalen, zijn ze niet nul en kunnen ze het verschil maken tussen winst en verlies.
Geen van de experimenten die we bekeken, hield rekening met de huidige financiële regelgeving, zoals de wettelijke EU-richtlijn MIFID II of bedrijfsethiek. De experimenten zelf ontplooiden geen onethische activiteiten – ze waren er niet op gericht de markt te manipuleren – maar ze misten een ontwerpkenmerk dat expliciet garandeerde dat ze ethisch waren. Naar onze mening moeten machine learning en AI-algoritmen bij het nemen van beleggingsbeslissingen aan twee reeksen ethische normen voldoen: de AI moet op zich ethisch zijn, en de beleggingsbeslissingen moeten ethisch zijn, waarbij rekening wordt gehouden met milieu-, sociale en governance-overwegingen. Dit zou de AI ervan weerhouden om bijvoorbeeld te investeren in bedrijven die de samenleving kunnen schaden.
Dit alles betekent dat de in de academische experimenten beschreven AI’s onhaalbaar waren in de echte wereld van de financiële industrie.
Zijn mensen beter?
We wilden ook de prestaties van AI vergelijken met die van menselijke beleggingsspecialisten. Als AI even goed of beter kan beleggen dan mensen, dan zou dat een enorme banenreductie kunnen inluiden.
We ontdekten dat het handjevol AI-aangedreven fondsen waarvan de prestatiegegevens openbaar werden gemaakt op publiek beschikbare marktgegevensbronnen, over het algemeen ondermaats presteerden op de markt. Daarom concluderen wij dat er momenteel zeer veel te zeggen valt voor menselijke analisten en beheerders. Ondanks al hun onvolkomenheden wijst empirisch bewijsmateriaal er sterk op dat mensen momenteel een voorsprong hebben op AI. Dit kan gedeeltelijk te wijten zijn aan de efficiënte mentale kortere weg die mensen nemen wanneer zij in onzekerheid snel beslissingen moeten nemen.
In de toekomst kan dit veranderen, maar we hebben nog steeds bewijs nodig voordat we op AI overstappen. En in de nabije toekomst geloven wij dat we, in plaats van mensen tegen AI op te zetten, de twee moeten combineren. Dit zou betekenen dat AI wordt ingebed in beslissingsondersteunende en analytische instrumenten, maar dat de uiteindelijke investeringsbeslissing aan een menselijk team wordt overgelaten.
Barbara Jacquelyn Sahakian ontvangt financiering van de Leverhulme Trust en de Lundbeck Foundation. Haar onderzoek wordt uitgevoerd binnen de NIHR MedTech and in vitro diagnostic Co-operative (MIC) en het NIHR Cambridge Biomedical Research Centre (BRC) Mental Health thema. Zij treedt op als adviseur voor Cambridge Cognition.
fabio.cuzzolin@brookes.ac.uk ontvangt financiering van de Europese Unie, UKRI, de Leverhulme Trust, de British Council en Innovate UK.
Wojtek Buczynski werkt niet voor, geeft geen advies aan, heeft geen aandelen in, en ontvangt geen financiering van bedrijven of organisaties die baat hebben bij dit artikel, en heeft buiten zijn academische aanstelling geen relevante affiliaties bekend gemaakt.