Onlangs bespraken Dr. Hugo Bowne-Anderson (DataCamp) en Dr. Yves Hilpisch (The Python Quants) hoe je AI kunt inzetten in financiën, hoe dit zich verhoudt tot meer traditionele benaderingen, en waarom data scientists tegenwoordig sleutelspelers zijn in de financiële wereld. Ze gingen ook in op onzekerheid en risico, en hoe nuttig AI en machine learning kunnen zijn bij marktcrashes, tijdens black swan-events en in volatiele markten. Bekijk het webinar on-demand of lees verder voor een paar belangrijke inzichten.
Wat is AI en wat zijn de implicaties?
Yves definieert kunstmatige intelligentie als het geheel aan vakgebieden die proberen te emuleren en te verbeteren wat mensen kunnen. In die zin probeert AI in schaken beter te schaken dan mensen, en kan AI in financiën betekenen dat je bots bouwt en traint die beter kunnen handelen dan mensen.
"AI is waar software iets bereikt dat we als een intelligente handeling zouden beschouwen. En intelligentie kun je definiëren als het vermogen om een bepaald doel te bereiken." —Dr. Yves Hilpisch
Machines kunnen de wetenschappelijke methode veel efficiënter volgen dan mensen. Ze kunnen naar de data kijken en geopenbaarde voorkeuren achterhalen door te volgen wat mensen daadwerkelijk doen. Daaruit destilleren ze inzichten. Ze benutten miljoenen datapunten om deze inzichten te vormen, die uiteindelijk veel nauwkeuriger blijken dan theoretische modellen.
Dus, wat is de wetenschappelijke methode?
"Je zet een experiment op, je verzamelt data en probeert vervolgens ofwel steun voor de hypothese te vinden, of je vindt misschien data die de hypothese tegenspreekt. De volgende stap is dan je hypothese of aannames aan te passen, of de hypothese misschien helemaal in te trekken. Dit proces van de wetenschappelijke methode kan door machines miljoenen keren in seconden worden gerepliceerd." —Dr. Yves Hilpisch
AI heeft de afgelopen 20 jaar een groot concurrentievoordeel opgeleverd
AI dient in financiën hetzelfde doel als in elk ander vakgebied: een concurrentievoordeel behalen. In de financiële wereld begon het in de jaren 50, toen Markowitz de weg vrijmaakte met het eerste kwantitatieve financiële model. Het was het eerste model in de variantieportefeuilletheorie dat brede acceptatie vond. Vandaag de dag wordt het nog steeds gebruikt om biljoenen dollars te beheren. Maar het gebruikt normatieve theorie, gebaseerd op het analyseren van verschillende mogelijke portefeuilles van effecten—het is niet voorschrijvend, omdat het geen mogelijke handelingsrichting suggereert. Het is dus niet op data gebaseerd, maar eerder op gedragsdata of marktdata.
In de afgelopen 20 jaar is data toegankelijker geworden dan ooit—de sleutel is om die op de juiste manier te gebruiken. Gregory Zuckermans The Man Who Solved the Market beschrijft hoe het hedgefonds Renaissance Technologies vooropliep in het verzamelen van data voor financieel gewin. Tegenwoordig heeft vrijwel elke sector hun strategie omarmd: wiskundige modellen bouwen en data kraken—waardoor ze uiteindelijk optimalere beslissingen kunnen nemen.
Moderne use-cases en best practices voor kwantitatieve financiën
Er heeft een spectaculaire evolutie van AI in financiële markten plaatsgevonden. Zo kunnen supervised learning-modellen, gebruikmakend van de bergen data die vandaag beschikbaar zijn, het gedrag van kredietverstrekkers of consumenten met hoge nauwkeurigheid voorspellen. Algoritmische handel maakt ook gebruik van reinforcement learning om handelsbots te belonen en te straffen op basis van hoeveel geld ze verdienen of verliezen.
"We hebben nu miljoenen en miljoenen datapunten die we kunnen gebruiken om het gedrag van mensen te analyseren. En met de nieuwe technologieën die we hebben, zijn banken en instellingen [zoals] fintech-startups tien keer, honderd keer beter in het voorspellen van consumentengedrag, kredietgedrag, enzovoort, dan elke theorie die ooit door hoogleraren financiën is bedacht." —Dr. Yves Hilpisch
Maar in tijden als deze, met hoge marktvolatiliteit, is het duidelijk dat AI in financiën veiligheidsmaatregelen vereist. Supervised learning vertrouwt op historische data en gaat ervan uit dat wat in het verleden is gebeurd representatief is voor wat in de toekomst zal gebeuren. Dat is wankele logica in tijden van marktvolatiliteit. Daarom heb je regels nodig om slechte handelsbeslissingen te voorkomen, zoals het instellen van een stop-loss—waarmee je een prijs vastlegt waarop een effect of grondstof wordt verkocht—op de algoritmen. Deze logica begrenst verliezen die te groot zijn om te dragen en is vergelijkbaar met het aanbrengen van veiligheidsmechanismen op een zelfrijdende auto om te voorkomen dat die voetgangers op een trottoir raakt. AI is nuttig om risico te verkleinen dat voortkomt uit actuele gebeurtenissen en de impact daarvan op de markt. Bij black swan-events moeten supervised learning-tactieken zorgvuldig worden gemonitord, en kan reinforcement learning worden gebruikt om modellen opnieuw te trainen op basis van nieuwe marktomstandigheden. Menselijke tussenkomst en zorgvuldige monitoring van geïmplementeerde algoritmen zullen in de nabije toekomst nog steeds nodig zijn.
De behoefte aan eenvoudige, repliceerbare, schaalbare tools
In computationele financiën hanteert de Monte Carlo-simulatie een toekomstgerichte aanpak die begint op een bepaald tijdstip en vervolgens de toekomst in simuleert. Python is hier een uitstekend hulpmiddel voor. De Python-datastack is tegenwoordig een set van interoperabele pakketten waarmee je data kunt inladen, transformeren met pandas, statistische modellen kunt bouwen en machinelearning-algoritmes kunt creëren. Python maakt het mogelijk dit alles op schaal te doen. Tegenwoordig is algoritmische handel afhankelijk van de juiste tooling. En om in deze sector aan de slag te gaan, heb je een bepaald niveau van vaardigheid in deze tools nodig—met name Python en R. Het Python-pakket pandas en frameworks als TensorFlow en Keras hebben veel mensen in staat gesteld om te doen wat eerder onmogelijk was.
Drempels verlagen
Het leren gebruiken van deze tools is een grote investering, en meer bedrijven en individuen doen deze investering dan ooit. Opleidingen zoals DataCamp en The Python Quants kunnen het leerproces democratiseren. Leerlingen raken vertrouwd met data science- en machinelearningconcepten en worden handig in het zelfstandig bouwen van algoritmes in een codeeromgeving. Ze leren ook hoe je een juiste omgeving en toolchain opzet om op de server te werken—waardoor ze algoritmes in de cloud kunnen uitrollen.
