Забудьте о «бритве Оккама». Преимущества сложных инвестиционных стратегий

Принцип «бритвы Оккама» - краеугольный камень социальных наук. Для экономистов-финансистов он почти аксиома. Принцип назван в честь Уильяма Оккама, монаха XIV века. Согласно ему, самое простое объяснение любого явления - лучшее.

Как пишет The Economist, в настоящее время финансовые аналитики боятся «переобучения» - создания модели, которая благодаря своей сложности хорошо соответствует существующим данным, но плохо предсказывает будущее. Однако тут проявляется принцип Оккама. По новым данным, когда дело касается больших моделей машинного обучения, экономия переоценивается, а сложность может стать определяющим фактором. Если это так, методы современного инвестирования значительно изменятся.

Дискуссия началась в 2021 году, когда Брайан Келли и Кангинг Чжоу из Йельского университета, а также Семен Маламуд из Швейцарского федерального технологического института в Лозанне опубликовали книгу «Преимущество сложности в прогнозировании доходности». В одном из экспериментов соавторы проанализировали данные всего за 12 месяцев, используя модель с 12 тыс. отдельных параметров. Использование такого большого количества параметров, противоречащее принципу Оккама, обычно повышает риск переобучения. Однако сложность, по-видимому, на самом деле помогла модели прогнозировать будущее. Авторы статьи задались вопросом, может ли принцип Оккама быть ошибкой Оккама?

Пока это академическая дискуссия, но ее итог будет иметь серьезные последствия. Келли также является управляющим портфелем в количественном хедж-фонде AQR. Компания когда-то прославилась использованием более традиционных и экономных методов, чем ее конкуренты. В настоящее время она использует очевидные преимущества сложности. Келли считает, что исследователи, опасавшиеся переобучения данных, слишком мало беспокоились о недообучении. Более точные прогнозы с использованием небольших наборов данных могут приносить значительную прибыль. Многие финансовые исследования тормозятся малыми размерами выборок и сложностью проведения экспериментов. Сбор большего количества данных часто требует ожидания, а в некоторых областях их еще и просто мало.

При изучении экстремальных событий, таких как обвалы рынка, банковские паники и суверенные дефолты, исследователи часто располагают лишь несколькими примерами из современной истории. Хедж-фонды, стремясь получить преимущество, тратят миллиарды долларов на альтернативные данные, от спутниковых снимков китайского железнодорожного движения до настроений инвесторов, собранных из социальных сетей.

Если вы хотите зарабатывать на фондовом рынке, но у вас нет времени вникать в его сложности, подключите сервис «Финам Автоследование» и у вас появится возможность зарабатывать на рынке, следуя стратегиям профессиональных трейдеров. Выберите надежную стратегию, основываясь на глубокой аналитике и статистике сервиса. Для подключения к стратегии, по которой ведется торговля иностранными ценными бумагами, нужен статус «квала».

В последнее время споры о сложности достигли апогея. Келли и его соавторы столкнулись со шквалом критики. Альваро Картеа, Ци Цзинь и Юаньтао Ши из Оксфордского университета считают, что преимущества сложности заканчиваются там, где данные собраны некачественно, содержат ошибки или неточности.

Стефан Нагель из Чикагского университета предполагает, что для малых наборов данных сложные модели фактически имитируют стратегию торговли на основе импульса. По его мнению, их успех — это «счастливое совпадение». Келли и Маламуд ответили критикам еще одним подробным документом. Преждевременно превозносить принцип Оккама. Даже скептики не отвергают полностью идею о том, что большие, сложные модели могут давать лучшие прогнозы, чем более простые. Критики считают, что это не всегда так.

Между тем, если преимущество сложных стратегий реально, работа многих инвесторов значительно изменится. Самым важным шагом станет найм лучших специалистов по машинному обучению. Увеличится роль приобретения и очистки данных. Миллиардные зарплаты, которые технологические компании предлагают топовым программистам, начнут появляться и в инвестиционных фирмах.

Инвестиционные компании также получат больше преимуществ от масштабирования. Вычислительная мощность, необходимая для обучения и запуска моделей, стоит дорого. Она может стать своеобразным «защитным рвом», защищающим крупные хедж-фонды от конкуренции. Более крупные игроки смогут позволить себе больше экспериментировать с более широким спектром классов активов. Мелкие конкуренты едва ли будут поспевать за ними.

Снижение конкуренции - не единственный риск. Люди все еще пытаются понять, как работают самые передовые модели машинного обучения. Инвесторы могут все больше полагаться на алгоритмы «черного ящика», которые очень сложно интерпретировать. Преимущества небольших моделей заключаются в том, что их не только легко внедрять, но также легко обдумывать и корректировать. Немногие будут жаловаться, пока они зарабатывают деньги. Тем не менее, если с новыми моделями что-то пойдет не так, от банальной неэффективности до краха целых инвестиционных стратегий, инвесторы будут искать другие инструменты для преодоления сложностей.