Catégories
Info investissements

Collaboration homme-machine et investissement sensible aux modèles

On dit que les gens ne deviennent pas plus sages avec l’âge, ils le deviennent simplement «plus»

Tout ce que nous avons bien fait – et plus important encore, tout ce que nous avons mal fait – est amplifié. La même chose est vraie lorsque nous ajoutons des ordinateurs et des données à la prise de décision humaine.

Les outils algorithmiques / appris par machine / artificiellement intelligents (IA) sont de plus en plus omniprésents dans le monde de l'investissement. Ils définissent la tolérance au risque des investisseurs dans la gestion de portefeuille et sont appliqués à la sélection de données alternative ainsi qu'à la sélection réelle des titres, entre autres tâches.

Bouton d'inscription

Le débat sur la question de savoir s'il faut «utiliser l'IA» est donc un peu naïf: ces outils feront surface même dans le processus de recherche des investisseurs discrétionnaires d'achat et de conservation les plus fondamentaux. L'accent est alors mis sur la «connaissance du modèle»: comment pouvons-nous tirer parti du fait que l'apprentissage automatique, les données alternatives et l'IA ne sont pas seulement répandus, mais leur influence augmente?

Investir selon les modèles

La connaissance des modèles est notre terme pour désigner l'apprentissage automatique, l'intelligence artificielle, les grands ensembles de données, etc. en tant que catégorie ou spectre de processus basés sur des règles, des machines ou des données qui dirigent les marchés financiers. Pour être conscient du modèle, chaque fiduciaire, répartiteur et gestionnaire doit commencer par une focalisation globale sur la question du processus: où se trouvent le plus d'opportunités et de risques?

Il appartient aux gens.

Retirer les conducteurs humains et les piétons des routes et les voitures autonomes fonctionneraient parfaitement. La collaboration entre les humains et les machines est la connexion à «bande passante la plus faible» dont chacun dispose. Pensez à la facilité avec laquelle nous pouvons tourner une poignée de porte et marcher à l'extérieur ou un ordinateur peut rendre une image complexe. Comparez cela à la difficulté de représenter notre problème ou d'obtenir des commentaires sur ses résultats. La collaboration homme-machine est à la fois la clé du succès et un vecteur d'opportunités à exploiter.

Tuile publicitaire pour l'intelligence artificielle dans la gestion d'actifs

Collaboration homme-machine

Le problème et l'opportunité résident dans la manière dont nous considérons les approches basées sur l'ordinateur et les modèles sur les marchés. Ils font partie de notre équipe ou de l'autre équipe.

Les humains et les machines peuvent auditer leurs approches mutuelles: pouvons-nous reproduire les résultats humains existants avec un modèle appris par machine? Et si tel est le cas, que nous disent nos outils standard sur les défauts du modèle qui en résulte?

Nous pouvons «contrer» les modèles que les ordinateurs construisent et prédire de manière fiable les relations qu'ils aimeront ou n'aimeront pas.

Le concept de «désintégration alpha» est réel. Quelque chose arrive pour emporter notre génération alpha. Nous pouvons utiliser les failles de la collaboration homme-machine pour exploiter ce problème en se considérant comme des adversaires.

L'apprentissage automatique contradictoire est une suite d'outils et de techniques qui cherche à surmonter l'opposition intelligente. Par exemple, un groupe de chercheurs a utilisé des montures de lunettes perturbant l'image pour que des réseaux sophistiqués d'apprentissage en profondeur identifient Reese Witherspoon comme Russell Crowe.

Même l'espace de problème le plus avancé et le mieux défini peut être contré. Que pouvons-nous en apprendre? Qu'il est essentiel de superviser et d'ajuster les modèles pour lutter contre le comportement «d'opposition intelligente». Une méthode simple d'action consiste à créer une «équipe rouge» pour une approche discrétionnaire existante ou à former une équipe rouge humaine pour contrer une stratégie basée sur un modèle ou des règles.

Le concept de «l'équipe rouge» est emprunté aux organisations d'espionnage et militaires. Cela signifie créer une équipe interne opposée pour lire les mêmes faits, jouer l'avocat du diable et soutenir les conclusions opposées. Nous avons tous nos propres versions informelles d'équipes rouges: nous nous inquiétons des manipulations des bénéfices GAAP / IFRS par rapport à la trésorerie ou du dérapage des transactions de gros blocs et modifions nos analyses et nos plans en conséquence.

Pour formaliser un tel modèle d'équipe rouge, nous pourrions inclure ces approches, avec les points de données «contrefactuels» supplémentaires, dans nos ensembles de données, et agir comme si un adversaire intelligent cherchait à nous contrer. Cela fait écho à l'appel du clairon de Nassim Taleb à réfléchir à la façon dont nos méthodes s'en tireraient "tous les mondes possibles,«Pas seulement le monde que nous avions en tête. De cette façon, nous pouvons élaborer des stratégies qui profitent de la décomposition et du désordre.

Pionniers de l'IA dans la gestion des investissements

Comportements homme-machine hybrides

Une fois que nous nous sommes séparés des machines et que nous nous «vérifions» les uns les autres, nous devons nous rappeler que les humains et les machines ne sont pas vraiment séparés. Les machines reproduisent souvent les préjugés sociaux humains. La collaboration homme-machine peut améliorer certains biais, mais elle peut également en aggraver, en créer ou en transformer d'autres:

  • Améliorer: Prendre des décisions hors des mains de l'homme peut atténuer ou même résoudre certains biais comportementaux. Par exemple, le tapis roulant hédonique – ressentant les pertes plus vivement que les gains – n'est pas un problème pour un algorithme bien configuré.
  • Empirer: La manière dont les modèles sont conçus – souvent leurs hypothèses, paramètres, hyperparamètres et interactions avec les personnes – peut exacerber certains problèmes. Les pics de volatilité corrélés entre les marchés et les classes d'actifs sont étroitement liés à cet effet d'amplification. Les ordinateurs s'approchent et se retirent rapidement des asymptotes de leurs paramètres, presque comme une «frontière réfléchissante» mathématique.
  • Créer: L'augmentation continue et le recours à de nouvelles sources de données fondées sur des modèles, des règles et de nouvelles ont conduit à de nouveaux biais comportementaux. Les problèmes homme-machine «hybrides» incluent les effets de boîte noire. Ces résultats inexplicables – les fluctuations de volatilité corrélées, par exemple – se développent de nulle part et disparaissent tout aussi mystérieusement. Des interactions machine-machine cachées peuvent également apparaître, comme la «collusion d'apprentissage automatique» dans laquelle les machines conspirent les unes avec les autres sans direction humaine.
  • Transformer: Les dimensions comportementales humaines prennent de nouvelles formes lorsqu'elles sont liées à l'informatique ou à des ensembles de données. La règle du pic de fin, dans laquelle les meilleurs et les pires points et la fin d'un phénomène sont ressentis plus intensément que le reste de l'expérience, se présente de manière novatrice lorsque les personnes et les machines collaborent.

Que pouvons-nous faire aujourd'hui? Nous pouvons commencer par réfléchir à la manière dont cet ensemble de lacunes de collaboration affecte nos stratégies. Pouvons-nous «équipe rouge» ou «contrer» nos modèles et nos processus humains? Quelles dimensions comportementales hybrides modifieront nos hypothèses clés sur la façon dont les humains voient le monde?

Si vous avez aimé ce post, n'oubliez pas de vous abonner à la Investisseur entreprenant.


Tous les articles sont l'opinion de l'auteur. En tant que tels, ils ne doivent pas être interprétés comme des conseils d’investissement et les opinions exprimées ne reflètent pas nécessairement les vues du CFA Institute ou de l’employeur de l’auteur.

Crédit d'image: © Getty Images / Dong Wenjie

Uzi Hadar, CFA

Uzi Hadar, CFA, est gestionnaire de portefeuille chez Duo Reges Capital Management, une société de gestion des investissements quantitatifs long-short basée à Seattle qui cherche à exploiter les lacunes de collaboration homme-machine créées par le trading basé sur des règles ou des modèles. Duo Reges, qui signifie «deux rois» en latin, se concentre sur les «bords durs» de la façon dont les humains et les machines collaborent sur les marchés financiers, à la fois avec succès et sans succès. Sa stratégie de base est de prévoir l'élan long et court qui en résulte en regroupant les acteurs du marché en «personas» auxquels il recommande des titres qu'ils aimeront (longs) ou n'aimeront pas (shorts). Hadar a 20 ans d'expérience en tant que cadre chevronné en placements alternatifs, dirigeant des stratégies à la fois liquides et illiquides, y compris en tant que sponsor et conseiller en private equity. Il a également une expérience en banque d'investissement et a conseillé et collaboré de manière approfondie avec des sociétés de croissance émergentes, des leaders du secteur, des sociétés d'investissement alternatif, des family offices et des investisseurs institutionnels. Hadar a obtenu son MBA à la Darden School de l'Université de Virginie.

Andy Chakraborty

Andy Chakraborty est gestionnaire de portefeuille chez Duo Reges Capital Management, une société de gestion des investissements quantitatifs long-short basée à Seattle qui cherche à exploiter les lacunes de collaboration homme-machine créées par le trading basé sur des règles ou des modèles. Duo Reges, qui signifie «deux rois» en latin, se concentre sur les «bords durs» de la façon dont les humains et les machines collaborent sur les marchés financiers, à la fois avec succès et sans succès. Sa stratégie de base est de prévoir l'élan long et court qui en résulte en regroupant les acteurs du marché en «personas» auxquels il recommande des titres qu'ils aimeront (longs) ou n'aimeront pas (shorts). Chakraborty a 15 ans d'expérience en investissement d'entreprise et en développement de modèles statistiques en tant que leader de la science financière et des données pour Amazon, plus récemment en tant que scientifique en chef des données pour AWS S3 et Amazon Retail Systems. Il a occupé divers postes en analyse d'entreprise et en investissement chez Microsoft et Sprint. Il a également cinq ans d'expérience dans la gestion d'opérations complexes de fabrication de semi-conducteurs pour Intel. Chakraborty a obtenu son MBA à la Darden School de l'Université de Virginie.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *