Większość z nas zapewne kiedyś słyszała o znajomym, sąsiedzie, kuzynie, który bardzo szybko wzbogacił się „grając na giełdzie”. Pewnie też wielu z nas słyszało o ludziach, którzy cały swój majątek stracili, inwestując w ryzykowne aktywa. Rozwój internetu sprawił, że i przeciętny Kowalski może stać się traderem, a wpisując w wyszukiwarkę hasło „jak grać na giełdzie” znajdzie dziesiątki, jak nie setki poradników i wskazówek, które mają pomóc zarobić grube miliony. Czy wyposażony w komputer i algorytmy uczenia maszynowego faktycznie może odkryć drogę do bogactwa?
Hipoteza efektywności rynku zaproponowana przez Eugene’a Famę (University of Chicago Booth School of Business) stwierdza, że przeszłe informacje nie dają nadprzeciętnych zysków, czyli na podstawie informacji, które mają wszyscy, nie da się pobić rynku: zarobić można dokładnie tyle, ile kupując przeciętny portfel rynkowy (np. indeks spółek). Na efektywnym rynku papiery wartościowe są wyceniane prawidłowo, a ceny odzwierciedlają wszystkie dostępne informacje. Żadne, nawet najbardziej złożone rozumowanie wykorzystujące tylko dane historyczne nie pozwoli nam na systematyczne osiąganie stóp zwrotu większych niż przeciętna na rynku: ślepej kurze może się trafić ziarno, ale nie ma sposobu na znajdywanie za każdym razem więcej ziaren niż inne kury.
W ostatnim czasie, na magicznych stronach ze wskazówkami dla inwestorów, hasłem-kluczem stały się modele uczenia maszynowego i sztucznej inteligencji. Czy sztuczna inteligencja podważa naturalną inteligencję Eugene’a Famy, setek znanych ekonomistów po nim i Komitetu Noblowskiego, który nagrodził Famę w 2013 r.?
Teoria efektywnych rynków od strony matematycznej związana jest ze spełnieniem kilku założeń: wszyscy inwestorzy postępują racjonalnie, żaden z nich nie ma wpływu na zachowanie pozostałych i cen, informacje docierają do wszystkich uczestników rynku w tym samym czasie i są natychmiast wykorzystywane w strategiach inwestycyjnych. Nie szkodzi, gdy inwestorzy zgadzają się co do kierunku wpływu danej nowej informacji na przyszłe ceny akcji. Jak łatwo zauważyć, w codziennej praktyce giełdowej powyższe założenia nie są spełnione wszystkie i zawsze, ale niezgodność z założeniami nie oznacza, że rynki nie są efektywne. Samą efektywność testuje się, sprawdzając, czy za pomocą jakiejś reguły decyzyjnej, używając danych historycznych, uda się „pobić rynek”. Adam Szyszka (Szkoła Główna Handlowa) zbadał zachowanie Giełdy Papierów Wartościowych w Warszawie do 2000 r. i pokazał, że w pierwszych latach (z grubsza do końca 1994 r.) można było osiągać systematycznie zyski wyższe niż średnia, ale później standardowe modele prognostyczne przestały dawać takie możliwości. Wniosek ten potwierdzają wyniki badań Jana Czekaja, Mirosława Wosia i Janusza Żarnowskiego (Uniwersytet Ekonomiczny w Krakowie).
Tyle że rynkami, poza modelami prognostycznymi, rządzą także emocje traderów i inwestorów. Pojawia się sporo anomalii podważających systematycznie hipotezę efektywności Famy. Do najpopularniejszych należą m.in. efekt stycznia (wyższe niż podpowiadają modele stopy zwrotu), efekt poniedziałku (niższe zwroty) czy efekt małych firm (zwroty wyższe niż modelowe). Inwestorzy indywidualni częściej kupują ryzykowne fundusze wiosną i bezpieczniejsze fundusze jesienią, co niekoniecznie jest związane z wynikami tych podmiotów. Powyższe efekty i inne podobne zjawiska pozwalają osiągać ponadprzeciętne zyski, mimo iż wszyscy uczestnicy rynku mają świadomość ich występowania. Ekonomiści behawioralni twierdzą, że te niedoskonałości rynków finansowych są wynikiem m.in. nadmiernej pewności siebie inwestorów, nadreaktywności uczestników rynku na napływające informacje, różnego rodzaju uprzedzeń, w tym stereotypów i niechęci do informacji, które podważają nasze przekonania. Herbert Simon, inny laureat ekonomicznego Nobla, zaproponował pojęcie ograniczonej racjonalności: mózg każdego człowieka ma pewne ograniczenia poznawcze, czyli nie jest doskonały w przetwarzaniu nowych informacji. O ile efekty stycznia czy poniedziałku są wręcz książkowe, w różnych zakątkach rynków finansowych mogą występować podobne, lecz jeszcze nierozpoznane dziwactwa wynikające z barier poznawczych ludzkich umysłów.
Czy takie perełki wyłuska dla nas sztuczna inteligencja? Nie. W każdym razie nie systematycznie. Nowoczesne metody, w których komputer sam uczy się z danych, nie zastąpią wielu lat studiowania statystyki i finansów ani doświadczenia w transakcjach rynkowych. Rosnąca lawinowo literatura wykazuje, że prognozy oparte na uczeniu maszynowym dają wyniki… tak dobre jak tradycyjne modele. Ich zalety wynikają przede wszystkim z tego, że danych nie trzeba wcześniej przygotowywać (np. wyizolować wzorców sezonowości), więc mniej jest etapów, w których człowiek – zawodowy analityk czy domorosły trader – może się pomylić i niewłaściwie zinterpretować dane. Ponieważ sztuczna inteligencja uczy się wzorców z danych samodzielnie, zastępuje kolejne sekwencje czynności wykonywane wcześniej przez człowieka. Ale sztuczna inteligencja nie wymyśla niczego, czego nie umieją wymyślić naturalnie inteligentne tysiące traderów na całym świecie. Przynajmniej jak dotąd. Z perspektywy przeciętnego Kowalskiego, zamiast uczyć się, co to sezonowość czy kointegracja, można poznawać wady i zalety hybrydowych modeli sieci neuronowych czy zgłębiać problem „przetrenowania”. A i z tą nauką, statystycznie, zarobić można mniej więcej tyle, ile kupując indeks. Zatem niezależnie od postępów w technologiach i coraz mądrzejszych komputerów, kanapowym inwestorom zostają zawsze dwie opcje: gra na giełdzie (która niewiele różni się od totka) dla własnej przyjemności, ale bez nadziei na wzbogacenie, oraz najprostsze pod słońcem inwestowanie w indeks.