Эксперты Уортонской школы бизнеса и Goldman Sachs обсуждают эволюцию количественных финансов и влияние больших языковых моделей на современные инвестиционные процессы.
3 мин
Количественные финансы переживают фундаментальную трансформацию. Если раньше использование сложных математических моделей было уделом узкого круга специалистов, то сегодня алгоритмы искусственного интеллекта стирают границу между традиционным и количественным инвестированием. Эксперты Уортонской школы бизнеса и аналитики Goldman Sachs отмечают, что в современной индустрии любая инвестиционная стратегия так или иначе опирается на данные.
Исторически термин «количественные финансы» менял свое значение. В 1970-х годах, после прорывов в финансовой теории, это понятие относилось к математическому моделированию сложных активов, таких как деривативы и облигации. Этот период подарил индустрии термин «финансовая инженерия». Основной задачей было использование математики для оценки ценных бумаг со сложной структурой выплат.
Со временем, благодаря росту вычислительных мощностей и развитию статистики, фокус сместился. Количественные финансы стали ассоциироваться с инвестированием на основе предиктивных моделей. Специалисты начали использовать исторические данные для прогнозирования доходности активов. Появилось систематическое инвестирование, где программы анализируют торговые сигналы и формируют портфели без ручного вмешательства человека.
The FDNY’s Transformation After 9/11
Сегодня индустрия делает следующий шаг, интегрируя большие языковые модели (LLM) и машинное обучение. Профессор Николай Руссанов из Уортона выделяет три основных направления, по которым искусственный интеллект меняет правила игры.
Во-первых, нейросети выступают в роли мощного инструмента продуктивности. Количественные финансы строятся на программном коде. Искусственный интеллект автоматизирует его написание, позволяя исследователям и портфельным управляющим тестировать гипотезы намного быстрее.
Во-вторых, современные модели с миллиардами параметров способны прогнозировать доходность точнее, чем традиционные статистические методы. Они находят скрытые нелинейные закономерности в огромных массивах данных, включая альтернативные источники — от транзакций по кредитным картам до спутниковых снимков.
В-третьих, большие языковые модели произвели революцию в анализе текстовой информации. Они способны мгновенно обрабатывать финансовые отчеты, новости и стенограммы звонков, извлекая из них торговые сигналы. Модели анализируют контекст и связи между словами, что недоступно классическим алгоритмам.
How the NFL Is Winning a New Generation of Fans
Ингрид Тиренс из Goldman Sachs подчеркивает, что сегодня все финансы по определению являются количественными. Невозможно представить современный инвестиционный процесс без использования данных и технологий. Разница заключается лишь в подходе: систематическом или дискреционном.
Систематический подход подразумевает диверсифицированные портфели с ограниченным размером ставок на отдельные активы. Дискреционный подход оставляет решающее слово за человеком, формируя более концентрированные портфели на основе глубокой убежденности управляющего.
Однако сейчас эти два мира сливаются, порождая так называемое «квантоментальное инвестирование» (quantamental investing). Даже фундаментальные управляющие, полагающиеся на собственное суждение, активно используют машинное обучение и альтернативные данные для формирования своих стратегий.
В перспективе роль человеческого суждения никуда не исчезнет, особенно в ситуациях высокой рыночной неопределенности. Но базовый набор навыков финансового специалиста необратимо изменился. Понимание того, как работают языковые модели и как интегрировать их в процесс принятия решений, становится обязательным условием для работы на современном рынке.
The Business of Shared Scooters
Искусственный интеллект стирает грань между традиционным и количественным инвестированием, делая использование сложных моделей анализа данных стандартом для всей финансовой индустрии.
Главное влияние ИИ в финансах сейчас заключается не в полной замене человека алгоритмами, а в радикальном ускорении написания кода и тестирования гипотез для исследователей.
