Hochqualitatives Interview: Two Sigma spricht darüber, wie KI zur Befähigung von Investitionen eingesetzt wird
Ich empfehle euch ein Interview mit Ben Wellington, das sehr praxisnah ist und einzigartige Einblicke in die KI-Forschungsarbeit im Investmentbereich sowie KI-Investments bietet.
Wer ist Ben Wellington? Er ist Leiter des Feature-Engines bei Two Sigma, einem der weltweit führenden quantitativen Fonds.
Ich habe die Videozusammenfassung mit AlphaEngine erstellt und es dann absatzweise durchgearbeitet.
Hauptinhalte umfassen:
- Die drei Hauptquellen von Alpha im quantitativen Investment
- KI ist der „Verstärker der einzigartigen Fähigkeiten“ eines jeden Menschen
- Die aktuelle wichtige Forschungsrichtung von Two Sigma: Idiosyncrasy at Scale
- Neue Standards für Investmentfachkräfte im KI-Zeitalter
Ohne weitere Umschweife legen wir los.
(1) Die drei Hauptquellen von Alpha im quantitativen Investment
Es gibt drei Hauptquellen für Alpha bei KI-Investments.
Erstens die Datenebene, also die Beschaffung von alternativen Daten, die andere Institutionen nicht besitzen, beispielsweise die Analyse der Belegungsrate von Parkplätzen bei Walmart anhand von Satellitenbilddaten, die Verfolgung des Quartalsumsatzes von Vertriebsunternehmen anhand von Kreditkartendaten oder die Verfolgung des Erweiterungstempos von Unternehmen anhand von Stellenausschreibungen usw.
Zweitens die Merkmalsebene, also die Extraktion einzigartiger Merkmale aus denselben Daten, die andere Institutionen nicht herausarbeiten können, beispielsweise die Extraktion der Anzahl ausweichender Antworten von Führungskräften von börsennotierten Unternehmen oder die Anzahl von Antworten, die nicht zur Frage passen, mithilfe von Spracherkennungstechnologie während der Leistungsaustauschsitzungen von börsennotierten Unternehmen.
Drittens die Vorhersageebene, also die Extraktion von mehr nützlichen Vorhersageinformationen anhand neuer maschineller Lernalgorithmen auf Grundlage derselben Daten und Merkmale, beispielsweise die Umstellung von der herkömmlichen linearen Regressionsvorhersage auf GBDT, um die nichtlineare Beziehung zwischen Faktoren und Erträgen zu erfassen.
(2) Welche der drei Alpha-Quellen ist wichtiger?
Die Datenebene ist wichtig, aber ihr Gewicht nimmt Jahr für Jahr ab.
In den letzten 15 bis 20 Jahren wurden Daten stark kommerzialisiert. Two Sigma gehörte zu den ersten Datenkäufern, die von Datenanbietern die Abdeckung aller Marktwerte im gesamten Markt forderten, und übernahm die Rolle der Markterziehung. Damals war das relative Gewicht des Datenvorteils sehr groß.
Im Vergleich zur Datenebene hat die Merkmalsebene das größte Gewicht.
Die Umwandlung derselben Daten auf clevere und einzigartige Weise in Merkmale ist die größte Quelle für Alpha.
Hinter einem guten Merkmal verbergen sich oft ökonomische Bedeutung und Investmentintuition.
Beispielsweise ist der „Offenlegungszeitpunkt des Finanzberichts von börsennotierten Unternehmen“ ein wertvolles Merkmal, insbesondere wenn man prüft, ob ein Unternehmen die Pressemitteilung erst nach Börsenschluss am Freitag veröffentlicht.
Hinter den Merkmalen liegt im Wesentlichen die menschliche Kreativität.
Ben hat ein Beispiel mit „Analysten“ als Forschungsobjekt gegeben.
Um die Beziehung zwischen „Analysten“ und dem Aktienkurs des Zielunternehmens zu untersuchen, darf man nicht nur das Merkmal „Analystenrating“ betrachten.
Two Sigma achtet auch darauf, ob der Analyst und der CEO des abgedeckten Unternehmens dieselbe Universität absolviert haben.
Die Gültigkeit eines einzelnen Merkmals kann sehr gering sein (beispielsweise eine Gewinnrate von 50,001 %), aber wenn man 200 ähnliche Fragen stellt und 200 Merkmale aus unterschiedlichen Perspektiven erzeugt, ist der Aggregationseffekt sehr signifikant.
Auch die Vorhersageebene ist sehr wichtig. Two Sigma hat ein eigenes Techniques-Team eingerichtet, das untersucht, wie maschinelle Lernalgorithmen ihre maximale Wirkung entfalten können.
(3) Wie man Merkmale entwickelt, die andere nicht entdeckt haben, aus stark kommerzialisierten Daten
Bens Antwort ist sehr direkt: Durch Kontinuität und wissenschaftliche Methoden, nicht durch Anhäufung von Rechenleistung.
Zuerst müssen alle Faktoren einer manuellen Vorabprüfung unterzogen werden.
Indikatoren mit offensichtlich niedriger Vorabwahrscheinlichkeit wie Körpergröße oder Augenfarbe von Analysten sind es nicht wert, Zeit darauf zu verwenden, da sie nur Rauschen einbringen.
Daher wird ein gutes Merkmal oft von wertvollen Inspirationen angetrieben, und Ben hat einige wertvolle Inspirationsquellen zusammengefasst.
Die erste Inspirationsquelle sind akademische Forschungsergebnisse.
Beispielsweise gibt es eine Arbeit, die anhand der sozialen Posts von Analysten ableitet, ob diese Kinder haben, und daraus ihre Fähigkeit zur Aktienauswahl vorhersagt.
Die zweite Inspirationsquelle ist die Aufbau eines Teams mit kognitiver Vielfalt.
Das Forschungsteam von Two Sigma umfasst Physiker, Mathematiker, Informatiker usw. Aufgrund unterschiedlicher Hintergründe denken die Mitglieder auf verschiedene Weise und stoßen oft auf wertvolle Merkmale.
Die dritte Inspirationsquelle ist die Verallgemeinerung ausgehend von realen Einzelfällen.
Wenn Sie beispielsweise die Nachricht sehen, dass ein Zugentgleisung an einem Ort zum Rückgang der Aktie eines Unternehmens führt, denken Sie sofort darüber nach, ob Sie dies zu einem allgemeinen Merkmal abstrahieren können, das alle Unternehmen auf dem gesamten Markt abdeckt und zehn Jahre lang rückgetestet werden kann.
(4) Kollinearität ist das Grab der Merkmale
Eine Schwierigkeit bei der Merkmalsextraktion besteht darin, dass das Team Hunderte oder Tausende von Signalen erzeugen kann, die scheinbar unabhängig und gültig sind, tatsächlich aber stark kollinear sind.
Bei der Faktorextraktion scheinen einige „niedrig hängende Früchte“ zu sein, sind aber tatsächlich wertlos.
Beispielsweise verfolgt der „Nachrichtenstimmungsfaktor“ oft nur die Nachrichtenberichte nach der Veröffentlichung von Finanzberichten. Diese Nachrichten sind im Wesentlichen nur eine „verunreinigte Version von Gewinndaten“ und liefern keine neuen Informationen.
Bei Two Sigma hat das Modellierungsteam einen klaren Orthogonalitätsschwellenwert festgelegt, und neue Merkmale werden nur dann in die Faktorbibliothek aufgenommen, wenn sie den Schwellenwert erreichen.
Darüber hinaus hat jedes Merkmal einen inhärenten Vorhersagezyklus, der von seinem ökonomischen Übertragungsweg abhängt.
Beispielsweise können die Besucherdaten von Walmart nicht innerhalb von 5 Sekunden vom Markt eingepreist werden. Sie müssen über Kanäle wie die Offenlegung von Same-Store-Umsatzdaten übertragen werden, und der Zyklus beträgt mehrere Monate.
Daher haben verschiedene Merkmale unterschiedliche „Markteintrittswege“, die ihren Vorhersagezyklus bestimmen.
(5) LLM senkt die Explorationskosten für neue Ideen erheblich
Früher musste man für die Prüfung von alternativen Merkmalen wie der „Blinkfrequenz des CEO während der Finanzbericht-Telefonkonferenz“ ein spezielles Computer-Vision-Team ein halbes Jahr lang einsetzen, was eine zu niedrige Kapitalrendite bedeutet.
Auch wenn Sie intuitiv glauben, dass dieses Merkmal wertvoll sein könnte, müssen Sie es erst einmal zurückstellen, um Forschungen mit höherem Vorabwert durchzuführen.
Jetzt, mit der Analyse durch LLM, sinken die Forschungskosten für neue Merkmale drastisch, und die Entscheidungsbalance wird vollständig verändert.
Das entspricht einem unbegrenzten Experimentierbudget für Wissenschaftler, sodass Sie sich keine Sorgen mehr um den „Bau eines Teilchenbeschleunigers“ machen müssen – der Umsetzungsaufwand ist nicht mehr ein einschränkender Faktor für das Denken.
Wenn Sie jetzt 2000 Merkmalsideen auf dem Schreibtisch haben, die Sie nicht eingehend erforschen konnten, ist dies im KI-Zeitalter eine Goldgrube.
(6) KI ist der „Verstärker der einzigartigen Fähigkeiten“ eines jeden Menschen
Ben glaubt, dass das Kernrisiko von KI-Forschungsinstrumenten im Investmentbereich darin besteht, die Entropie der Ausgabe von Investitionsentscheidungen zu senken.
Automatisierung ist für standardisierte Produktionsabläufe (wie die Herstellung von Kartons) vorteilhaft, aber die Überrendite von Investmentportfolios hängt genau von Orthogonalität und Originalität ab.
Wenn Sie allen einen Knopf für „Ein-Klick-Entscheidung“ geben, ist die Geschwindigkeit der Erzeugung von Investitionsentscheidungen zwar sehr hoch, aber die Ergebnisse werden stark homogenisiert, was für Investmentportfolios sehr gefährlich ist.
Der richtige Ansatz besteht darin, KI als Verstärker der einzigartigen Forschungsfähigkeiten jedes Forschungsmitarbeiters im Investmentbereich zu positionieren, nicht als Ersatz.
Durch Mechanismen wie Kontext und Fähigkeiten kann KI den jeweiligen Hintergrund und die Denkweise der Nutzer verstehen, sodass verschiedene Analysten auch bei derselben Frage unterschiedliche Schlussfolgerungen ziehen können.
(7) Warten Sie nicht auf die ausgereifte Technologie, sondern haben Sie Mut, auf Hindernisse zu stoßen
Die KI entwickelt sich sehr rasant. In der Branche gibt es einen Satz: „Solange ich langsam genug lerne, muss ich gar nicht mehr lernen“.
Ben empfiehlt Investoren, niemals eine solche Einstellung gegenüber KI zu haben und nicht auf die ausgereifte Technologie zu warten, um schwierige Probleme anzugehen.
Zuerst ist das Stoßen gegen Wände an sich wertvoll.
Die persönliche Erfahrung der Grenzen, an denen „die Technologie noch nicht reicht“, entspricht dem Ausleuchten der Wand, die Ihnen den Weg blockiert, mit einer Taschenlampe.
Sonst wissen Sie gar nicht, wohin Sie die neuen Tools einsetzen sollen, wenn sie erscheinen, und müssen erst nach Wänden suchen – das ist dann zu spät.
Gerade weil Sie ein halbes Jahr lang wiederholt gegen Wände gestoßen sind, wissen Sie sofort, was die neue Technologie lösen kann, sobald sie erscheint.
In einem Markt mit extrem hartem Wettbewerb wie dem quantitativen Investment sind 12 bis 18 Monate eine Ewigkeit.
Das Warten auf die ausgereifte KI-Technologie kann zwar einige Ingenieursaufwände sparen, aber wenn Sie der Erste auf dem Markt sind, der eine bestimmte Methode anwendet, ist die Gültigkeit und der Einfluss des Signals viel größer.
Daher sollten Sie, solange Sie sich in einer führenden Position befinden, den Forschungsbereich über die aktuellen Fähigkeiten von KI hinaus erweitern und dieses Zeitfenster nutzen, um Alpha zu erzielen, bevor der Markt aufholt.
