Thực tế khắc nghiệt của Machine Learning trong thị trường tài chính

Tôi đã đi sâu vào lĩnh vực học máy tài chính, và cho tôi nói với bạn - nó không phải là giải pháp sạch sẽ, tinh tế mà các học giả muốn bạn tin. Bài báo của Bryan Kelly và Dacheng Xiu về "Học Máy Tài Chính" vẽ ra một bức tranh tươi sáng về việc học máy cách mạng hóa tài chính, nhưng từ kinh nghiệm của tôi trong thực tế, có một mặt tối mà họ thuận tiện bỏ qua.

Chắc chắn rồi, những thuật toán tinh vi này có thể xử lý các tập dữ liệu khổng lồ mà các mô hình kinh tế học truyền thống sẽ gặp khó khăn. Nhưng điều mà tài liệu không nhấn mạnh đủ là cách mà những hệ thống này thường trở thành những hộp đen tốn kém mà ngay cả những người tạo ra chúng cũng không thể giải thích đầy đủ. Tôi đã thấy các đội ngũ định lượng tiêu tốn hàng triệu cho cơ sở hạ tầng chỉ để có được kết quả tốt hơn một chút so với các mô hình đơn giản hơn.

Kinh tế lượng truyền thống dựa vào các giả định rõ ràng và các mô hình gọn gàng - một thế giới ảo tưởng không tồn tại trong các thị trường thực. Mạng nơ-ron và cây quyết định có thể nắm bắt sự hỗn loạn tốt hơn, nhưng với giá nào? Tôi đã thấy tận mắt cách mà những mô hình này có thể thất bại thảm hại trong các cú sốc thị trường khi bạn cần chúng nhất.

Bài báo nói về "đánh giá rủi ro tốt hơn" nhưng giảm nhẹ cách mà các mô hình ML thường chỉ phát hiện lại các yếu tố rủi ro đã biết trong khi thêm các lớp mờ đục. Các nền tảng giao dịch quảng bá những thuật toán này như những cỗ máy in tiền kỳ diệu, nhưng họ cẩn thận che giấu những thất bại ngoạn mục của chúng.

Điều khiến tôi thực sự bực bội là sự lạc quan mù quáng của bài báo về tối ưu hóa danh mục đầu tư. Những hệ thống ML này thường xuyên quá khớp với các mô hình lịch sử mà tan rã ngay khi có tiền thật tham gia. Tôi đã chứng kiến những thuật toán "thông minh" được cho là theo đuổi những mô hình ảo và làm tổn thất vốn của nhà đầu tư.

Cây quyết định và rừng ngẫu nhiên trông rất tuyệt trong các thử nghiệm hồi quy nhưng lại thất bại trong giao dịch trực tiếp. Bí mật bẩn thỉu của ngành? Nhiều công ty lặng lẽ quay trở lại các mô hình đơn giản hơn sau khi các triển khai ML tốn kém không mang lại lợi nhuận như đã hứa.

Hành động cân bằng rủi ro-lợi nhuận đặc biệt gây khó chịu. Các thuật toán này tuyên bố phản ứng nhanh với những thay đổi của thị trường, nhưng trên thực tế, chúng thường chỉ khuếch đại các xu hướng và làm trầm trọng thêm sự biến động. Trong một vài lần sập flash, tôi đã chứng kiến các chiến lược do ML điều khiển dồn vào cùng một giao dịch, làm tình huống xấu đi.

Lĩnh vực ML tài chính không phải là về sự tiến bộ khoa học - nó đã trở thành một công cụ marketing. Quỹ nghiên cứu chảy vào các phương pháp ML đang thịnh hành trong khi các phương pháp truyền thống vững chắc bị bỏ qua. Nó không phải là về tài chính tốt hơn; mà là về việc bán sự phức tạp.

Đừng hiểu sai ý tôi - học máy có vị trí của nó trong các thị trường tài chính. Nhưng không giống như tài liệu này gợi ý, nó không phải là một giải pháp hoàn hảo. Nó chỉ là một công cụ không hoàn hảo khác trong một ngành công nghiệp thích theo đuổi những thứ hào nhoáng trong khi quên đi các yếu tố cơ bản.

Và hãy nhớ - đây không phải là lời khuyên đầu tư. Thị trường sẽ nuốt chửng bạn bất kể bạn tin vào thuật toán nào.