Ihmistä parempi sijoittaja?
Kone ei tukehdu informaatioähkyyn tai tee epäloogisia päätöksiä. Ihmisen käskyttämä tekoäly tuo hyötyä myös sijoittajalle.
MITEN ÄLYPUHELIMET OSAAVAT MUUTTAA puheen tekstiksi? Kuinka sähköpostiohjelmat tunnistavat roskapostin lähes sadan prosentin tarkkuudella ja kuskittomat autot kykenevät liikkumaan turvallisesti?
Kaikki edellä mainitut ovat yhden teknologisen innovaation mahdollistamia: tekoälyn.
Tekoälyteknologiaa on kehitetty jo vuosia, mutta 2010-luvulla sen hyödyntäminen on yleistynyt eksponentiaalisesti tietokoneiden suorittimien laskentatehon kasvettua.
Tekoälyä hyödyntävät niin viihdeteollisuus suositellessaan yleisöä kiinnostavaa materiaalia kuin luottokorttiyhtiöt tunnistaessaan luottokorttipetoksia. Tekoäly jopa kykenee löytämään satelliittikuvista mahdollisia orjatyön tekijöitä. Käyttökohteita on rajattomasti.
Myös finanssimaailmassa tekoälyä hyödynnetään entistä enemmän. Brittiyhtiö Gradient Systems (ent. Prowler.io) on sen ytimessä. Yritys kehittää tekoälyyn perustuvaa päätöksentekoa finanssimaailman lisäksi muun muassa logistiikka- ja kuljetusalalle ja kaupunkisuunnitteluun. Gradient Systems on alan edelläkävijä. Yhtiön johtava tutkija Carl Rasmussen on maailman arvostetuimpia asiantuntijoita tekoälyn ja koneoppimisen alalla. Kilpailu osaajista on tekoälymarkkinoilla kovaa, koska vain lahjakkaimmat matemaatikot pystyvät ratkaisemaan vaikeimpia tekoälyyn liittyviä haasteita.
Kone ei tunne informaatio-ähkyä, kunhan laskentatehoa on riittävästi.
Gradient Systemsin liiketoimintajohtaja Sami Salomaa ei ole tutkija vaan keskittyy tekoälyn soveltamiseen. Hän on tehnyt pitkän kansainvälisen uran niin teknologiateollisuudessa kuin finanssialalla. Valmistuessaan Teknillisestä korkeakoulusta vuonna 1994 hän tutki ja sovelsi matemaattisia ennustemalleja. Gradient Systemsillä Salomaan tehtävä on vetää yrityksen finanssialan sovelluksia. Hän sanoo tekoälyn olevan ”lähellä sydäntä”.
TEKOÄLYN HYÖDYNTÄMINEN FINANSSIMAAILMASSA EI ole uutta. Varainhoidossa salkunhoitajat ovat aina tehneet ennustemalleja siitä, miten varoja kannattaa sijoittaa riskit ja ennusteiden tarkkuus huomioiden.
”Tekoäly on hyvä työkalu parempien ja rikkaampien ennusteiden tekemisessä. Ennusteen lisäksi sijoittajia kiinnostaa, kuinka varma ennuste on ja mitkä ovat sijoituksen mahdolliset lopputulemat”, Salomaa sanoo.
Samaan tapaan monissa isoissa yrityksissä tekoälyn avulla seurataan, miten yrityskaupat, talouden ennusteet, kilpailijoiden toiminta, rekrytoinnit tai ostettavat hyödykkeet vaikuttavat yrityksen toimintaan ja kannattavuuteen. Gradient Systemsin systeemit ovat käytössä myös näissä ympäristöissä.
Myös analyytikot käyttävät tekoälyä päivittäisessä työssään. Niin kutsutussa fundamenttianalyysissa analyytikko kerää huomattavan määrän dataa eri yrityksistä päättääkseen, mitä osakkeita salkkuun valitaan. Asiantuntijoiden käyttöön on tulossa laajeneva määrä tekoälyalgoritmeja, joita analyytikot voivat hyödyntää päätöksenteossa sekä sijoitustoiminnassa että teollisuudessa. Tekoäly on prosesseja nopeuttava työkalu: sijoitusvaihtoehtoja voi olla tuhansia, eikä ihminen pysty mitenkään perehtymään kaikkiin – saati reagoimaan kaikkiin jatkuviin muutoksiin tärkeysjärjestyksessä.
Tässäkin tapauksessa ihminen tekee lopulta päätöksen.
On kolmaskin tapa hyödyntää tekoälyä. Siinä portfolion kymmenet koordinoidut, päivittäiset muutossuositukset tekee ihmisen sijaan tekoäly. Tämä on Gradient Systemsin valtteja. Yrityksen tekoälyalusta kykenee ihmisen kapasiteetin ylittäviin koordinoituihin itsenäisiin päätöksiin, esimerkiksi tekemään sijoitussuosituksia laajoille portfolioille.
MIKSI IHMINEN EI PÄRJÄÄ?
”Ihmisellä on rajoitteita”, Salomaa sanoo.
Ihmisen rajoitteet ja jopa haitat tulevat vastaan monissa varainhoitoon ja sijoittamiseen liittyvissä vaiheissa, joissa pitää pyöritellä numeroita. Salomaa luettelee neljä eri syytä.
Ensinnäkin kone on kone. Se kykenee käsittelemään suuria määriä dataa moninkertaisella nopeudella ihmiseen verrattuna. Toiseksi: vaikka ihminen kykenisi käsittelemään paljon tietoa, on inhimillistä, että jossain vaiheessa iskee informaatioähky. Ihminen alkaa tehdä virheitä. Keskittyminen herpaantuu. Kone ei tunne vastaavaa ähkyä, kunhan laskentatehoa on riittävästi.
Kolmas syy on vieläkin inhimillisempi: on havaittu, että ihminen ei pysty arvioimaan todennäköisyyksiä ja suhteellisuuksia tarkasti numeroista. Kymmenissä ja sadoissa vielä ollaan hyviä, mutta esimerkiksi tuhansien ja kymmenien tuhansien kohdalla ihminen on avuton. Puhumattakaan miljoonista ja miljardeista.
Ihmisellä on tapana tehdä epäloogisia päätöksiä.
Neljäs ja viimeinen tekijä on kaikkein ratkaisevin: kognitiiviset vinoumat. Ihmisillä on taipumus tehdä epäloogisia päätöksiä.
”Klassinen esimerkki on tällainen: koska tiedän jostain asiasta enemmän kuin toisesta, preferoin siihen sijoittamista. Kyseessä on tuttuuden tunne. Sijoittaja, joka pitää tietyn firman tuotteista, saattaa suosia tätä yhtiötä myös sijoituspäätöksissään, vaikka sijoituskohteena yrityksen osake olisi huono”, Salomaa kertoo.
Samaan kognitiiviseen vääristymään liittyvät muutosvastarinta ja se, että annamme enemmän painoarvoa mielipiteille, jotka ovat lähellä omiamme.
Salomaa ottaa esimerkin nykyisestä kotimaastaan Britanniasta. Maassa on käynnissä brexit-kaaos, joka heiluttaa valuuttaa.
”Jos pelko kasvaa, kaikki myyvät puntaa paniikissa. Kuinka paljon siinä on kyse oikeasta valuutta-analyysista, kuinka paljon pelkästä tunteesta?”
Ihminen ei yksinkertaisesti ole neutraali tuoton ja riskin suhteen, mikä kuitenkin on sijoittamisessa kaikkein tärkeintä. Kone on näistä vääristymistä vapaa. Konetta eivät brexitin tunnekuohut hetkauta.
”Systeemimme on rakennettu matemaattisen struktuurin kautta niin, että se poistaa nämä kaikki haittatekijät. Se käsittelee dataa oikealla tavalla, toisin kuin ihminen.”
IHMISELLÄKIN ON SILTI TÄRKEÄ rooli järjestelmissä, sillä ihminen – Gradient Systemsin tapauksessa kymmenet eri alojen tohtorit – on määrittänyt tekoälyn toimintaperiaatteet ja toisaalta vastaa tekoälyn antamien suositusten soveltamisesta. Esimerkiksi sijoittamisessa Gradient Systemsin tekoälyä hyödyntävä salkunhoitaja voi rajoittaa systeemin aktiviteettia ja toimintavapauksia. Salkunhoitaja voi toimia systeemin kanssa yhdessä etenkin silloin kun epävarmuudet ovat suuria tai informaatiota ei ole saatavilla data-analyysin kautta. Rajoitetut tai hyvin epävarmat olosuhteet voidaan näin ollen rajata pois.
Toimintatavasta käytetään nimeä Principled AI eli periaatteellinen AI.
”Me emme sano koneelle, että osta mitä tahansa historiaan perustuen. On määritelty aina esimerkiksi osakkeiden maksimimäärä, millä saa käydä kauppaa ja kuinka usein. Ehtoja on paljon.”
Tekoälyn uskotaan automatisoivan osakekauppaa ja siihen liittyvää systematiikkaa. Samalla sijoitusammattilaisten työnkuva muuttuu: vastaisuudessa he voivat keskittyä mekaanisen kaupanteon sijaan manageroimiseen.
TÄLLÄ HETKELLÄ TEKOÄLYKEHITYKSESSÄ ELETÄÄN vielä niin sanottua ensimmäistä sukupolvea, jonka kehitys alkoi jo 1980-luvulla. Tekoälyn oppiminen perustuu yhä numeerisille malleille.
”Haetaan tietyille numeroille ja parametreille arvot oppimisen eli toistojen kautta. Murros tapahtui vuosituhannen alussa, kun koneiden laskentateho nousi räjähdysmäisesti.”
Mitä enemmän ennustemalleja kone pystyy laskemaan, sitä ”älykkäämpi” se on. Tehon nousu on mahdollistanut muun muassa nykyisenkaltaisen kasvontunnistusteknologian kehittymisen.
Inhimillisestä älykkyydestä ei kuitenkaan ole kyse. Tekoäly rakentuu korrelaatiolle: tulevia asioita ennustetaan aiempien tapahtumien perusteella. Nykyinen tekoäly ei kykene rakentamaan kausaalisia malleja tehokkaasti. Kun tietokone löytää korrelaation jäätelönsyönnin ja hukkumiskuolemien välillä, se voi päätellä, että toinen aiheuttaa toisen, vaikka todellisuudessa hyvä sää vaikuttaa molempiin.
Trumpin twiittien ja osakemarkkinoiden välisestä korrelaatiosta on jo niin paljon dataa, että ennusteen tekeminen on mahdollista.
”Suuri osa maailmalla käytettävästä tekoälystä on vielä melko tyhmää ja suoraviivaista, vaikka sillä voidaan tehdä hyvinkin vaikuttavia asioita.”
Salomaan mukaan tekoälyn seuraava sukupolvi lähestyy ihmismäisempiä toimintamalleja.
”Ihminen pystyy päättelemään korrelaatiota ilman suuria määriä dataa tai omaa aiempaa kokemusta. Et hyppää auton eteen, koska tiedät, että se voi sattua, vaikka et olisi sitä aiemmin kokenut.”
Ihmisyyteen kuuluu myös kollektiivisesti jaettu tieto – ja etiikka.
Gradient Systemsin tekoälyalusta kykenee Salomaan mukaan kertomaan enemmän kuin korrelaatioon perustuva tekoäly.
”Jos pystymme kuvailemaan, miten joku toimii, voimme rakentaa ennustemalleja informaatiolle, jota ei vielä ole. Voidaan rakentaa osittaisiin havaintoihin perustuvia systeemejä ja päätellä asioita. Todennäköisyyksien avulla päästään lähemmäksi sitä, miten ihminen ajattelee, mutta ilman tunteita.”
Vaikka tekoäly ei vielä tiettävästi osaa ennustaa Donald Trumpin mielenliikkeitä, voi tekoälystä olla hyötyä markkinareaktioiden ennakoinnissa. Tekoälyn ja oikeanlaisten mallien avulla voi esimerkiksi ennustaa, miten suuri korjausliike mahdollisesti tapahtuisi osakemarkkinoilla, jos Trump ensi yönä twiittaisi tullirajoituksista Kanadaan. Trumpin twiittien ja osakemarkkinoiden välisestä korrelaatiosta on jo niin paljon malleihin yhdistettävää dataa, että ennusteen tekeminen on mahdollista.
TEKOÄLYKEHITYS ON MURROSVAIHEESSA, MUTTA vielä ollaan kaukana tieteiselokuvien uhkakuvista, joissa koneille on kehittynyt tietoisuus ja ne tekevät päätöksiä, joita ihminen ei ole niihin ohjelmoinut.
Toistaiseksi tekoäly tekee vain sen, mitä ihminen on niille opettanut ja mitä ihminen käskee niiden tehdä.
Tekoälyn käsittelemät ennustemallit tuovat hyötyä sijoittajalle. Riski, että tekoäly alkaa tehdä huonoja päätöksiä, on Salomaan mukaan mitätön, jos toimintamalli ja vapaudet on määritelty ympäristön suhteen oikein. Tekoäly ei ala elää omaa elämäänsä.
”Ei konetta jätetä nurkkaan yksin pyörimään. Päätöksenteossa käytetään tervettä järkeä ja siihen perustuvia struktuureja.”