Analýza
Stroj versus intuice: Jak umělá inteligence šlape na paty investičním analytikům
Velké jazykové modely mohou v některých oblastech analytiky překonat. Celkově však lidský prvek však zůstává nenahraditelný, říká Juan Luis Perez, šéfvýzkumník bank Morgan Stanley a UBS.
redaktor
Významný tržní stratég 90. let, dnes již zesnulý Byron Wien , definoval ideální investiční výzkum jako nekonsenzuální doporučení, které se ukázalo jako správné. Dnes se vnucuje otázka, jestli by Wienovým testem hodnotného výzkumu prošla umělá inteligence, a jestli by tak mohla vyřadit ze hry současné analytiky a jejich práci, znenadání zbytečnou.
K tomu by teoreticky stačilo, kdyby pravděpodobnost správného investičního doporučení od modelů AI stoupla nad 50 procent případů, píše pro list Financial Times Juan Luis Perez, jenž v minulosti vedl oddělení investičního výzkumu pro globální investiční banky Morgan Stanley a UBS.
Většina analytických zpráv se věnuje interpretaci finančních výkazů a svodek. Tady jde prostě o to, že analytici takové zprávy čtou, aby je nemuseli číst investoři, jimž to tak ušetří práci. Moderní rozsáhlé jazykové modely tuto část práce analytika zjednodušují nebo docela nahrazují.
Značnou část úsilí věnují analytici předvídání zisků. Vzhledem k tomu, že zisky mají většinou tendenci sledovat určitý vzorec (například dobré roky následují po špatných letech a naopak), je logické, že i zde budou nějaká předvídatelná pravidla fungovat.
Lepší než lidé
Modely AI navíc nepotřebují „být slyšet“ tím, že by si musely vydobýt renomé kontrariánskými prognózami. Zkreslení a šumy, jichž se analytici běžně dopouštějí, by tak v obdobích relativní jistoty mohly být méně výrazné než u lidského úsudku. Akademici o tom psali již před desítkami let, ale dosud neměli k dispozici dostatečné statistiky nebo dokonce neuronovou síť.
To se dnes rychle mění. Vědci z Chicagské univerzity vycvičili velké jazykové modely (LLM) pro odhad rozptylu výdělků. V průměru byly odhady těchto modelů úspěšnější než ty, s nimiž přišli lidští analytici. Je to fascinující, protože LLM nemají k dispozici numerické uvažování a generují tak své poznatky na základě porozumění příběhu zprávy o výnosech.
Jejich předpovědi se zároveň zlepšují tím razantněji, čím lepší instrukce dostanou ke kopírování kroků, které dělá seniorní analytik. Chovají se v podstatě jako ti lepší mezi analytiky juniorními.
Analytici však mají vrozený problém s určováním míry rizika. Tento problém způsobuje skutečnost, že investoři se silně soustředí na zisk – jinými slovy, chtějí slyšet, že slušná míra jistoty výsledku existuje i tam, kde to není pravda. Analytici, kteří jsou ze spokojenosti investorů živi, proto mají sklon čísla mírně přizpůsobovat. V takových případech by LLM mohly být nápomocné.
Velké jazykové modely by mohly provádět statistickou aproximaci pásem rizika a výnosu, tedy de facto poskytovat odhad, nakolik své vlastní závěry považují za pravděpodobné. To je úkol, jehož se lidé mohou zhostit jen obtížně.
Ačkoli je to kontraintuitivní, je to tak: máme tendenci být příliš sebejistí ve své schopnosti předpovídat budoucnost. A když se naše prognózy najednou mýlí, máme sklon ještě si přisadit, hledat chybu všude jinde než u sebe a podobně. Kdyby dnes analytické firmy vytvořily mechanismus, jímž by dávaly najevo, nakolik vlastní závěrům věří, patrně by bylo dobře brát to nikoli se špetkou, nýbrž rovnou s hrstí soli.
Co AI neumí
Tento pohled sám o sobě by však snadno mohl vést k přílišnému optimismu ohledně role, již může AI ve výzkumu hrát. Má i svá podstatná omezení. Vzhledem k tomu, že se modely snaží poskytnout co nejpravděpodobnější odpověď, neměli bychom očekávat, že objeví nějakou nový superúspěšný burzovní titul, jako je Nvidia; nebo že budou schopné předvídat další globální finanční krizi. Takové akcie a události se všem trendům vymykají.
LLM nedokážou i další věci. Když je například řeč o pravidelně zveřejňovaných výsledcích jednotlivých firem, nemohou jen tak zmínit něco, co „stojí za pozornost“, protože by dostaly pocit, že se management při prezentaci vyhýbal tématům potenciálně důležitým pro vývoj ceny akcií.
Modely nemohou ani předvídat výkyvy kurzu dolaru, řekněme kvůli politickým sporům. Trh je velice dynamická záležitost a názory na něj se neustále vyvíjejí a mění. Potřebujeme intuici a pružnost, abychom mohli do svých názorů nové informace zahrnout. Špičkový analytik to dokáže; umělá inteligence dosud nikoli.
Mohla by však tatáž umělá inteligence lidskou intuici vylepšit? Možná. Výzkumníci by například mohli zkoušet využít toho, čeho se většina ostatních u modelů AI obává – takzvaných halucinací , při nichž si model prostě něco vymyslí.
Kdyby takový výzkumník-dobrodruh například nastavil model tak, aby generoval výsledky záměrně náhodněji (tedy více halucinační), mohl by od modelu dostat mnoho podnětů, nápadů, po jejichž stopě by se mohl vydat.
Javier Milei dokázal nemožné: Argentině jeho masakr motorovou pilou pomohl
Jiné využití by mohlo spočívat ve vypracování hypotetických scénářů geopolitického vývoje . Modely LLM by z dějin mohly vyvodit více alternativních poučení, než kolik by mohla sestrojit celá armáda expertů.
Nečekejme geniální novotu
První studie naznačují, že svůj potenciál mají oba přístupy. To je dobře, protože každý, kdo byl o investicích rozhodoval, dobře ví, jak obtížné je s takovým alternativním pohledem na věc přijít. I k tomu je však třeba přistupovat s rozmyslem. Je nepravděpodobné, že AI s žádným geniálním objevem nepřijde. Naopak se dočkáme spousty nesmyslů, již budeme muset účinně prosívat, aby výsledky byly použitelné. I to zatím umějí lidé lépe než stroje.
Má tedy stále smysl zaměstnávat hvězdu mezi analytiky nebo celé výzkumné oddělení? Má. Musíme však některé procesy plně automatizovat, zatímco jiné lze jen vylepšit. Strategická intuice zůstává jehlou v kupce sena: najít nekonsenzuální doporučení, které se prokáže jako správné, je stále těžké. A při jejím hledání se stále projevuje určitá – nezanedbatelná – míra náhody.