Человек, который разгадал рынок. Как математик Джим Саймонс заработал на фондовом рынке 23 млрд долларов - Грегори Цукерман

можно вообразить, в том числе мгновенную информацию от датчиков и спутниковых изображений по всему миру. Креативные инвесторы ищут корреляции и закономерности, которые могут помочь им в зарабатывании денег, тщательно изучая тональность голоса руководителей на конференц-звонках, трафик на парковках розничных магазинов, реестры заявок на автострахование и рекомендации соцсетей.

Вместо того чтобы ждать выхода статистики о сельскохозяйственном производстве, кванты изучают продажи сельскохозтехники или спутниковые снимки урожайности. Коносаменты на грузовые контейнеры могут дать представление о глобальных сдвигах. Систематические трейдеры могут даже получить информацию, по каким проходам покупатели двигаются и у каких полок останавливаются, выбирая покупки, на основе данных, переданных их смартфонами. Если вы анализируете популярность нового продукта – просмотрите обзоры Amazon. В настоящее время разрабатываются алгоритмы для анализа сведений об уполномоченных и других сотрудниках Управления по санитарному надзору за качеством пищевых продуктов и медикаментов, чтобы предсказать вероятность одобрения нового препарата.

Чтобы исследовать открывающиеся возможности, хедж-фонды начали нанимать сотрудников нового типа – аналитиков данных, или «охотников за данными», – которые сосредоточены на поиске иных источников данных. Во многом их работа похожа на то, что Сандор Штраус сделал для Renaissance в середине 1980-х годов. Вся информация идет в обработку, чтобы лучше понять текущее состояние и траекторию экономики, а также перспективы различных компаний. Более предприимчивые инвесторы могут даже использовать ее для подготовки к потенциальному кризису, если, допустим, они увидят серию необычных поставок пиццы в Пентагоне в разгар международного инцидента.

Экспоненциальный рост вычислительных мощностей компьютеров и возможностей хранения дал систематическим трейдерам новые возможности для анализа всех этих данных. Согласно Singularity Hub, к 2025 году за 1000 долларов, вероятно, можно будет купить компьютер с такой же вычислительной мощностью, как у человеческого мозга. Уже сейчас хедж-фонд Two Sigma создал вычислительную систему мощностью более 100 терафлопс. Это означает, что она может обрабатывать 100 триллионов вычислений в секунду, используя более 11 петабайт памяти, что в пять раз больше объема данных, хранящихся во всех академических библиотеках США. (9) Вся эта мощь позволяет квантам находить и тестировать гораздо больше предсказательных сигналов, чем когда-либо прежде.

«Вместо попыток найти сигналы, используя креативность и мыслительную деятельность, – говорит компьютерный специалист Renaissance, – теперь вы можете просто добавить класс формул в механизм машинного обучения и протестировать миллионы различных возможностей».

Спустя годы после того, как команда Саймонса стала использовать методы машинного обучения в Renaissance, другие кванты начали использовать эти подходы. Renaissance предвосхитил трансформацию в принятии решений, которая охватит практически все сферы деятельности. Все больше компаний и частных лиц внедряют и используют модели, которые постоянно учатся на собственных успехах и неудачах. Как отметил инвестор Мэтью Гренейд, доминирующими становятся Amazon, Tencent, Netflix и другие компании, полагающиеся на динамичные, постоянно меняющиеся модели. Чем больше данных поступает в машины, тем умнее они становятся.

Остроумное замечание писателя Гари Штейнгарта[167] подводит итог будущего пути финансовой индустрии и направления всего общества: «Когда детские психотерапевты будут заменены алгоритмами, это будет конец; ничего не останется».

При всем энтузиазме, существующем вокруг количественного подхода, его ограничения также очевидны. Нелегко обрабатывать информацию и обнаруживать точные сигналы во всех этих «шумных» данных. Некоторые кванты утверждают, что отбор акций для машины сложнее, чем выбор подходящей песни, распознавание лица или даже управление автомобилем. По-прежнему сложно научить машины различать черничный кекс и чихуахуа.

Некоторые крупные фирмы, в том числе лондонская Man AHL, в основном используют алгоритмы машинного обучения для определения того, как и когда совершать сделки, или для отображения связей между компаниями и других видов исследований, нежели для разработки автоматических инвестиционных решений.

Несмотря на все преимущества, которые имеют квантовые фирмы, доходность инвестиций большинства этих компаний была не намного лучше, чем у традиционных фирм, проводящих старомодные исследования, кроме Renaissance и некоторых других очевидных исключений.

В течение 5 лет, предшествовавших весне 2019 года, квантовые хедж-фонды зарабатывали в среднем около 4,2 % в год по сравнению с ростом на 3,3 % для среднего хедж-фонда за тот же период. (Эти цифры не включают в себя результаты скрытых фондов, то есть тех, которые не раскрывают информацию о своих результатах, например, Medallion.) Количественные инвесторы сталкиваются с огромными проблемами, потому что информация, которую они обрабатывают, постоянно меняется – в отличие от данных в других областях, таких как физика, – а историческая информация о ценах акций и других инструментов относительно ограничена.

«Скажем, вы пытаетесь предсказать, как акции будут вести себя в течение 1 года, – говорит опытный квант Ричард Дьюи. – Поскольку у нас есть достоверные данные, начиная лишь с 1900 года, в США существует только 118 непересекающихся однолетних периодов, которые можно рассмотреть». (10)

И может быть, трудно создать торговую систему для некоторых видов активов, таких как проблемные долги, которые основаны на судебных решениях, правовых маневрах и переговорах с кредиторами. По этим причинам, вероятно, останутся сегменты рынка, где процветают опытные традиционные инвесторы, особенно те, кто сосредоточен на более долгосрочных инвестициях, которыми обычно не занимаются компании, полагающиеся на алгоритмы и компьютеры.

Рост Renaissance и других компьютерных трейдеров вызвал обеспокоенность по поводу их влияния на рынок и возможности внезапной распродажи, возможно, вызванной автономной деятельностью компьютеров. 6 мая 2010 года промышленный индекс Dow Jones резко упал на 1000 пунктов (известный как «внезапный сбой» – flash crash) – на несколько мучительных минут, в течение которых сотни акций на мгновение потеряли почти всю свою стоимость. Инвесторы указали пальцем на компьютерные торговые фирмы и определили, что обвал высветил дестабилизирующую роль, которую может сыграть компьютерная торговля, но рынок быстро восстановился. Позже прокуроры обвинили трейдера, работающего из собственного дома в Западном Лондоне, в манипулировании фьючерсными контрактами на биржевые индексы и в том, что он заложил основу для обвала рынка. (11)

Для некоторых внезапный спад на фоне отсутствия новостей, объясняющих произошедшее, свидетельствовал о том, что распространение машин открыло новую эру риска и нестабильности.

Автоматическая торговля с помощью компьютеров является пугающей концепцией для многих, ведь и самолеты с автопилотом, и автомобили с автоматическим управлением могут пугать, несмотря на доказанную повышенную безопасность этих устройств.

Есть основания полагать, что компьютерные трейдеры могут усиливать или ускорять существующие тренды.

Автор и бывший менеджер по управлению рисками Ричард Букстабер утверждал, что риски сегодня значительны, потому что охват квантовых моделей «общесистемен во всем мире инвестиций», предполагая, что будущие проблемы для этих инвесторов будут серьезнее, чем в прошлом. (12) По мере расширения охвата количественной торговли может