EVERYTHING
За даними Morningstar, початкові дослідження 2023 року, які публікували автори у Journal of Financial Economics, обіцяли революцію для інвестиційного менеджменту. Вони стверджували, що методи машинного навчання можуть виявити портфелі взаємних фондів (mutual funds), які генерують значний позитивний альфа-дохід — до 2.4% чистого від усіх витрат. Для прихильників активного управління це було фінансовим еквівалентом пошуку Святого Грааля. Однак, подальший незалежний аналіз виявив критичні недоліки у методології першої роботи.
Виявлення технічних помилок та упереджень
Через два роки інша група дослідників провела реплікаційний аналіз оригінального дослідження. Вони встановили, що високі показники були результатом програмної помилки: код несподівано надавав алгоритмам доступ до інформації про майбутні результати. Це класичний випадок 'look-ahead bias', який є технічно значущим, але має катастрофічні наслідки для реального інвестування. Коли дослідники виправили цю помилку — замінивши використання прибутків наступного місяця на поточні дані — вражаюча перевага зникла повністю. Щорічна дохідність найкращих алгоритмів знизилася на 1.37–1.42 відсоткові пункти, і жоден із них не залишався статистично значущим.
Що справді працює у машинному навчанні
Дослідники провели повне незалежне тестування на свіжих даних за період з 1980 по 2024 рік. Вони підтвердили, що ML не може ідентифікувати портфелі взаємних фондів, які б перевершували ринок у довгостроковому інвестуванні (long-only basis). Цей висновок залишався незмінним незалежно від використаних методів — чи то складні техніки, як-от random forests та gradient boosting, чи прості лінійні моделі. Проте ML довів свою ефективність у протилежному напрямку: він стабільно ідентифікував фонди з найнижчою продуктивністю (bottom-decile portfolios). Ці фонди щорічно приносили значно негативний дохід, близько -2% до -3%. Це було успішно виявлено як складними ML-методами, так і простою лінійною регресією.
Переваги простих моделей та стратегія уникнення ризиків
Коли дослідники створили портфелі типу long-short (купівля прогнозованих переможців та продаж тих, хто програє), вони отримали статистично значущу щорічну дохідність на рівні 3.00%–3.05%. Однак практично весь цей прибуток генерувався завдяки короткій позиції — тобто уникненню програшних фондів. Варто зазначити, що прості лінійні моделі (ordinary least squares та elastic net regression) показали результати, які були не гіршими за складні нелінійні ML-методи протягом 12 місяців. Перевага комплексного машинного навчання з’явилася лише на значно довших прогнозах (36 місяців), де нелінійні методи зберігали свою прогностичну силу.
Перспективи застосування
Висновок дослідників полягає в тому, що ML додає цінність переважно через стабільне уникнення погано продуктивних фондів, а не через пошук тих, хто гарантовано перевершить ринок. Це зміщує фокус інвестиційної стратегії від агресивного пошуку альфи до більш консервативного управління ризиками та захисту капіталу.
