بازارهای سهام با یک چالش عمده روبرو هستند: الگوریتم ها

که در 1995, بارینگز, یک بانک تجاری بریتانیا, سقوط به دلیل نیک لیسون – یک معامله گر مشغول به کار در دفتر سنگاپور بانک – در سهام برای سال حدس شده بود بدون تایید بانک.

اگرچه سرمایه گذاری های لیسون در ابتدا به طرز چشمگیری نتیجه داد اما با گذشت زمان زیان های قابل توجهی را متحمل شد که لیسون سعی کرد معاملات پرخطر را پوشش دهد.

هنگامی که خانه خود را از کارت در نهایت ضربه عرشه, لیسون بانک بیش از 200 ساله پایین با او کشیده.

لیسون حکم زندان دریافت کرد و متعاقبا کتابی به نام معامله گر سرکش منتشر کرد و این تجربه را بازگو کرد که بعدا به فیلمی به همین نام تبدیل شد.

اقدامات لیسون می تواند تفکرات روانشناختی را در مورد رفتار سوداگرانه در بازارهای مالی و رفتارهای مرتبط با ریسک به طور کلی تحریک کند (در واقع لیسون پس از انتشار خود روانشناسی را مطالعه کرد).

منافع خود در مقابل منافع شرکت

رفتار لیسون همچنین نشان می دهد که نظریه پردازان اجتماعی از چه چیزی به عنوان مشکلات اصلی-عامل یاد می کنند که مربوط به موقعیت هایی است که شخص یا گروهی از افراد (مدیر اصلی) صلاحیت تصمیم گیری را به طرف دیگر (نماینده) تفویض می کند.

این مشکل زمانی ایجاد می شود که نماینده انگیزه ای برای اقدام به گونه ای داشته باشد که منافع خود را بالاتر از منافع اصلی قرار دهد.

در مورد لیسون, او به اداره پول بانک از طریق سرمایه گذاری به کار گرفته شد, اما او این کار را در راه است که بیش از قدرت خود را انجام داد, به امید اخذ پاداش شخصی.

نماینده نتوانست در راستای منافع مدیر عمل کند و در نهایت هزینه زیادی برای هر دو نفر به همراه داشت.

من تصمیم گرفتم با یک مورد شروع کنم که تقریبا 30 ساله است زیرا به طور منظم مشکل اساسی بین عوامل و مدیران را نشان می دهد.

از زمان سقوط لیسون الگوریتم های رایانه ای شروع به کسب جایگاه و تسلط بر بازارهای مالی کرده اند و بنابراین دیگر مشخص نیست که عامل یک شخص است یا نه.

قبل از اینکه من در مورد پیامدهای این بحث, مربوط به شیرجه رفتن کمی عمیق تر به بحث اصلی عامل کلاسیک است.

چگونه یک عامل به عمل در بهترین منافع اصلی شما?

مشکلات اصلی-عامل در بسیاری از زمینه های مطرح می شود, اما تعداد کمی به عنوان دیدنی و جذاب به عنوان مثال لیسون هستند.

در ابتدا اقتصاددانان مایکل جنسن و ویلیام مکلینگ مشکل اصلی-عامل را به عنوان توصیف رابطه بین سهامداران شرکت و مدیریت فرموله کردند.

می توان گفت که مدیریت از طرف سهامداران عمل می کند اما دومی هیچ تضمینی ندارد که اولی منافع خود را در اولویت قرار ندهد.

در طول سال, محققان راه حل های مختلف برای مدیریت مشکل اساسی از تضاد منافع بالقوه در هنگام تفویض صلاحیت تصمیم گیری پیشنهاد کرده اند, به طوری که اصل و عامل رفتار چین.

به عنوان مثال پیشنهاد شده است که رفتار نماینده می تواند با معرفی مشوق های مالی خاص یا چارچوب های قراردادی روشن با رفتار مدیر هماهنگ شود.

پیشنهاد دیگری تاکید می کند که تا حدی که وظایف نماینده را می توان به طور واضح و دقیق مشخص کرد مدیر اصلی می تواند به راحتی هرگونه انحراف از اختیارات و دستورالعمل های نماینده را کنترل کند.

از انسان گرفته تا الگوریتم های غالب

در هسته خود, بحث نظریه اجتماعی و راه حل های بالقوه برای مشکل اصلی عامل هر دو در اطراف عامل می گذرد که به عنوان یک فرد دیده:

مشکل اصلی-عامل به این دلیل ایجاد می شود که منافع یک فرد فیزیکی (یا گروهی از افراد) می تواند با منافع اصلی در تضاد باشد.

این دیدگاه منظمی شامل مثال بارینگز بانک. لیسون با حدس و گمان فراتر از وظیفه خود می تواند پاداش های شخصی قابل توجهی کسب کند اما در معرض خطر قابل توجهی برای بانک است.

بانک ها در سراسر جهان هنوز گروه های بزرگی از افراد را برای سرمایه گذاری در محصولات مالی استخدام می کنند. با این حال, در دهه های اخیر, بازارهای مالی دستخوش یک تحول است که نشان می دهد مشکل اصلی-عامل در یک نور جدید.

به جای مردم ساخته شده از گوشت و خون, در حال حاضر در درجه اول به طور کامل الگوریتم های خودکار در حال ارسال خرید و یا فروش سفارشات به بورس اوراق بهادار.

محاسبه دامنه این الگوریتم ها دشوار است اما تخمین ها نشان می دهد که الگوریتم های کاملا خودکار در برخی از بازارها – به عنوان مثال برخی از بازارهای سهام – 99 درصد از کل حجم سفارشات را بر عهده دارند.

الگوریتم های نسل اول چگونه کار می کنند

الگوریتم های مالی را می توان به دو نسل تقسیم کرد زیرا الگوریتم های نسل اول از استراتژی های تعریف شده توسط انسان پیروی می کنند در حالی که الگوریتم های نسل دوم استراتژی های خود را توسعه می دهند.

اولین نسل از الگوریتم های کاملا خودکار در ابتدای قرن 21 به طور جدی شروع به کار کردند. ویژگی بارز تصمیم گیری الگوریتمی نسل اول این است که انسان ها از انتها به انتها طراحی می کنند.

به طور معمول, روش کار مستلزم یک معامله گر کار با تحقیقات بازار جامع و تعریف یک استراتژی سرمایه گذاری بالقوه, است که به کد کامپیوتر توسط یک تیم از برنامه نویسان تبدیل.

نتیجه یک نوع منطق کلاسیک است که الگوریتم طراحی شده است تا در شرایط خاص بازار به شیوه ای خاص عمل کند.

به عنوان مثال این می تواند به این معنی باشد که الگوریتم به سرعت سهام را خریداری می کند اگر تقاضا برای سهام به طور ناگهانی افزایش یابد – و سپس اگر قیمت افزایش یابد دوباره ثانیه (یا میکروثانیه) می فروشد.

حتی دستاوردهای کوچک در هر معامله الگوریتمی می تواند جذاب باشد اگر هزاران مورد در هر دقیقه انجام شود – این همان کاری است که بسیاری از الگوریتم های نسل اول انجام می دهند.

460 میلیون دلار در 45 دقیقه از دست داد

و چه این الگوریتم های نسل اول باید با مشکل اصلی عامل?

در برخی از راه, هیچ چیز. بالاخره الگوریتمی که تصمیمات سرمایه گذاری خاصی می گیرد هیچ اراده ای از منافع خود یا مستقل برای ترویج ندارد. معاملات خود را صرفا بر اساس دستورالعمل داده شده است.

هنوز, این شکل از تجارت الگوریتمی مستلزم مشکلات اصلی عامل, هر چند از یک فرم غیر مستقیم تر.

شاید افرادی که الگوریتم ها را توسعه می دهند منافع خود را به جای منافع شرکت خود (مدیر اصلی) اولویت بندی می کنند.

در واقع مطالعات جامعه شناختی شرکتهای متخصص در این شکل از معاملات الگوریتمی نشان می دهد که اغلب این شرکتها به گونه ای تنظیم می شوند که تیم های معامله گران الگوریتمی با یکدیگر رقابت کنند.

اعضای مدیریت در ردیابی اینکه معامله گران کدام الگوریتم ها را توسعه می دهند و نحوه تعامل سیستم های داخلی با یکدیگر مشکل دارند – به عنوان مثال می توانند با یکدیگر تجارت کنند و در برابر یکدیگر تجارت کنند که می تواند غیرقانونی باشد و منجر به ضرر شود.

بنابراین جای تعجب نیست که همه می توانند به طرز وحشتناکی اشتباه کنند. بدترین مثال شرکت امریکایی نایت کاپیتال است که در سال 2012 تنها در 45 دقیقه 460 میلیون دلار ضرر کرد زیرا سیستم این شرکت به طور ناگهانی و غیرمنتظره برخی الگوریتم های قدیمی را فعال کرد.

این شرکت در نهایت توسط یک رقیب خریداری شد.

الگوریتم در حال حاضر 'دست رایگان'

از اواسط دهه 2010 تعداد فزاینده ای از شرکت ها شروع به تکمیل یا جایگزینی کامل الگوریتم های نسل اول خود با نسل جدیدی از الگوریتم ها کرده اند.

این الگوریتم های نسل دوم مبتنی بر اشکال مختلف یادگیری ماشین هستند و برای توسعه استراتژی های سرمایه گذاری خود بر اساس حجم وسیعی از داده های بازار طراحی شده اند.

برخلاف الگوریتمهای نسل اول که همانطور که گفته شد بهطور کامل و کامل توسط انسانها طراحی شدهاند و جایی که افراد خاص (تیمهایی) ایدههایی را برای استراتژیهای سرمایهگذاری خاص پیشنهاد میکنند با الگوریتمهای نسل دوم انسانها نقش محدودی ایفا میکنند.

طبیعتا برخی از افراد معماری های خاص یادگیری ماشین را توسعه می دهند و برخی از افراد داده های تغذیه شده در الگوریتم ها را انتخاب و تمیز می کنند.

اما بر خلاف پیشینیان خود, کل ایده الگوریتم های نسل دوم است برای الگوریتم های خود را به کار کردن که, زمان و چگونه بسیاری از سهام و دیگر محصولات مالی برای خرید و فروش.

[چگونه می توانم شما را کنترل چه شما را درک نمی کنند? ]

این نیمه خودمختاری, جایی که الگوریتم ها تصمیمات سرمایه گذاری در زندگی واقعی می گیرند, به طور همزمان شامل اتحاد مجدد و پیکربندی مجدد مشکل عامل اصلی است.

اصولا الگوریتمهای نسل دوم میتوانند به خود بیاموزند که سرمایهگذاریهای سودمند را به شکلی غیر اخلاقی یا مستقیم غیرقانونی انجام دهند – و این قطعا با اهداف افرادی که در وهله اول معماری اساسی را توسعه دادهاند مطابقت ندارد.

همانطور که با مثال لیسون, این می تواند خطر قابل توجهی برای شرکت متحمل (اصلی).

از نظر اصلی عامل, چالش این است که, به عنوان تصمیم گیری های سرمایه گذاری در حال حاضر توسط الگوریتم های ساخته شده, رفتار نامطلوب را نمی توان با روش های مرسوم تنظیم, مانند قراردادهای استادانه دقیق و یا مشوق های مالی.

چالش هایی مانند این پیشنهاداتی را ایجاد کرده است که چنین الگوریتم های خود یادگیری باید در یک ژاکت مستقیم ضخیم از کنترل ها پیچیده شوند که به عنوان مثال میزان سرمایه گذاری خود را محدود می کند.

چنین مکانیسم های کنترلی مهم هستند اما قادر به حل مشکل اساسی تر مشخصه پیچیده ترین معماری یادگیری ماشین, به اصطلاح 'شبکه های عصبی عمیق':

اینها می توانند به قدری پیچیده باشند که حتی افرادی که این الگوریتم ها را توسعه داده اند نمی توانند بفهمند چرا الگوریتم ها تصمیمات سرمایه گذاری خاصی می گیرند.

هنگامی که این مورد است, تعریف مکانیسم های کنترل صحیح دشوار است.

زمان تجدید نظر در بازارهای مالی

این همچنین تغییرات کلیدی در بازارهای مالی در دهه های اخیر را برجسته می کند.

در حالی که رفتار مشکوک لیسون را شاید بتوان به عوامل روانشناختی نسبت داد و یک مشکل عامل اصلی را تشکیل داد که در اصل می توان با توافق بین طرف های مربوطه مدیریت کرد الگوریتم های نسل دوم را نمی توان از نظر یک راه حل روانشناختی یا سنتی مبتنی بر نظریه عامل اصلی درک کرد.

با توجه به اینکه الگوریتمهای نسل دوم بر بازارهای مالی تسلط دارند باید در مورد چگونگی درک و تحلیل و تنظیم این بازارها تجدید نظر کنیم.

در اینجا روانشناسی قدم به عقب می گذارد و علم داده در مرکز قرار می گیرد.

اکنون وظیفه چالش برانگیز یافتن روشهایی است که توضیح دهد چگونه در نگاه اول الگوریتمهای نسل دوم غیرشفاف عمل میکنند-به ویژه اینکه چگونه تصمیمات سرمایهگذاری مشخصی میگیرند. در حال حاضر یک شاخه از علم داده دقیقا روی این موضوع کار می کند.

تنها زمانی که پویایی داخلی شبکه های عصبی را می توان به زمین توضیح داد, ممکن است به درک و تنظیم بازارهای زندگی واقعی به شیوه ای رضایت بخش.