Trochu teorie
Abychom pochopili důvody pro nasazování AI na finančních trzích, musíme nejdřív pochopit, jak finanční trhy fungují. Začneme dvěma hypotézami (Hypotéza efektivních trhů a Teorie náhodné procházky), podle kterých nemá technická analýza, kvantitativní analýza a algoritmické obchodování smysl. To, že vývoj cen finančních aktiv vykazuje znaky náhodného procesu, zkoumal už na začátku minulého století Bachelier, moderní podobu tomuto tématu dali v šedesátých letech Samuelson a Fama (autor Hypotézy efektivních trhů). Hypotéza efektivních trhů (především její silná forma) však trpí Grossmanovým-Stiglitzovým paradoxem (1980): pokud by byly trhy dokonale efektivní, nikdo by neměl motivaci sbírat a analyzovat informace. Kdyby ale nikdo informace neanalyzoval, trhy by efektivní být nemohly. Proto musí být finanční trhy do jisté míry neefektivní, což umožňuje relativně malé skupině investorů (hedgeové fondy, investiční banky, někteří správci aktiv) z této neefektivity konzistentně agregátně profitovat pomocí sběru a analýzy informací a řízení rizika. Tím zajišťují, že se finanční trhy neustále blíží plné efektivitě, ale nikdy jí nedosáhnou (jednak se neustále vyvíjí stav a struktura trhu a jednak sebelepší analýza není nikdy úplně dokonalá).
Další teorie zabývající se fungováním finančních trhů lze rozdělit na dvě skupiny. První je portfoliový přístup zabývající se relativními rozdíly v tržním chování finančních aktiv a jejích využitím: Moderní teorie portfolia (Markowitz), CAPM (Capital Asset Pricing Model; Sharpe, Lintner, Mossin) a APT (Arbitrage Pricing theory; Ross). Portfoliový přístup k finančním trhům vychází z předpokladu, že investoři neusilují o maximalizaci výnosu jednotlivých aktiv, ale o optimalizaci poměru výnosu a rizika celého portfolia prostřednictvím diverzifikace. Moderní teorie portfolia (Markowitz) ukazuje, jak sestavit efektivní portfolio, CAPM vysvětluje vztah mezi očekávaným výnosem a systematickým rizikem (beta) a APT (Arbitrage Pricing Theory) rozšiřuje tento přístup tím, že výnosy aktiv odvozuje od působení více makroekonomických rizikových faktorů.
Druhá skupina se zabývá zdroji a projevy tržní neefektivity: behaviorální finance (Kahneman, Tversky, Shiller), Teorie adaptivních trhů (Lo), Teorie finančních bublin spolu s Minského hypotézou finanční nestability (Kindleberger, Minsky, Shiller), Teorie reflexivity (Soros) a s ní související Keynesova „soutěž krásy“, která však také souvisí s Teorií stádního chování (Banerjee počátek, Bikhchandani, Hirshleifer, Welch „racionální“ forma, Shiller, De Bondt, Thaler behaviorální forma). Behaviorální finance vysvětlují neefektivity trhů pomocí systematických psychologických zkreslení investorů, jako jsou přehnaná sebedůvěra, averze ke ztrátě nebo ukotvení očekávání. Teorie adaptivních trhů chápe efektivitu jako proměnlivý stav, který se mění v závislosti na konkurenci mezi investory a jejich schopnosti přizpůsobovat se novým podmínkám. Teorie reflexivity zdůrazňuje, že očekávání investorů mohou sama ovlivňovat ekonomickou realitu, a vytvářet tak zpětnovazební procesy vedoucí k bublinám či krizím. Teorie stádního chování pak poukazuje na tendenci investorů napodobovat jednání ostatních, což může vést k výrazným odchylkám cen aktiv od jejich fundamentální hodnoty.
Už z pouhého (a zdaleka ne úplného) výčtu teorií chování finančních trhů je vidět, že AI má na finančních trzích velký prostor a může se uplatnit ve svých různých formách. Zároveň však také platí, že nasazování AI finanční trhy podstatně ovlivňuje a mění jejich chování. AI sice na jedné straně efektivitu finančních trhů zvyšuje, na druhé straně přináší svoje vlastní zdroje neefektivity, které se s časem mění a vyvíjejí. Jde o nový druh a zdroj nestabilit, například „bleskové krachy“. Jedním z efektů nasazování AI na finančních trzích může být, že jejich chování začne být ještě méně pochopitelné a předvídatelné, než bylo dosud, což může působit problémy nejen investorům, ale také regulátorům a centrálním bankám.
Trochu historie
První vlnu nasazení AI na finančních trzích představovaly v osmdesátých a devadesátých letech expertní systémy. Byly založeny na strukturovaných pravidlech získaných od expertů (odtud název expertní systémy), jejichž pomocí byla vyhodnocována data. Jejich typickým uplatněním byla tvorba investičních doporučení, řízení úvěrového rizika, detekce podvodů na základě identifikace neobvyklých transakcí a podpora obchodování (nákupní a prodejní signály z tržních dat, tedy v podstatě automatizovaná technická analýza). Tuto technologii také využívala první generace kvantitativních hedge fondů. Expertní systémy však mají řadu nevýhod: jsou rigidní, a špatně tedy reagují na strukturální posuny. Jejich aktualizace je velmi náročná, protože pravidla v systému je nutné revidovat ručně jedno po druhém. S tím souvisí i nutnost udržet takový systém přijatelně složitý, což ale omezuje jeho schopnost reagovat na komplexní situace. Pravidla jsou navíc lineární a většinou dvoustavová, což komplikuje reakci v často vysoce nelineárním prostředí finančních trhů a omezuje schopnost reagovat na nejistotu. Klasickým příkladem, k čemu nedostatky expertních systému vedly, je masivní akciový krach v roce 1987. Krach sice přímo nezpůsobily, ten zavinilo všeobecné rozšíření systému pojištění portfolia, ale výrazně k němu přispěly. Pojištění portfolia bylo realizováno automatizovaným systémem (programové obchodování), který byl v podstatě velmi jednoduchým expertním systémem. Právě tato jednoduchost, která nepočítala s důsledky vlastních obchodů ani s tím, že podobnou strategii mohou používat další subjekty, a předpokládala neomezenou likviditu, vedla ke katastrofě.
Od expertních systému se těžiště nasazení AI postupně přesunulo k systémům strojového učení. Hlavním rozdílem mezi expertním systémem a systémem strojového učení je zdroj pravidel, podle nichž systém funguje. U expertního systému je to člověk a jeho znalosti, u strojového učení je to automatizovaná analýza prováděná samotnou AI. Systém tedy sám hledá vztahy v rámci systému, aby splnil zadaný úkol. Úvěrové riziko a kreditní scoring byly historicky prvním segmentem finančního systému, ve kterém došlo k nasazení strojového učení. Banky využily velké množství dat o úvěrech, které měly k dispozici, a začaly je vytěžovat pomocí systému strojového učení už na přelomu 80. a 90. let. Další oblastí, ve které bylo strojové učení nasazeno, byla detekce podvodů založená na identifikaci neobvyklých transakcí. Přímo na finanční trhy dorazilo strojové učení v podobě kvantitativního investování, které začaly po roce 2000 využívat hedgové fondy a postupně se přidaly další správci aktiv. Obchodní a investiční systémy vytvářené za pomoci strojového učení vyhledávaly cenové anomálie, kvantifikovaly tržní momentum, využívaly fenomén návratu k průměru (mean reversal), analyzovaly korelace mezi aktivy a jejich vývoj a kvantifikovaly historické reakce aktiv na zveřejnění makroekonomických dat. Modely vytvořené strojovým učením přitom většinou nebyly založeny na makroekonomické teorii, šlo o čistou empirii neboli datamining založený na různých technikách strojového učení: od rozhodovacích stromů po neuronové sítě. S vývojem infrastruktury (vyšší výpočetní výkon, rychlejší a propustnější datové sítě) se začaly systémy strojového učení používat k obchodování v reálném čase, což vedlo ke vzniku fenoménu vysokofrekvenčního obchodování. Strojové učení začalo být využíváno k modelování krátkodobého chování jak jednotlivých aktiv, tak trhu jako celku, využívány byly jak přímo ceny, tak objemy obchodů a údaje o nabídce a poptávce (order books). Systémy založené na strojovém učení začaly být tak rychlé, že o jejich úspěšnosti rozhodovaly milisekundy, a tedy i například vzdálenost hardwaru obchodního systému od zdroje dat (například vypořádacího systému burz).
Zatím poslední etapou ve využívání AI na finančních trzích je nástup velkých jazykových modelů (LLM) a na nich založených uvažujících AI agentů. Jde o část historie, která se právě teď realizuje, aktuálně probíhá. Nástup LLM znamená přechod od zpracování čistě kvantitativní informace ke zpracování informací obsažených v jazykových sděleních s tím, že spolu s jazykovými sděleními se zároveň jako doplněk mohou využívat související data, často předzpracovaná pomocí systému strojového učení, přičemž LLM a strojové učení mohou být v některých případech komplementární. Dělba práce přitom probíhá následovně: systém strojového učení analyzuje tržní data (ceny, objemy, volatilita, korelace atd.) a kvantitativní údaje týkající se hospodaření podniků (finanční výkazy, relevantní sektorová a makro data), zatímco agenti založení na LLM analyzují analytické reporty, firemní komunikaci, komunikaci relevantních oficiálních představitelů (vláda, centrální banka, regulátoři, justice), obecné zpravodajství, sociální sítě atd. Informace potom může opět s pomocí LLM agenta/asistenta dále zpracovat a posoudit člověk. AI agenti mohou být profilovaní jako „specialisté“ (fundamentální analýza, technická analýza, analýza sentimentu, makroekonomická analýza, risk management, portfolio management). Výhodou LLM agentů proti systémům strojového učení je jejich schopnost pracovat s kvalitativní a sémantickou informací. Proti lidem jsou schopni velmi rychle zpracovat velké množství textu, mají k dispozici velmi obsáhlou a prakticky neselhávající paměť (schopnost rychle prohledávat velká datová úložiště včetně vlastních minulých výstupů) a strojové systémy analýzy sentimentu jsou objektivnější než lidské. Agenti založení na LLM zmírňují některé slabiny (například závislost na historických datech a tendenci k overfittingu), které vedly ke špatnému zvládání šoků a strukturálních změn u systémů založených na strojovém učení. AI agenti jsou schopni analyzovat dopady šoků i průběh strukturálních změn, přičemž se tyto schopnosti s každou novou generací rychle zlepšují úměrně obecnému zlepšování jejich výkonu.
Vliv AI na fungování finančních trhů
Strukturu a chování finančních trhů začalo podstatně měnit už nasazování výpočetní techniky, především osobních počítačů. Před rokem 1980 se počítače používaly především ke zpracování transakcí. Nástup osobních počítačů, konkrétně tabulkových procesorů, umožnil rychlou finanční analýzu včetně scénářů, a tím i rozvoj finančních inovací, které vedly ke vzniku nových finančních produktů a celých odvětví (deriváty, arbitráže, rizikovější podnikové dluhopisy atd.). Přispěl k tomu také rozvoj informačních služeb (Bloomberg, Reuters), které umožnily rychlé šíření informací, především prakticky okamžitých informací o vývoji cen finančních aktiv. Expertní systémy jako první vlna nasazování AI na finančních trzích se na tomto vývoji začaly podílet velmi brzy.
Kombinace výpočetní techniky, komunikací a AI začala postupně transformovat samotný proces cenotvorby a strukturu likvidity. AI se rychle stala významnou součástí automatizovaného obchodování na nejlikvidnějších trzích a výrazně urychlila zpracování informací i cenotvorbu. K efektivitě finančních trhů významně přispěla rychlá identifikace arbitrážních příležitostí. V druhé polovině osmdesátých let ještě tehdy se prudce rozvíjející sektor arbitráží umožňoval omezené skupině obchodníků dosahovat pohádkových zisků. O deset let později kolaps hedge fondu LTCM, který byl primárně založen na arbitrážních strategiích, symbolizoval praktické uzavření této příležitosti k dosahování nadměrných zisků.
Dalším faktorem významně přispívajícím k vyšší efektivitě finančních trhů bylo snížení informačních neefektivit. Strojové učení umožňuje zpracovávat množství kvantitativních informací, které je pro člověka nezvladatelné. Agenti založení na LLM k tomu přidávají schopnost velmi rychle zpracovat velké množství sémantických informací. Výsledkem je efektivnější cenotvorba. MMF označil lepší cenotvorbu (price discovery) za jeden z hlavních přínosů AI pro finanční trhy.
Nástup AI podstatně ovlivnil dostupnost likvidity, protože velká část likvidity dnes pochází od algoritmických obchodníků. Tím došlo k zúžení spreadů (nižší náklady na obchodování) a za normálních okolností i ke zvýšení likvidity, a tedy hlubším trhům. „Normální okolnosti“ jsou důležité, protože v případě krize se situace otáčí – rychlá reakce AI systémů může vést v případě krize ke klasickému synchronizovanému davovému chování, kdy všechny systémy reagují víceméně stejně, a tím naopak dochází k rychlému vzniku extrémních likviditních nerovnováh nebo i k úplnému vyschnutí likvidity.
To, že AI nemusí být pro finanční trhy vždy nutně přínosem, dokazuje relativně častý negativní vliv AI na stabilitu trhu. Lidé obchodující na finančních trzích tvoří pestrou směs s různými preferencemi, způsoby uvažování, frekvencí obchodování atd. Davové reakce v různých formách (krachy, bubliny) se sice objevují, ale spíše výjimečně. U AI je to jiné – odvrácenou stranou vyšší efektivity trhů je vyšší tendence k nestabilitě daná určitou homogenitou přístupů založených na AI (stejná data, podobné modely, stejná rychlost reakce). Vzniká tak to, co MMF označuje jako algoritmické shlukování (algorithmic clustering) neboli obdoba stádního chování. Trh tvořený identickými ideálními dokonale racionálními investory by paradoxně byl extrémně nestabilní, protože by všichni jeho účastníci reagovali synchronně. Výsledkem by byl dokonale chaotický šum. Cestou z této pasti může být vytvoření AI systémů, které s tímto efektem počítají a dokáží mu své chování přizpůsobit.
Vedle „stádní“ nestability trhu zmíněné v předchozím odstavci dochází také k podstatnému zvýšení nelineárních efektů ve vývoji finančních trhů. Je to do značné míry dané tím, že především systémy strojového učení využívají při svém rozhodování předchozí vývoj cen – výstup jejich rozhodování je částí vstupu jejich rozhodování, což je klasický zdroj nelineárního chování, tedy především neúměrně velkých reakcí na malé podněty. Trhy se tak stávají chaotičtějšími (chaos jakožto alternativní jméno pro teorii nelineárních dynamických systémů). Jedním z efektů je vytváření tržních režimů a náhlé a nepredikovatelné „fázové přechody“ mezi nimi. Může jít například o změny korelací mezi různými finančními aktivy, prudké změny cen bez zjevného důvodu, nepřiměřeně velké a nelogické tržní reakce na malé podněty.
AI má v neposlední řadě také nepřímý dopad v podobě měnícího se chování investorů. Ti na ni stále více spoléhají jak jako na formu podpory při svém rozhodování, tak jako na přímý prostředek realizace svých strategií. Tomu se přizpůsobuje alokace kapitálu, frekvence obchodování, způsob přijímání a zpracování informací lidskými aktéry, technické prostředky používané při obchodování a také institucionální struktura finančních trhů a jejich regulace. Lidským reakcím na sebe samu se zpětně přizpůsobuje AI, takže kromě zpětné vazby přímo v systémech AI máme ještě vyšší stupeň zpětné vazby na úrovni člověk-instituce-AI. To vytváří další úroveň nelinearity komplikující odhad budoucího vývoje ve střednědobém a dlouhodobém horizontu.
Co přináší generativní AI
Finanční sektor se o generativní AI začal intenzivně zajímat prakticky okamžitě po přelomovém představení ChatGPT na konci roku 2022. Generativní AI byla nejdříve nasazována jako pomocný prostředek při analýze finančních zpráv, sledování výsledkových konferencí, zpracování výročních zpráv a analýze regulatorních dokumentů. Vesměs tedy šlo o podporu nebo přímou automatizaci práce analytiků, AI sloužila jako analytický asistent. Největším přínosem v této fázi bylo, že investoři poprvé získali nástroj schopný efektivně a přímo pracovat s nestrukturovaným textem.
Po získání zkušeností a také díky rychlému růstu schopností generativní AI začaly pokusy s jejím začleňováním přímo do investičního procesu. AI agenti už nebyli nasazování jen na analýzu jednotlivých izolovaných dokumentů, ale začali jich studovat při plnění jednotlivých úkolů tisíce najednou. Porovnávali je mezi sebou a identifikovali změny v čase, analyzovali nejen objektivní informace, ale také sentiment managementu. Kromě podnikové, případně sektorové úrovně se AI modely začaly používat také na makroekonomickou analýzu. Šlo o analýzu komunikace centrálních bank, vlád a mezinárodních institucí, sledování geopolitického vývoje i obecného investorského sentimentu tak, jak se projevoval například při komunikaci na sociálních sítích. To vše doplněno o analýzu zveřejňovaných dat a analytických zpráv vydávaných bankami. AI tímto způsobem výrazně zvýšila produktivitu analytiků: automatizovala sumarizaci informací z širokých souborů zdrojů, pomáhala při scénářové analýze a asistovala při tvorbě prvních verzí reportů. Podle MMF bylo právě zvýšení produktivity při práci s daty a dokumenty prvním významným dopadem generativní AI na finanční sektor.
Využití generativní AI však mělo omezení daná nedostatky modelů: AI halucinuje, není schopna kontrolovat vlastní výstupy a není schopna efektivně plnit vícekrokové úkoly. Ve snaze odstranit tyto nedostatky začali být vytvářeni AI agenti. Agent je softwarový systém, který má v základu jazykový model, ale navíc také dokáže využívat nástroje, získávat a analyzovat data, plánovat svůj postup a kontrolovat svoje výsledky. Na finančních trzích se tak objevily první experimentální integrované systémy připomínající organizaci skutečných investičních společností. Typická struktura takového agentního systému byla: makroekonomický analytik, fundamentální analytik, technický analytik, analytik sentimentu, obchodník, risk manager, portfolio manažer. Výsledné rozhodnutí bylo výsledkem interakce několika specializovaných agentů.
Generativní AI zatím na finančních trzích ještě není dominantní silou určující ceny aktiv, přesto už nyní představuje významnou součást investiční infrastruktury. Nejvíce je stále využívána v investičním výzkumu, kde se používá jako analytický asistent, nástroj pro vytváření rychlých souhrnů informací a sledování relevantních informací v reálném čase. Podpůrnou roli hraje v oblasti risk managementu, kde pomáhá pomocí sledování a automatizované analýzy informací upozorňovat na nová možná rizika. Fondy zabývající se kvantitativním investováním se snaží využívat kombinaci klasického strojového učení, analýzy textových informací a agentního rozhodování. Pro finanční trhy to znamená obecně vyšší efektivitu, ale také zdroje nových rizik, které se mohou objevit zcela nečekaně.
Budoucnost AI na finančních trzích
Nejsnáze viditelným trendem v dohledné budoucnosti je rozvoj a větší zapojování agentních systémů. Takové systémy by svým rozvojem měly být schopny realizovat stále větší část investičního procesu. S tím se ovšem pojí problém rostoucí obtížnosti jejich kontroly a zamezení nežádoucích akcí. Dobrou ilustrací je široce medializovaný únik agentů z testovacího prostředí u předních společností vyvíjejících AI – když ani tyto subjekty plné špičkových expertů v oboru AI nedokážou plně zvládnout své výtvory, jakou šanci mají nespecializované finanční instituce? Příkladem možného problému způsobeného nezvládnutím AI je únik citlivých informací, což by způsobilo škody jak z regulatorního, tak reputačního hlediska. Nasazování agentních systémů tak nejspíše nebude brzdit ani tak tempo jejich technického rozvoje, jako obava o jejich bezpečnost a řiditelnost.
Závěr
AI má na finančních trzích, stejně jako v řadě jiných oblastí, historii dlouhou desítky let. Stejně jako jinde však její nasazování procházelo bez většího povšimnutí. Občas jako v případě bleskových krachů se AI systémy na chvíli dostaly do centra pozornosti, ale většinou jsme si ani neuvědomovali, že máme co do činění s AI (například u systémů ověření totožnosti pomocí biometrických parametrů založených na strojovém učení). Velké jazykové modely změnily situaci a AI je všude včetně sektoru financí a finančních trhů v centru pozornosti, v dobrém i ve zlém. Duch vypuštěný z láhve se přes růst odporu nemalé části společnosti vyspělých západních demokracií jen tak lehko nevrátí. Musíme tedy počítat s tím, že role AI na finančních trzích poroste a finanční trhy se s jejím růstem budou dále měnit. Jakým způsobem přesně je dnes nemožné odhadnout, jednak kvůli rychle pokračujícímu vývoji v oblasti samotné AI, jednak kvůli už zmíněné nelinearitě reakce mezi lidskou složkou finančních trhů a AI na finančních trzích. Role AI však velmi pravděpodobně poměrně rychle poroste a s ní i riziko, že se stane něco podstatného, co nikdo neočekával. Budoucnost s sebou tedy nese jak naději na významný rozvoj a zlepšení fungování finančních trhů, tak riziko zásadních problémů. To však platí nejen pro finanční trhy, ale všude, kde je AI nasazována.
