Recenzja książki
Sztuczna inteligencja w finansach. Używaj języka Python do projektowania i wdrażania algorytmów AI
- Praktyka 6/10 ile da się wdrożyć
- Głębia 6/10 siła argumentu
- Aktualność 8/10 czy nie zestarzała się
Hilpisch robi rzecz, której nie spodziewasz się po książce z „sztuczną inteligencją” w tytule: najpierw cierpliwie tłumaczy, dlaczego w ogóle wolno mieć nadzieję, że uczenie maszynowe znajdzie przewagę na rynku, a potem przez kilkaset stron pokazuje, jak łatwo się przy tym oszukać. To polskie wydanie „Artificial Intelligence in Finance” z O’Reilly, jedna z jego książek o Pythonie w finansach. Trzymamy ją w bibliotece nie jako podręcznik AI, bo akademii nie budujemy, tylko jako dokument założycielski. To tutaj pada teza, że ten sam rynek bywa efektywny na danych dziennych i nieefektywny w trakcie sesji, czyli dokładnie ta szczelina, w którą celuje cały nasz projekt. Drugi powód jest mniej przyjemny: Hilpisch siada, liczy koszty i pokazuje, że nawet trafny model przegrywa z prowizją. Jedno i drugie to fundament tego, co sami próbujemy zrobić na kontrakcie MES.
Książka każe składać bota, nie podziwiać cudzego
Pod spodem to podręcznik konstrukcyjny, nie popularna opowieść o tym, jak AI zmienia finanse. Każda teza ma kod w Pythonie, prawie każdy rozdział kończy się działającą klasą albo notatnikiem, a czytelnik ma na koniec sam złożyć agenta, nie obejrzeć cudzego. Hilpisch lubi obrazowe skróty (powtarza, że jeśli sztuczna inteligencja jest nową elektrycznością, to dane są paliwem, które napędza generatory), ale pod każdym hasłem siedzi konkret, który da się uruchomić.
Droga książki jest długa i logiczna. Zaczyna od tego, czym AI w ogóle jest (agent, percepcja, model, środowisko), przechodzi przez krytykę klasycznych finansów opartych na teorii, potem przez finanse sterowane danymi i uczenie maszynowe, by w połowie postawić centralne pytanie: czy dane i sieci neuronowe potrafią wykryć nieefektywność tam, gdzie ekonometria milczy. Druga połowa to już warsztat: gęste i rekurencyjne sieci, uczenie przez wzmacnianie, testy historyczne, zarządzanie ryzykiem, realizacja zleceń. Na sam koniec idą dwa rozdziały spekulacji o przyszłości branży. Dla nas wartość rośnie i opada wraz z tym łukiem: środek jest złotem, krańce bywają watą.
Święty Graal: rynek bywa efektywny i nieefektywny naraz
Tu leży powód, dla którego ta książka w ogóle trafiła na naszą półkę. Hilpisch bierze hipotezę rynku efektywnego, w jej najtrudniejszej do obalenia słabej postaci, i pyta wprost, czy da się ją złamać. Najpierw uczciwie pokazuje, że na danych z końca dnia rynek wygląda na efektywny: regresja na przesuniętych cenach nie daje nic poza banałem, że najlepszym przybliżeniem jutrzejszej ceny jest cena dzisiejsza, a potem zmienia skalę czasu i wszystko się rusza.
Nawet jeśli rynki są efektywne (w słabej postaci) dla danych EOD, mogą być nieefektywne (w słabej postaci) dla danych z czasu przebiegu sesji.
Yves Hilpisch, Rozdział 6
To jedno zdanie jest dla nas warte więcej niż reszta książki razem wzięta. Nie mówi, że rynek jest do pokonania, ale coś ostrożniejszego i mądrzejszego: efektywność nie jest właściwością rynku, tylko właściwością pary „rynek plus skala obserwacji”. Ten sam instrument, na który nie ma sensu polować na świecach dziennych, w trakcie sesji zostawia ślady chwilowego braku równowagi, presji jednej strony, nadreakcji. Hilpisch nie obiecuje przy tym cudów. Jego proste sieci łapią kierunek następnego ruchu z trafnością rzędu pięćdziesięciu kilku procent, czasem ocierając się o sześćdziesiąt, i autor od razu rozdziela dwie rzeczy, które amatorzy mylą: nieefektywność statystyczną (model przewiduje lepiej niż rzut monetą) od nieefektywności ekonomicznej (na tej przewadze faktycznie da się zarobić po kosztach). Pierwsza bez drugiej jest ciekawostką, a całą resztę książki, i całą resztę naszej roboty, można czytać jako próbę przejścia od pierwszej do drugiej.
Przeuczenie to nie wpadka, to wyrok
Skoro przewaga jest mała i ukryta w szumie, to najłatwiejszą rzeczą na świecie jest znaleźć przewagę, której nie ma, a Hilpisch poświęca temu osobny rozdział i nie owija w bawełnę, że to nie jest problem kosmetyczny.
Nadmiernego dopasowania (sytuacji, gdy model daje znacznie lepsze wyniki dla treningowego zbioru danych niż dla danych walidacyjnych i testowych) należy unikać w uczeniu maszynowym ogólnie, a przede wszystkim w finansach.
Yves Hilpisch, Rozdział 5
„Przede wszystkim w finansach” to nie ozdobnik: w rozpoznawaniu obrazów przeuczony model po prostu gorzej działa, a w handlu wygląda świetnie na historii i dopiero potem zeruje konto, bo nauczył się przypadkowego układu z przeszłości, którego przyszłość nie ma obowiązku powtórzyć. Hilpisch pokazuje to wizualnie, na regresji wysokiego stopnia, która idealnie przechodzi przez punkty treningowe i kompletnie rozjeżdża się na walidacji, a potem podaje standardowy zestaw obrony: walidację krzyżową, regularyzację, twardy rozdział próby treningowej od testowej. Nic odkrywczego dla kogoś, kto zna ML, a wartość jest w postawieniu sprawy na ostrzu: w naszym świecie przeuczony backtest to nie błąd metody, to droga prosto do straty. Dlatego u siebie trzymamy zbiór testowy nietknięty do samego końca i z góry zakładamy, że pojedynczy piękny wynik jest raczej podejrzany niż obiecujący.
Koszty: cmentarz ładnych strategii
Jeśli rozdział o efektywności rynku jest sercem książki, to rozdział o testach historycznych jest jej najtwardszym ciosem, i akurat ten cios trafia w nas najmocniej. Hilpisch buduje strategię daytradingu na gęstej sieci neuronowej, która prognozuje kierunek z naprawdę przyzwoitą trafnością i bez kosztów bije pasywne trzymanie instrumentu na głowę. Wygląda jak maszynka do pieniędzy, a potem autor dolicza spread.
Nawet po obniżeniu spreadu do poziomu, jaki mogą uzyskać profesjonalni gracze generujący wysokie obroty, strategia nie wychodzi na zero, ponieważ zyski nie wystarczają na pokrycie kosztów transakcyjnych
Yves Hilpisch, Rozdział 10
Zwróć uwagę na konstrukcję eksperymentu, bo to jest cała lekcja. Hilpisch nie bierze kosztów detalicznych, żeby łatwo udowodnić tezę. Schodzi z spreadem do poziomu, jaki realnie dostają najwięksi gracze obrotowi, i strategia dalej nie wychodzi na zero. Setki transakcji w krótkim czasie znaczą, że koszt transakcyjny mnoży się tyle razy, ile razy ruszasz pozycją, a cienka przewaga statystyczna po prostu nie ma z czego tego pokryć. To jest dokładnie ta asymetria, którą wbijamy w każdy rozdział naszego podręcznika: zysk jest niepewny i mały, koszt jest pewny i natychmiastowy. Hilpisch policzył to na parze walutowej, my liczymy to na MES, ale wniosek jest ten sam i aż nazbyt prosty. Strategię wolno oceniać dopiero w jednostkach R po kosztach, nigdy na wykresie brutto, bo wykres brutto kłamie najpiękniej ze wszystkich. Jednego ta książka za nas nie zrobi i sama się do tego nie zabiera: nie policzy naszego poślizgu ani naszej prowizji na konkretnym kontrakcie, i to zostaje po naszej stronie.
Alfa, która została, jest mikroskopijna
W przedostatnim rozdziale Hilpisch wychodzi z laboratorium i patrzy na rynek jako pole walki, studząc entuzjazm jeszcze raz, tym razem z innej strony. Łatwa przewaga, ta, którą dekadę temu wyciągało się prostą ekonometrią, w zasadzie zniknęła, a to, co zostało, jest trudniej dostępne.
Jedyna prawdziwa alfa, jaka pozostała, jest mikroskopijna, a wykrycie sposobów na jej uzyskanie wymaga kapitałochłonnych przemysłowych metod.
Yves Hilpisch, Rozdział 13
Porównanie do złota, którego używa autor, jest celne. Mikroskopijna alfa nie znaczy mniejszych pieniędzy, znaczy alfę rozproszoną tak, że wydobycie jej wymaga przemysłowych narzędzi: danych, mocy, infrastruktury, ludzi. To jest argument, który łatwo odczytać jako „odpuść, nie masz szans”, a tak naprawdę jest mapą, gdzie nie wchodzić. Handel o wysokiej częstotliwości, market making, arbitraż statystyczny w wielkiej skali to ligi, w których wygrywa szybsze łącze i grubszy portfel. My do nich nie startujemy i właśnie dlatego ten rozdział jest dla nas zdrowy. Nasza nisza jest świadomie wąska: kilka setupów intraday na jednym instrumencie, z policzonymi kosztami i bez złudzeń, że konkurujemy z funduszem, który ma centrum danych przy giełdzie.
Jedyna reguła: nie zmieniać decyzji systemu
Książkę domyka spojrzenie w przyszłość i jeden cytat, który zostaje w głowie na długo. Hilpisch przywołuje Jima Simonsa z Renaissance Technologies, funduszu, którego wyniki są legendą, a metody tajemnicą.
Przestrzegamy tylko jednej reguły: nigdy nie zmieniać decyzji komputera
Jim Simons, cytowany w rozdziale 14
To zdanie warto powiesić nad biurkiem. Najskuteczniejszy systematyczny fundusz w historii nie chwali się genialnym wskaźnikiem ani sekretnym modelem, tylko dyscypliną: kiedy system mówi, człowiek nie poprawia. Cała nasza robota nad pomiarami, kosztami i regułami wejścia służy ostatecznie temu jednemu, żeby w chwili próby było czego się trzymać, zamiast ratować humor kolejną emocjonalną transakcją. Hilpisch dorzuca do tego trzeźwą uwagę z reszty rozdziału: zbudować bota handlowego jest dziś łatwo, łatwiej niż auto autonomiczne, bo bariera techniczna jest niska. Trudne jest co innego, to samo co zawsze, czyli być na plusie po kosztach i przez dłuższy czas. Narrow AI potrafi być nadludzka w grze o pełnej informacji, jak szachy czy go, ale rynek pełnej informacji nie daje, więc analogia do AlphaZero pęka dokładnie tam, gdzie zaczyna się prawdziwy pieniądz.
Jak tego używamy
Po co my, ludzie od jednego kontraktu, bierzemy do biblioteki książkę o całym zoo metod AI na akcjach i walutach. Nie po to, żeby przepisać jej kod. Bierzemy ją jako legitymizację kierunku i jako listę ostrzeżeń.
Legitymizacja jest w rozdziale o efektywności rynku. Bez tezy o nieefektywności w trakcie sesji nasz projekt byłby walką z hipotezą, którą wspiera pół wieku badań. Hilpisch pokazuje, że na poziomie statystycznym ta szczelina istnieje, i to nam wystarcza za punkt wyjścia. Reszta to już nasza robota: zejść z poziomu statystycznego na ekonomiczny, czyli udowodnić, że po kosztach zostaje cokolwiek.
Ostrzeżenia są trzy i wszystkie trzymamy blisko. Pierwsze to przeuczenie, więc oddzielamy fazę badawczą od egzekucji i nie pozwalamy ładnemu wykresowi udawać działającej strategii. Drugie to koszty, więc każdy pomysł liczymy w jednostkach R po prowizji, spreadzie i poślizgu, a nie w punktach na ekranie. Trzecie to skala ambicji, więc nie wchodzimy tam, gdzie wygrywa kapitał i łącze, tylko zostajemy przy wąskiej, policzalnej niszy. Do tego dochodzi prosta architektura, którą Hilpisch powtarza w rozdziałach o ryzyku: agent w produkcji to nigdy sam model predykcji, tylko model obudowany twardymi regułami obronnymi, bo to one, a nie prognoza, ratują konto w skrajnej sytuacji. U nas ta warstwa obronna jest osobnym, świadomym elementem systemu, nie dopiskiem na końcu.
Gdzie książka pęka
Najuczciwiej o pożytecznej książce mówi się, pokazując jej granice. Ta ma ich kilka i warto je znać, zanim się po nią sięgnie.
Pierwsza to wiek warstwy technicznej. Kod stoi na konkretnych, już leciwych wersjach (Keras w starym stylu sekwencyjnym, TensorFlow sprzed kilku generacji, API brokera Oanda jako referencja). Idee się nie starzeją, ale notatniki tak, więc część przykładów dziś trzeba ręcznie doprowadzać do biegu. To podręcznik, który czyta się dla zrozumienia, nie dla skopiowania linijka w linijkę.
Druga to cena za szerokość. Czternaście rozdziałów od definicji AI po osobliwość finansową znaczy, że żadna pojedyncza metoda nie jest pociągnięta do dna. Sieci rekurencyjne, uczenie przez wzmacnianie, bagging, wszystko dostaje tyle miejsca, żeby zadziałać w przykładzie, ale nie tyle, żeby je naprawdę zrozumieć. Po matematykę trzeba pójść gdzie indziej, co zresztą sam autor uczciwie sygnalizuje odnośnikami.
Trzecia dotyczy nas osobiście. To jest świat akcji i walut, na danych dziennych i godzinowych, z przykładami na parze EUR/USD i koszykach amerykańskich spółek. My pracujemy na jednym kontrakcie futures, w skali minut i tików. Sama dyscyplina przenosi się w całości, bo prawda o szumie, przeuczeniu i kosztach jest uniwersalna. Konkretne zbiory danych, założenia o świecy dziennej i strategie przekrojowe już nie, i trzeba o tym pamiętać, zanim się przepisze cudzy notatnik na własny rynek.
Czwarta to dwa krańce książki. Wczesny rozdział o superinteligencji i końcowy o osobliwości finansowej czyta się ciekawie, ale to eseje, nie warsztat. Dla praktyka, który przyszedł po metodę, są to strony do przekartkowania. Hilpisch ma prawo je napisać, my mamy prawo ich nie używać.
Na koniec próg wejścia, którego autor nie ukrywa: książka zakłada Pythona, statystykę i podstawy uczenia maszynowego, a kto tego nie ma, utonie przed pierwszym sensownym backtestem. To nie wada, raczej uczciwa deklaracja, do kogo ta pozycja jest pisana.
Werdykt
Praktyczność 6, głębia 6, aktualność 8.
Praktyczność pośrodku i to świadomie. Kod naprawdę działa, backtesty są policzone, a rozdziały o testach historycznych i ryzyku dają gotowy szkielet myślenia. Ale stack jest leciwy, przykłady stoją na obcym instrumencie, a od kodu do działania u siebie droga jest długa. To nie jest cookbook w stylu McKinneya, którego notatniki po prostu się uruchamiają, tylko podręcznik, który trzeba zaadaptować, a ta adaptacja kosztuje i stąd szóstka, nie wyżej.
Z głębią jest podobnie, i to spójnie z sekcją o pękaniu. Książka ma autentyczną głębię w jednym miejscu, w samym postawieniu pytania o efektywność rynku i w rozdzieleniu nieefektywności statystycznej od ekonomicznej. To jest myśl, do której wracamy, i to ona dźwiga całą ocenę. Ale żadna pojedyncza metoda nie jest tu doprowadzona do teoretycznego dna, a szerokość rozcieńcza głębokość. Gdybym oceniał samą warstwę intuicji o rynku, dałbym więcej, ale oceniam całość, więc zostaje szóstka.
Aktualność najwyżej i tu nie mam wątpliwości. Niewiele rzeczy w naszej bibliotece jest bliższych temu, co budujemy, niż teza, że nieefektywność żyje w trakcie sesji, a koszty zabijają większość strategii, które wyglądają na zwycięskie. To są dwa filary naszego projektu, podane wprost i policzone. Ósemkę, nie dziewiątkę, daję tylko dlatego, że instrument jest inny i część detali implementacyjnych wymaga przepisania, choć sama myśl jest dla mes-ai założycielska.
Komu polecić. Praktykowi, który zna już Pythona i podstawy ML i chce zobaczyć, jak ktoś poważny i uczciwy przechodzi całą drogę od hipotezy o nieefektywności do bezlitosnego rachunku kosztów. Kto szuka gotowego algorytmu, który zarabia, odłoży książkę rozczarowany, i dobrze, bo Hilpisch pierwszy mówi, że go tu nie ma. U nas ta pozycja ma rolę kamienia węgielnego: nie podaje strategii, podaje powód, dla którego w ogóle warto jej szukać, i cenę, którą trzeba za to zapłacić.