Высокие технологии уже давно используются в финансовых организациях и в роли помощника персонала, и в качестве способа оптимизации расходов. Однако сейчас компьютер не только помогает персоналу принимать решения, но и принимает их самостоятельно, а местами и заменяет людей на таких позициях, как трейдер, риск-менеджер и даже аналитик.
Самым ярким примером этого может служить фондовый рынок. Сейчас многие финансовые гиганты, такие, как Goldman Sachs, City group, Morgan Stanley используют биржевых роботов для того, чтобы они управляли их капиталом на фондовом рынке.
Так, в 2009 году на их долю пришлось около 73% от общего объема торгов акциями в США. На бирже ММВБ в 2010 году доля биржевых роботов в обороте на фондовом рынке составляла порядка 11–13%, а по числу заявок – 45%. По данным РТС, в 2010 году на долю торговых роботов в обороте на срочном рынке РТС FORTS приходилось примерно 50%, а их доля в общем количестве заявок в определенные моменты достигала 90%.
Управляющий партнер компании Hold Brothers Александр Герчик объясняет, что биржевые роботы эффективны на маленьких временных интервалах: здесь они быстрее обрабатывают данные, быстрее совершают операции и при этом меньше ошибаются. «Но пока они не могут конкурировать в интервалах больше 15–20 минут, и в этом случае человек намного эффективнее», – рассказывает Александр Герчик.
Большая часть биржевых роботов совершают сделки, опираясь на технический анализ. Для среднесрочного и долгосрочного трейдинга необходим еще и фундаментальный анализ, что роботы пока делают не очень успешно. Однако за последнее время на рынке США появился ряд машин, которые способны успешно совершать и фундаментальный анализ. В скором будущем, возможно, они смогут работать более эффективно и на длительных промежутках времени. Так, аналитики IBM полагают, что уже к 2015 году число трейдеров может сократиться на 90%, так как все больше и больше компаний будут отдавать предпочтение биржевым роботам.
Регуляторы не рассматривают вопрос запрета биржевых роботов, так как нет основания для признания их незаконности, ведь они работают как обычные трейдеры, только быстрее. Однако их связывают с событиями 6 мая 2010 года, так называемого «черного вторника», когда в течение короткого времени индекс Dow Jones упал почти на 1000 пунк-тов, а S&P 500 потерял сразу 8,6%, в связи с чем компания Wilshire International за 15 минут потеряла более $1 трлн. Ряд аналитиков высказал предположение, что падение индекса началось не из-за роботов, однако именно их действия привели к тому, что индексы упали так стремительно.
Но высокие технологии на фондовом рынке заменили не только трейдеров. Ряд компаний используют для аналитики не людей, а так называемые нейронные сети, которые могут обрабатывать информацию быстрее и точнее обычных людей. Компания Mellon equity Associates применяет нейронную сеть для анализа линейной регрессии для распределения фондов и специальной селекции акций. Тем самым на рынке США существует огромное количество нейронных сетей, которые вырабатывают тактики и стратегии инвестиционных портфелей.
Фондовый рынок всегда был самым динамичным среди всего финансового сектора, и технологические новинки приходили сюда раньше, чем в другие области финансов. Однако эти сети используют не только для работы на фондовом рынке. Многие банки используют их для оценки стоимости, параметров кредита при выдаче займа. Более того, эти системы уже активно используются для осуществления риск-менеджмента, как в банках, так и в страховых компаниях.
Конечно, никто не сможет заменить человека-финансиста по многим позициям и функциям. Но буквально пару лет назад мы не могли и представить, что машины могут быть более успешными трейдерами, аналитиками и риск-менеджерами, нежели Homo Sapiens.
Нейронные сетиМатематические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей наподобие нервных клеток живого организма. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщение. Тем самым они могут улучшаться самостоятельно, находя новые закономерности.
