Kuin säätä ennustaisi – koneoppiminen sijoittamisessa

Tekoäly ja koneoppiminen ovat viime aikoina nousseet kaikkien tietoisuuteen uusien kuluttajille suunnattujen sovellusten myötä. Sijoitustoiminnassa koneoppimista hyödyntäviä strategioita on käytetty jo vuosia, ja niistä saadut kokemukset ovat ristiriitaisia.  

Koneoppimisen käsite on varsin yksinkertainen. Otetaan valitusta nykytilanteesta parametrit talteen ja etsitään menneisyydestä vastaavia tilanteita, joissa parametrit ja niiden dynamiikka ovat yhteneväisiä käsillä olevan tilanteen kanssa. Näiden perusteella luodaan ennustuksia lähitulevaisuuteen. Koneoppiminen muistuttaa sään ennustamista ja molemmissa käytetäänkin samoja menetelmiä.

Sääennustukset menevät toisinaan pieleen, joten sama ongelma on myös sijoitusavaruudessa. Koneoppimisen haasteena on generoitavien mallien dynamiikan ymmärtäminen ja ns. ylisovitus-ongelma. Syntyneet mallit voivat olla vaikeaselkoisia, eikä niiden sisäisiä syy-seuraus-suhteita välttämättä pystytä täysin ymmärtämään normaalin taloustieteen keinoin. Mallit saattavat myös ylisovittaa itsensä niin tiukasti johonkin dataperiodiin, etteivät ole yleistettävissä tuleviin aikajaksoihin (over fitting).

Tekoälyä käytetään vielä rajatusti

Sijoitusmaailmassa ei ole juurikaan hyviä tekoälysovelluksia. Kaikki sovellukset tulevat lähinnä luonnollisen kielen prosessoinnin maailmasta. Matemaattisten mallien avulla sijoittavat rahastot ovat käyttäneet jo kauan kielimalleja sijoitustutkimuksessa, mutta eivät ole olleet erityisen innostuneita tekoälysovelluksista suorassa sijoitustoiminnassaan. Rahastot kyllä myöntävät, että tekoäly on selvä parannus vanhoihin kielimalleihin verrattuna. 

Tekoälyn luoman informaation käyttökohteet ovat melko rajattuja, jotta ne muodostaisivat merkityksellisen osan salkun sijoitustoiminnasta. Tekoälyä voidaan käyttää välillisesti, esimerkiksi jonkin tietyn osakkeen sentimentin mittaamiseen, mutta se on vain pieni osa sijoituspäätökseen vaikuttavaa tietosisältöä. Jotkut rahastot ovat tutkineet mahdollisuutta käyttää tekoälyä uusien kvantitatiivisten sijoitusmallien rakentamisessa ja nykyisten mallien auditoinnissa, mutta tässä asiassa otetaan vasta ensiaskeleita. 

Koneoppimisen avulla saatuja positiivisia tuottoja vielä odotellaan

Työeläkeyhtiö Elossa on ollut koneoppimista hyödyntäviä rahastostrategioita lähes 10 vuoden ajan, Elon perustamisesta lähtien, joten aihe on varsin arkipäiväinen. Meillä on suurena instituutiosijoittajana mahdollisuus sijoittaa maailman parhaimpiin rahastoihin, joilta löytyy hyvät resurssit koneoppimisen ja tekoälyn kehittämiseen (ICT ja akateeminen tutkimus). 

Koneoppiminen toimii ehkä parhaiten allokaatiopäätöksissä, mutta koska sijoitusmarkkinoiden dynamiikka on alati ailahteleva ja sisältää runsaasti muuttujia, niin mallit eivät ole aina lisänneet positiivisia tuottoja. Koneoppimisesta saadut kokemukset ovatkin olleet ristiriitaisia. Vasta viime aikoina on löytynyt toimivia sovelluksia, joissa koneoppimisen käytölle on saatu stabiilimpia tuloksia ja pidemmältä ajanjaksolta kertyneitä positiivisia tuottojakin. 

Tekoälysovellukset puolestaan ovat pitkälti kielimalleja, jossa suuresta määrästä tekstiä johdetaan vastauksia, joita voidaan käyttää välillisesti sijoitustoiminnan tukena esimerkiksi sijoittajasentimentin analysoimisessa tai itse sijoitusprosessin kehittämisessä. 

Tekoälyllä tulee varmasti olemaan valtavia vaikutuksia tulevaisuuden työmarkkinoille ja sijoittamiseenkin, mutta sovelluskohteet ovat vielä rajatut. Sijoittamisessa koneoppiminen on selvästi suositumpi ja tekoälyä helpommin sovellettavissa oleva työkalu, mutta se on toki vain tämänhetkinen tilanne. Kenties lähitulevaisuudessa tulee jokin innovaatio, joka löytää tekoälylle tuottoisia käyttökohteita sijoitusmaailmassakin.