Ο σχολιαστής του Bloomberg, Άαρον Μπράουν, σημειώνει ότι το θεωρητικό υπόβαθρο είναι εξαιρετικά τεχνικό, όμως το κεντρικό ερώτημα είναι παλαιό και απλό: πρέπει να στηριζόμαστε σε λίγους, κατανοητούς δείκτες ή να αφήνουμε την πολυπλοκότητα να αποκαλύπτει μοτίβα που δεν είναι ορατά στον άνθρωπο;

Στην πρώτη περίπτωση, η πρόβλεψη βασίζεται σε παραμέτρους όπως η απόδοση του προηγούμενου μήνα, τα επιτόκια ή οι δείκτες αποτίμησης. Όμως, η υπερβολική χρήση μεταβλητών μπορεί να οδηγήσει σε «υπερπροσαρμογή»: ένα μοντέλο που εξηγεί τέλεια το παρελθόν αλλά αποτυγχάνει να προβλέψει το μέλλον. Από την άλλη, υπάρχει η προσέγγιση του λεγόμενου «μοντέλου νεροχύτη κουζίνας», όπου ενσωματώνονται μαζικά μεταβλητές και η μηχανική μάθηση αναλαμβάνει να φιλτράρει τον θόρυβο και να αναδείξει κρυφά μοτίβα.

Το παράδειγμα της ρουλέτας

Η αντιπαράθεση θυμίζει τη δεκαετία του 1960, όταν οι Ed Thorp και Claude Shannon ανέπτυξαν τον πρώτο φορητό υπολογιστή στον κόσμο για να προβλέπουν περιστροφές στη ρουλέτα. Βασιζόμενοι στη φυσική, απέδειξαν ότι γνωρίζοντας την ταχύτητα της μπάλας, του τροχού και τους συντελεστές τριβής μπορούσε κανείς να περιορίσει το εύρος πρόβλεψης και να έχει στατιστικό πλεονέκτημα έναντι του καζίνο.

Αυτό το πείραμα γέννησε μια από τις βασικές αρχές των quant investors: η αξία βρίσκεται στο να εντοπίζεις δομές σε φαινόμενα που φαίνονται τυχαία και να αναγνωρίζεις την αβεβαιότητα εκεί όπου οι άλλοι βλέπουν βεβαιότητα. Μέχρι τα μέσα της δεκαετίας του 1970, η «ρουλέτα» είχε μετατραπεί σε συμβολικό τεστ μύησης για τους πρωτοπόρους της ποσοτικής επένδυσης.

Στη συνέχεια, ο χώρος χωρίστηκε σε δύο σχολές: τους «φυσικούς», που έδιναν έμφαση σε ακριβείς μετρήσεις και αιτιώδη μοντέλα, και τους «στατιστικολόγους», που στηρίζονταν σε πρώιμους αλγορίθμους μηχανικής μάθησης για να αξιοποιήσουν επαναλαμβανόμενα μοτίβα. Ο διχασμός εκείνος μοιάζει πολύ με τη σημερινή συζήτηση γύρω από την πολυπλοκότητα και την προβλεψιμότητα.

Το στοίχημα της πολυπλοκότητας

Σήμερα, οι Kelly, Malamud και Zhao δεν βασίζονται σε τυχαίες συσχετίσεις όπως ο καιρός ή γράμματα στα ticker των μετοχών. Αντίθετα, χρησιμοποιούν 15 βασικές μεταβλητές με δεδομένα 12 μηνών η καθεμία, δημιουργώντας 12.000 παραμέτρους πρόβλεψης για τις μελλοντικές αποδόσεις.

Ο Μπράουν κλείνει με μια προσωπική παρατήρηση:
«Ποντάρω στην πολυπλοκότητα αντί για τη θεωρία εδώ και μισό αιώνα. Πιστεύω ότι η τεχνητή νοημοσύνη και η μηχανική μάθηση θα εκτοπίσουν σταδιακά τους ανθρώπινους αναλυτές και traders, όπως θα συμβεί και σε πολλούς άλλους επαγγελματικούς τομείς. Οι αλγόριθμοι θα ανακαλύπτουν δικά τους μοτίβα χωρίς να περιορίζονται από ανθρώπινες προκαταλήψεις. Ωστόσο, συχνά πέφτω έξω – οπότε μην ποντάρετε όλα τα χρήματά σας στον αριθμό που επιλέγει ο υπολογιστής της ρουλέτας μου».