Realitas Pahit Pembelajaran Mesin di Pasar Keuangan

Saya telah menyelami dalam-dalam dunia ML keuangan, dan izinkan saya memberitahu Anda - itu bukan solusi yang bersih dan elegan seperti yang diyakini para akademisi. Makalah Bryan Kelly dan Dacheng Xiu tentang "Machine Learning Keuangan" menggambarkan gambaran indah tentang ML yang merevolusi keuangan, tetapi berdasarkan pengalaman saya di lapangan, ada sisi gelap yang mereka sembunyikan dengan nyaman.

Tentu, algoritma canggih ini dapat memproses dataset besar yang akan membuat model ekonometrika tradisional tercekik. Tetapi apa yang tidak ditekankan cukup dalam makalah ini adalah bagaimana sistem ini sering kali menjadi kotak hitam yang mahal yang bahkan pembuatnya pun tidak dapat sepenuhnya menjelaskan. Saya telah melihat tim kuant menghabiskan jutaan untuk infrastruktur hanya untuk mendapatkan hasil yang sedikit lebih baik daripada model yang lebih sederhana.

Ekonometrika tradisional bergantung pada asumsi yang bersih dan model yang rapi - sebuah dunia fantasi yang tidak ada di pasar nyata. Jaringan saraf dan pohon keputusan mungkin menangkap kekacauan dengan lebih baik, tetapi dengan biaya berapa? Saya telah melihat secara langsung bagaimana model-model ini dapat gagal secara katastrofik selama guncangan pasar ketika Anda membutuhkannya paling banyak.

Makalah ini membahas tentang "penilaian risiko yang lebih baik" tetapi meremehkan bagaimana model ML sering kali hanya menemukan kembali faktor risiko yang sudah dikenal sambil menambah lapisan opasitas. Platform perdagangan mempromosikan algoritme ini sebagai mesin pencetak uang yang ajaib, namun mereka dengan hati-hati menyembunyikan kegagalan spektakuler mereka.

Apa yang benar-benar mengganggu saya adalah optimisme buta surat kabar tentang optimasi portofolio. Sistem ML ini sering kali terlalu cocok dengan pola historis yang hancur begitu uang nyata terlibat. Saya telah melihat algoritma yang konon "cerdas" mengejar pola hantu dan menguras modal investor.

Pohon keputusan dan hutan acak terlihat hebat dalam pengujian kembali tetapi hancur dalam perdagangan langsung. Rahasia kotor industri? Banyak perusahaan dengan tenang kembali ke model yang lebih sederhana setelah implementasi ML yang mahal gagal memberikan imbal hasil yang dijanjikan.

Tindakan menyeimbangkan risiko dan imbalan sangat membuat frustrasi. Algoritma ini mengklaim dapat bereaksi dengan cepat terhadap perubahan pasar, tetapi pada kenyataannya, mereka sering hanya memperkuat tren dan memperburuk volatilitas. Selama beberapa kejadian flash crash, saya telah menyaksikan strategi yang didorong oleh ML menumpuk pada perdagangan yang sama, membuat situasi buruk menjadi lebih buruk.

Ruang ML keuangan bukan tentang kemajuan ilmiah - itu telah menjadi alat pemasaran. Dana penelitian mengalir ke pendekatan ML yang tren sementara metode tradisional yang solid diabaikan. Ini bukan tentang keuangan yang lebih baik; ini tentang menjual kompleksitas.

Jangan salah paham - pembelajaran mesin memiliki tempatnya di pasar keuangan. Tetapi tidak seperti yang disarankan oleh makalah ini, itu bukanlah solusi ajaib. Ini hanya alat yang tidak sempurna lainnya dalam industri yang suka mengejar objek mengkilap sambil melupakan dasar-dasar.

Dan ingat - ini bukan saran investasi. Pasar akan menggerogoti Anda terlepas dari algoritma mana yang Anda percayai.