การลงทุนโดย “AI” จะเข้ามาแทนที่การลงทุนในรูปแบบ “Quant” หรือไม่?

โมเดลปัญญาประดิษฐ์ที่ใช้แมชชีนเลิร์นนิ่งนั้นดูเหมือนจะเป็นสิ่งที่เกิดขึ้นควบคู่มาอย่างอัตโนมัติกับการลงทุนเชิงปริมาณซึ่งมักใช้แบบจำลองทางคณิตศาสตร์และสถิติอันซับซ้อนในการระบุหาโอกาสการเข้าซื้อและขายหลักทรัพย์

โดยธรรมชาติของกลยุทธ์การลงทุนเชิงปริมาณนี้ ต้องอาศัยการวิเคราะห์ข้อมูลจำนวนมาก เช่นเดียวกับโมเดล AI/ML ซึ่งในความเป็นจริงแล้วเส้นแบ่งระหว่างแนวทางเชิงปริมาณและ AI/ML เพื่อใช้ในการลงทุนนั้นค่อยๆ จางลง เนื่องจากเทคนิคเหล่านี้ได้กลายมาเป็นแนวทางกระแสหลักมากขึ้นแล้ว

ทั้งโมเดลเชิงปริมาณและ AI/ML แบบดั้งเดิมต่างพยายามคาดการณ์รูปแบบการเคลื่อนไหวของตลาด ข้อมูลเศรษฐกิจ และข้อมูลที่เกี่ยวข้องในระดับบริษัท โดยที่ทั้งสองโมเดลนี้พยายามระบุถึงความสัมพันธ์ที่เกิดขึ้น โมเดลทั้งคู่จะถือว่าประสบความสำเร็จได้อย่างมาก หากสามารถระบุความสัมพันธ์ระหว่างเหตุและผลได้ และกำลังกลายเป็นเครื่องมืออันจำเป็นสำหรับผู้ลงทุน

โบรกเกอร์ซื้อขายหลักทรัพย์และผู้จัดการสินทรัพย์จำนวนมากได้ใช้กลยุทธ์เชิงปริมาณสำหรับสินทรัพย์ทุกประเภท ซึ่งมักถูกนำมาใช้เสริมกลยุทธ์ด้านพื้นฐานกันมากขึ้น โดยมี AI ที่กำลังได้รับความนิยมเพิ่มขึ้นด้วยเช่นกัน ตัวอย่างเช่นผลการสำรวจในปี 2019 โดยธนาคารกลางอังกฤษและองค์กรกำกับดูแลด้านการเงิน (Financial Conduct Authority: FCA) ของสหราชอาณาจักรพบว่า 2 ใน 3 ของบริษัทการเงินของอังกฤษทั้งหมดได้ใช้แมชชีนเลิร์นนิ่งแล้ว¹

อย่างไรก็ตาม การใช้แมชชีนเลิร์นนิ่งยังมีข้อจำกัด แม้ว่าประโยชน์จากการทำงานร่วมกันจะเห็นได้ค่อนข้างชัดเจน แต่การประยุกต์ใช้ AI สำหรับกระบวนการอัตโนมัติและการตลาดกลับได้รับความนิยมมากกว่าการใช้คัดเลือกหุ้นผู้ชนะ โดยจากการสำรวจในปี 2019 โดย CFA Institute นั้นพบว่ามีเพียง 10% ของผู้จัดการพอร์ตลงทุนที่ตอบแบบสำรวจว่าใช้เทคนิค AI/ML ในช่วง 12 เดือนที่ผ่านมา ² ทั้งนี้ ยังมีข้อสงสัยถึงการรวม AI เข้ากับกระบวนการลงทุนหากผลลัพธ์ที่ได้จากแบบจำลองจำนวนมากอาจไม่สมเหตุสมผลตามมุมมองของผู้ลงทุนที่เป็นมนุษย์ ซึ่งเราจะอธิบายผลงานหรือการวางสถานะพอร์ตให้กับลูกค้าได้อย่างไรในเมื่อเครื่องจักรเป็นผู้ตัดสินใจ?

ในระยะสั้น แม้ว่า AI จะเป็นปรากฏการณ์อันน่าตื่นเต้นที่ได้ค้นพบและช่วยขยายขอบเขตของเทคนิคเชิงปริมาณ แต่ก็ยังมีโอกาสน้อยที่จะเข้ามาแทนที่ผู้จัดการที่ใช้กลยุทธ์ในรูปแบบ Quant นอกจากจะเข้ามาทำงานร่วมกับพวกเขา ซึ่งจะช่วยให้เกิดการคาดการณ์ที่ดีขึ้นตามจำนวนชุดข้อมูลขนาดใหญ่ที่เพิ่มขึ้นเรื่อยๆ และเป็นชุดข้อมูลแบบ non-linear ตลอดจนการเกิดขึ้นของชุดข้อมูลประเภทใหม่ๆ (หรือที่เป็นข้อมูลทางเลือก)

รูปที่ 1: กลยุทธ์ Quant เมื่อเทียบกับ AI/ML

กลยุทธ์การลงทุนแนว Quant นั้นมีความเกี่ยวข้องอย่างมากกับตัวเลขต่างๆ ที่ซับซ้อนวุ่นวายอยู่เดิมแล้ว นอกจากนั้น กลยุทธ์ด้านปัจจัยพื้นฐานและระดับมหภาคก็ยังพึ่งพาข้อมูลจำนวนมากเพื่อค้นหาข้อสรุปด้านการลงทุน ไม่ว่าจะเป็นในรูปของข้อมูลเศรษฐกิจ ตลาดหุ้น หรือข้อมูลเฉพาะในระดับบริษัท วิธีหนึ่งที่ AI สามารถช่วยได้ก็คือการช่วยกลั่นกรองสัญญาณหรือคัดแนวคิดที่มีประสิทธิภาพน้อยกว่าออกไป ซึ่งจะช่วยปลดล็อกให้สามารถไปใช้เวลากับสิ่งที่สำคัญที่สุดในกระบวนการลงทุนได้

AI นั้นยังช่วยให้สามารถประมวลผลข้อมูลประเภทต่างๆ ได้มากขึ้น (ทั้งข้อมูลแบบมีโครงสร้างและไม่มีโครงสร้าง) รวมทั้งปริมาณข้อมูลที่มีมากขึ้น เครื่องสามารถถูกสอนให้อ่านงบกำไรขาดทุน และสรุปภาพรวมด้านความเชื่อมั่น หรือสแกนเสียงจากการแถลงข่าว หรือทำการค้นหารายการเฉพาะที่อยู่ในรูปภาพ วิดีโอ หรือรายงานสภาพอากาศ นอกจากนี้ ยังสามารถใช้ข้อมูลที่ไม่ใช่ตัวเลข เช่น ภาพถ่ายดาวเทียม ข้อมูลเที่ยวบินและการขนส่ง และเนื้อหาบนโซเชียลมีเดีย ตลอดจนชุดข้อมูลอื่นๆ เพื่อปูทางไปสู่เป้าหมายสูงสุดของการลงทุนแนว Quant นั่นคือการรับรู้ถึงปัจจัยพิเศษใหม่ๆ ที่ยังไม่ถูกค้นพบและไม่มีความเกี่ยวข้อง

เนื่องจากโมเดล AI/ML มีความสามารถในการค้นหารูปแบบของข้อมูล จึงสามารถช่วยปรับปรุงกลยุทธ์การลงทุนที่ขับเคลื่อนด้วยข้อมูลแบบดั้งเดิมได้ด้วยการปรับปรุงการตีความข้อมูลนั้นๆ และนำไปใช้ในการตัดสินใจลงทุน ยิ่งไปกว่านั้นโมเดลเหล่านี้ก็ไม่ได้จำกัดด้วยจินตนาการของมนุษย์ที่เป็นนักวิจัยในการระบุปัจจัยขับเคลื่อนผลตอบแทนหรือความสัมพันธ์ใดๆ ในข้อมูล สิ่งนี้จึงช่วยให้มนุษย์สามารถค้นพบรูปแบบใหม่ๆ หรือข้อมูลเชิงลึกแบบที่มีลักษณะเฉพาะซึ่งอาจถูกมองข้ามไปเนื่องจากภาพที่ปรากฏไม่ชัด

AI ยังช่วยปรับปรุงการบริหารจัดการความเสี่ยงได้โดยระบุถึงโอกาสที่จะได้รับผลกระทบซึ่งมีความสัมพันธ์กันอย่างซับซ้อน ในขณะที่โมเดลความเสี่ยงโดยทั่วไปไม่สามารถตรวจจับได้ การสร้างระบบอย่างถูกวิธีด้วย AI ที่ทำงานอิงตามกฎจะมีแนวโน้มเกิดความผิดพลาดน้อยกว่ามนุษย์ เนื่องจากอัลกอริทึมทำงานโดยปราศจากอคติและอารมณ์ซึ่งมักเป็นปัจจัยกระทบการตัดสินใจของผู้จัดการพอร์ตลงทุนให้เอนเอียงไปโดยไม่ได้ตั้งใจ

และความเอนเอียงในการตัดสินใจนั้นมีความสำคัญอย่างยิ่ง โดยสิ่งที่เกิดขึ้นจริงสะท้อนได้จากงานศึกษาล่าสุดที่ปรากฎใน Harvard Business Review ที่ทดสอบอัลกอริทึมเทียบกับผู้ลงทุนประเภท angel investors งานศึกษาพบว่าอัลกอริทึมสามารถสร้างอัตราผลตอบแทนภายใน (IRR) ได้เฉลี่ยที่ 7.26% ในขณะที่ angel investors จำนวน 255 ราย สามารถทำ IRR ได้เฉลี่ย 2.56%³ซึ่งเหตุผลหลักก็คือความเอนเอียงที่เกิดขึ้นในกระบวนการตัดสินใจนั่นเอง

อย่างไรก็ตาม พบว่ามีกลุ่มผู้ลงทุนชั้นแนวหน้าที่สามารถทำ IRR ได้เฉลี่ยถึง 22.75% ซึ่งส่วนใหญ่เป็นเพราะพวกเขาสามารถหลีกเลี่ยงอคติและพึ่งพาในข้อมูล แต่นั่นก็หมายถึงการมีประสบการณ์มากเพียงพอและอาศัยสัญชาตญาณที่ช่วยให้มองเห็นโอกาสที่อัลกอริทึมพลาดไป

ข้อจำกัดที่สกัดกั้นความเป็นไปได้ของ AI

ตัวอย่างเช่นที่ Eastspring Investments เราใช้ประโยชน์จากข้อมูลที่ไม่ใช่แบบดั้งเดิม แต่อยู่ในรูปแบบของการบันทึกการประชุมทางโทรศัพท์สำหรับรายงานผลประกอบการของบริษัทรายไตรมาสโดยใช้ Natural Language Processing (NLP) ซึ่งเป็นส่วนประกอบย่อยของแมชชีนเลิร์นนิ่ง อย่างไรก็ตาม ข้อมูลดิบนั้นถือว่ายังอยู่ห่างไกลจากความสมบูรณ์แบบและต้องใช้ความพยายามในการพัฒนาอย่างมาก ซึ่งเราสามารถปรับปรุงกลยุทธ์ที่ใช้อยู่ในปัจจุบันและอยู่ระหว่างการทดสอบให้มีความเหมาะสมมากขึ้นโดยใช้เทคนิค AI เพื่อช่วยกำหนดน้ำหนักความสำคัญของปัจจัยต่างๆ ให้สอดคล้องกับแนวโน้มตลาด

โดยปกติ AI จะต้องใช้ชุดทักษะเฉพาะทางซึ่งอาจมีค่าใช้จ่ายสูงและยากต่อการนำมาใช้ ขณะที่ AI ก็ยังอาจทิ้งปัญหาที่อาจเกิดขึ้นเกี่ยวกับการเป็นเจ้าของข้อมูลและความโปร่งใสของกระบวนการ จึงไม่น่าแปลกใจที่ธุรกิจจำนวนมากคิดว่าพวกเขามีเหตุผลที่ดีแล้วในการดำเนินการด้วยความระมัดระวัง

ประเด็นด้านพื้นฐานยังมีมากกว่านั้น เมื่อคนส่วนใหญ่มักคิดว่าตลาดหุ้นเป็นสภาพแวดล้อมที่มีข้อมูลเพียบพร้อม แต่ในความเป็นจริงกลับมีประเด็นในเรื่องข้อมูลเหล่านี้ด้วย เพราะแม้แต่ในสหรัฐอเมริกาที่สถิติตลาดหุ้นมีความสมบูรณ์ที่สุดและย้อนหลังได้ไปจนถึงปี 1920 แต่ข้อมูลพื้นฐานที่มีคุณภาพก็มีย้อนหลังได้ตั้งแต่ปี 1960 เท่านั้น ส่วนที่ตลาดอื่นๆ นั้นพบว่าประเภทและปริมาณข้อมูลยังมีความแตกต่างกันอย่างมาก การที่ AI จะสามารถทำงานได้อย่างมีประสิทธิภาพ โมเดลที่ใช้จำเป็นต้องมีข้อมูลจำนวนมาก ยิ่งข้อมูลมีมากเท่าไหร่ก็จะยิ่งดีขึ้นสำหรับโครงข่ายประสาทเทียม (neural networks) ขนาดใหญ่ที่จะได้รับการฝึกฝนอย่างเหมาะสม

อุปสรรคยังรวมถึงจำนวนข้อมูลที่มีอยู่สำหรับเหตุการณ์เฉพาะบางประเภท (แต่สำคัญมากๆ) ยังมีน้อย โมเดลที่เน้นใช้ AI จำนวนมากได้สร้างผลงานที่ไม่ค่อยดีนัก โดยเฉพาะในเดือนมีนาคมปีที่แล้วเมื่อการระบาดของ Covid-19 ฉุดตลาดดิ่งลง เหตุผลหลักก็คือ⁴ ความผันผวนที่ทวีความรุนแรงเพิ่งเคยเกิดขึ้นเพียงไม่กี่ครั้งตามข้อมูลก่อนหน้านี้ ดังนั้น อัลกอริทึมจึงไม่สามารถเข้าใจถึงสภาวะตลาดหรือให้ข้อมูลเชิงลึกที่เป็นประโยชน์ในสภาพแวดล้อมที่มีลักษณะเฉพาะได้

AI มีแนวโน้มที่จะพลิกโฉมหน้ากำลังแรงงานและเศรษฐกิจในวงกว้างในช่วงหลายปีข้างหน้าขณะบรรดาภาคธุรกิจต่างใช้เทคโนโลยีใหม่ๆ เพื่อเพิ่มผลผลิตได้อย่างมหาศาล อย่างไรก็ตาม เครื่องจักรยังคงอยู่อีกไกลจากการจำลองกระบวนการคิดของมนุษย์ในบริบทของการบริหารจัดการลงทุน

ทั้งนี้ เป็นไปไม่ได้ที่ผู้จัดการพอร์ตลงทุนจะถูกแทนที่ด้วยเครื่องจักรในอนาคตอันใกล้ แต่มีความเป็นไปได้สูงที่ผู้เชี่ยวชาญด้านการลงทุนจะทำงานร่วมกันอย่างใกล้ชิดกับเครื่องมือและเทคนิค AI การให้ผลลัพธ์ที่ดีที่สุดอาจมาจากการให้เครื่องได้เรียนรู้จากผู้ลงทุนที่เชี่ยวชาญและใช้อัลกอริทึมเพื่อขยายขอบเขตในการครอบคลุมสินทรัพย์ที่บริหารจัดการ

ผู้จัดการสินทรัพย์จะใช้เวลานานมากขึ้นในการพัฒนากลยุทธ์ วิเคราะห์แหล่งข้อมูลใหม่ อัปเดตอัลกอริทึม และตีความผลลัพธ์ที่ได้ ซึ่งท้ายที่สุดแล้วการใช้โมเดล AI/ML เพื่อเข้ามาเสริมสิ่งที่มีอยู่ก็จะช่วยบริหารจัดการความเสี่ยงที่มีต่อพอร์ตการลงทุนของลูกค้าได้ดียิ่งขึ้น