Tekoälyn ja koneoppimisen hyödyntäminen salkunhoidossa on yksi kvantitatiivisen sijoittamisen kuumimpia trendejä tällä hetkellä. Oppiva tekoäly on kehittynyt nopeasti tietokoneiden laskentatehon kasvaessa ja aika ajoin uutisoidaan tekoälyn voittaneen ihmisen erilaisten ongelmien ratkaisuissa. IBM:n tekoäly Watson päihitti aikoinaan parhaimmat tietovisaajat ja auttaa nykyään lääkäreitä tautien diagnosoinnissa. Tänä syksynä Yhdysvalloissa lanseerattiin ensimmäinen Watsonin hoitama ETF eli pörssilistattu rahasto, jossa osakkeet valitaan tekoälyn avulla.
Kun puhutaan tekoälyn tai koneoppimisen hyödyntämisestä sijoitusprosessissa, ei ole suinkaan itsestään selvää, mitä sillä tarkoitetaan. Koneoppiminen voi menetelmänä viitata lähes mihin hyvänsä lähtien monen muuttujan regressiomalleista neuroverkkoihin ja syväoppimisen tekniikoihin. Samalla tavoin tekoälyn hyödyntäminen sijoitusprosessissa ei juurikaan kerro mitään siitä, mitä ollaan tekemässä. Sen sijaan uutiskynnys tekoälyllä on helpompi ylittää kuin esimerkiksi kertomalla sijoitusprosessin hyödyntävän ihmisälyä.
Tyypillisesti tekoälyn odotetaan ratkaisevan hyvin määritelty ongelma annettua datajoukkoa käyttäen. Tekoälyn ja koneoppimisen vahvuutena on nopea ja väsymätön datan käsittely ja tehokas mallien sovittaminen käytettyyn dataan. Tavallisesti ihmisälyä kuitenkin tarvitaan määrittelemään ongelma, joka tekoälyn tulee ratkaista. Vaikka oppiva algoritmi voikin kouluttaa itsensä riittävän suuren datajoukon avulla, ihmisälyn tulee määritellä tekoälylle ongelman tavoitefunktio, rajoitteet ja käytettävä datajoukko. Ihmisäly toimii siis tekoälyn valmentajana tarjoten tehokkaan oppimisympäristön ja oikeat oppimisvälineet.
Esimerkkinä tekoälyn hyödyntämisestä sijoitussalkun hoidossa voisi olla yritysten tilinpäätösdataan ja osakekursseihin perustuva osakepoiminta. Ensimmäiseksi ihmisälyn tulee varmistaa tekoälylle oikeanlaisen datan saatavuus ja ohjata tekoäly käyttämään ongelman kannalta relevanttia dataa. Toiseksi tekoälylle tulee kertoa ongelman tavoitefunktio rajoitteineen. Tekoälyllehän ei liene itsestään selvää, että sen tulisi maksimoida odotettuja tuottoja ennalta määritellyllä riskitasolla.
Oletettavasti yritysten tilinpäätösdataa käyttävä tekoäly oppisi vähitellen poimimaan sellaisia laatuyhtiöitä, joilla on kohtuullisen alhainen arvostustaso ja joiden hintakehitys on ollut nousussa. Nämä faktorit tuottavat akateemisen tutkimuksen mukaan keskimääräistä sijoitusmarkkinaa paremmin pidemmällä aikavälillä. Toki oppiva algoritmi voisi löytää uusia epälineaarisia faktoreita, joita rahoitusteoria ei vielä tunne. Hyvin reaktiivisen algoritmin riskinä voisi kuitenkin olla ylioptimointi eli liiallinen reagointi satunnaiseen markkinakohinaan.
Edellä esitetyssä esimerkissä ihmisäly on määrittänyt rajatun ongelman tekoälyn ratkaistavaksi ja ohjannut sen käyttämään tietynlaista datajoukkoa. Useimmat koneoppimisen algoritmit selviytyvät tällaisista ongelmista vaivatta, mutta ne eivät arvioi tulosten mielekkyyttä tai ajattele luovasti siirtyen niille annettujen rajoitteiden ulkopuolelle. Ihmisälyä tultaneen tarvitsemaan edelleenkin tekoälyn valmentajana ja tulosten tulkitsijana. Oppiva tekoäly on oiva menetelmä monimutkaisten epälineaaristen ongelmien ratkaisuun, mutta ongelmien luomisessa ihmisäly lienee vielä toistaiseksi ylivertainen.