คุยกันเรื่อง “อนาคตของ Machine Learning ในโลกของการลงทุน” กับอดีตหัวหน้าทีม Machine Learning แห่งกองทุนระดับแสนล้านดอลล่าห์อย่าง “AQR Capital Managment” และผู้ชนะรางวัล “Quant of the Year 2019” กัน

วันนี้เรามาจับเข่าคุยกับ ดร. Marcos Lopez de Prado กันเรื่องประเภทของ Quant 2 ประเภทในตลาดทุกวันนี้ม เรื่องอนาคตของการลงทุนในยุคใหม่หลังจากเข้าสู่ยุคแห่ง Machine Learning โลกการลงทุนจะเปลี่ยนแปลงอย่างไร องกรค์ควรปรับตัวอย่างไร มีปัญหาอะไรที่ท้าทายบ้าง สถาบันการลงทุนขนาดใหญ่มีทางเลือกอะไรบ้างในโลกที่เปลี่ยนไปแล้ว และปิดท้ายที่อนาคตของตัวเค้าเองหลังจากที่เพิ่งลาออกจาก AQR Capital Managment ว่ามีโปรเจ็คอะไรต่อไปครับ

Q: การลงทุนเชิง Quantitative นี่ได้ผลจริงไหมครับ?

A: ก่อนที่ผมจะตอบคำถามนี้ ผมว่าเราควรมาทำความเข้าใจกับความแตกต่างระหว่างองค์กร Math-quant และ Econ-quant

1: องค์กร “Math-quant” นั้นได้ถูกก่อตั้งและดำเนินงานโดย นักคณิตศาสตร์ นักฟิสิกห์ นักวิทยาการคอมพิวเตอร์ และ วิศวกร พวกเขามีกองทุนบริหารความเสี่ยงที่ทำผลงานได้ดีที่สุดในประวัติศาสตร์, โดยที่ Sharpe Ratio ของเขามักจะสูงมากกว่า 2 ด้วย:

Renaissance Technologies, Two Sigma , DE Shaw, Capital Fund Management, TGS, PDT, Citadel และอื่นๆอีกมากมาย. พวกเขาใช้เครื่องมือเทคโนโลยีทางสถิติที่ดีที่สุด, ซึ่งรวมถึง Machine Learning. Math -quant เชื่อใน Empiricists (ผู้ที่เชื่อในหลักฐานเชิงประจักษ์) ไม่ใช่พวก Dogmatists (ผู้ที่ศรัทธาแบบที่ไม่ต้องมีหลักฐาน) : พวกเขาจะนำทษฎษีที่ได้จากการที่พวกเขาทำการวิเคราะห์ข้อมูลจำนวนมหาศาลอย่างหนักแน่นมาใช้

Image result for economist

2: องค์กร “Econ-quant” มักจะถูกตั้งและดำเนินงานโดยนักเศรษฐศาสตร์ ขั้นตอนการวิเคราะห์ทาง Quantitative ของพวกเขามักจะมาจาก การวิเคราะห์เศรษฐศาสตร์เชิงมิติ (Econometric) และ วิธีการทางสถิติแบบคาสสิค วิธีการค้นคว้าของพวกเขามักจะคล้ายๆ กัน ดังนี้:

เริ่มจากหาทฤษฎีก่อน จากนั้นหาชุดข้อมูล นำมาประมวลผล อาจจะเป็น Linear Regression ซักพันรอบ –> จากนั้นก็เขียนรายงานด้วยข้อมูลที่ให้ค่า p-value ต่ำสุด

วิธีการของพวกเขามันมีแนวโน้มที่จะเลือกโดยอคติครับ (Selection bias) ซึ่งก็คือ การรายงานเฉพาะข้อมูลที่มีผลเป็นเชิงบวกเท่านั้น โดยไม่นำการทดลองที่ล้มเหลวมารวมด้วย และ ก็อีกอคติหนึ่งคือ อคติของการยืนยัน (Confirmation bias) ซึ่งพวกเขาจะทดลองเฉพาะสิ่งที่มีตามสมมุติฐานในทฤษฎีเท่านั้น และถ้ามันเป็นผลบวกต่อทฤษฎีนั้นๆ ก็จะถือเป็นการยืนยันทฤษฎีนั่นเอง (โดยไม่ได้เอาที่ล้มเหลวมาร่วมคำนวณด้วย) ก็เพราะว่า อคติเหล่านี้แหละครับ ทำให้การค้นพบทางเศรษฐศาสตร์ส่วนใหญ่มันเลยไม่เป็นจริง ผลการดำเนินงานเท่าที่เรารู้ตอนนี้มักจะทำให้นักลงทุนผิดหวังครับ ถึงแม้ว่าเป้าหมายของพวกเขาจะเป็นแค่รักษาระดับ Sharpe Ratio ของกองทุนไว้ที่ 0.5 ถึง 1 ก็ตาม

สำหรับคนที่อยากรู้เรื่องความแตกต่างระหว่าง Math-quant  และ Econ-quant เพิ่มเติมสามารถหาอ่านได้ที่  “Finance as an industrial science” และ “Who needs a Newtonian finance” ครับ

Q: แล้ว Factor Investing (การลงทุนแบบเน้นปัจจัย) ได้ผลจริงๆรึเปล่า?

A: “ได้ผลครับ แต่ไม่ใช่แบบเดียวกับที่ทำกันในองค์กร Econ-quant เค้าทำกันนะครับ”

ก่อนอื่นเลย ตัวชี้วัดปัจจัยทางเศรษฐกิจแต่ละตัวไม่ได้ทำงานเหมือนกันในแต่ล่ะสินทรัพย์การลงทุนครับ มันไม่มีปัจจัยที่จะใช้ได้ทุกสภาพอากาศ (คำเปรียบเปรย เหมือนกับว่าเราไม่สามารถใส่ส้นสูงไปปีนเขาได้นั่นเอง ทางลงทุนก็เช่นกัน … ปัจจัยที่ใช้ได้กับสินทรัพย์หนึ่งอาจจะใช้ไม่ได้และให้ผลตรงกันข้ามกันในสินทรัพย์อีกประเภทหนึ่งก็ได้นั่นเอง) มันจึงเป็นเรื่องสำคัญที่เราต้องให้น้ำหนักต่อปัจจัยตามคุณลักษณะของระบบสินทรัพย์ทางการเงินนั้นๆครับ

ตะหนักถึงว่า อย่างแรกระบบทางการเงินเหล่านั้นต้องการเทคนิค Machine Learning อย่างที่สอง Dataset (ชุดข้อมูล) ของข้อมูลทางการเงินการลงทุน ส่วนมากมันจะเป็นข้อมูลแบบ “ไม่มีโครงสร้าง” (unstructured -ข้อมูลด้านตรงข้ามของข้อมูลจำพวกชื่อ ที่อยู่ รายได้ ซึ่งจะเก็บเป็นโครงสร้างอยู่แล้ว ส่วนแบบ ข้อมูลรูปภาพ เสียง ภาษา ฯลฯ) ฉะนั้นมันเลยยากที่จะโมเดล ความซับซ้อนเหล่านี้อาจจะเกินความเข้าใจของเศรษฐมิติครับ ปัจจัยที่ทำกำไรได้จริงๆ ส่วนใหญ่มันถูกกรองข้อมูลออกมาด้วยวิธีการ Machine Learning ทังนั้นแหละครับ คุณสามารถเข้าไปดูรายละเอียดได้ที่พรีเซนเทชั่นของผม The 7 Reasons Most Econometric Investments Fail สำหรับตัวอย่างว่าทำไมวิธีการเชิงเศรษฐมิติถึงล้มเหลว

Q: จริงไหมครับที่ Econ-quant เริ่มใช้ทดลอง Machine Learning กันแล้ว?

A: ถ้าอ้างอิงจากข่าวมันก็ใช่ครับ แต่ผมสงสัยว่าหลายๆ ข่าวที่บริษัทเหล่านั้นประกาศออกมายังสาธารณะมันเป็นแค่เพียงการตลาดเท่านั้น! ที่พยายามเอาใจนักลงทุน (ลูกค้า)ของพวกเขา หลังจากหลายปีที่ผ่านผลงานของพวกเขาอยู่ในระดับ “ปานกลาง” มาโดยตลอด และ เพื่อลดแรงกดดันที่ให้พวกเขาลดค่าธรรมเนียมลง

Image result for machine learning stock

จากนั้นก็มี 2 เหตุผลที่ทำให้พวกเขาต้องพบความลำบากที่จะทำให้ตัวเองดูทันสมัย…..

ข้อแรก หลายปีมาแล้วที่องค์กร Econ-quant บางแห่งได้โจมตีเรื่องการใช้วิธีการ Machine Learning ด้วยความเข้าใจผิดๆว่ามันเป็น “กล่องดำ” มันจึงเป็นเรื่องยากที่พวกเขาจะเข้าใจว่าพวกเขากำลังล้าสมัย

ข้อที่สอง นักเศรษฐศาสตร์รุ่นใหม่ๆ เริ่มมีต้องการและมีความพยายามที่จะนำวิธีการทางสถิติสมัยใหม่มาเป็นเครื่องมือในการวิเคราะห์ข้อมูล แต่อย่างไรก็ตามพวกคนเก่าๆ ในองค์กร Econ-quant กลับกลายเป็นปัญหาซะเอง เพราะพวกเขารู้สึกว่าการเข้ามาของวิธีการสมัยใหม่นั้น ทำให้สถานะของพวกเขาสั่นคลอน ผู้มีอำนาจอาจจะพยายามทำลาย หรือเตะถ่วงความพยายามที่นำพาองค์กรเข้าสู่สมัยใหม่เพื่อที่พยายามที่จะปรับดุลอำนาจของพวกเขาเอง

Q: ถ้าอย่างงั้นอนาคตขององค์กร Econ-quant จะเป็นอย่างไรล่ะครับ

A: ดูไม่จืดครับ! นอกเสียจากว่าพวกเขาจะได้รับการปฎิวัติระเบียบวิธีการทำงานของพวกเขาเสียใหม่ ผมว่ามันจำเป็นที่พวกเขาต้องปฎิวัติกันซะที เพราะถ้าพวกเขาจะปล่อยให้มันเป็นวิวัฒนาการไปเรื่อยๆมันจะไม่ทันเสียแล้ว จากผลงานและอนาคตที่ดูไม่ค่อยจะสดใสเสียเลยจาก Econ-quant นักลงทุนของพวกเขาก็จะกดดันบริษัทให้ลดค่าทำเนียมให้เข้าหา 0 ไปเรื่อยๆ ซึ่งมันก็ย่อมแปลว่าบริษัทเหล่านี้ก็จะมีงบประมาณในการวิจัยลดลงเรื่อยๆ ด้วยกำไรที่ลดลง พวกเขาก็ยากที่จะดึงดูด หรือ แม้แต่การรักษาบุคคลที่มีความสามารถสูงไว้ได้ ซึ่งผลที่ตามมาคือ พวกเขาจะเปลี่ยนผ่านไปยังยุคสมัยใหม่ยากมากขึ้นไปด้วยครับ มันก็จะทำให้พวกเขามีประสิทธิภาพต่ำลงอีก และ ค่าธรรมเนียมก็ต้องลดลงๆ มันเป็นเรื่องยากมากสำหรับพวกเขาที่จะหนีออกมาจากวงจรอุบาทว์นี่ได้ แต่ด้วยความช่วยเหลือจากผู้รู้ทางด้าน Machine Learning พวกเขาจำนวนไม่มากนักก็สามารถเปลี่ยนแปลง และประสบความสำเร็จได้เหมือนกันครับ ส่วนที่เหลือก็จะค่อยๆล่มสลายไปแบบโกดัก (บริษัทกล้องฟิลม์) ล่ะครับ

Q: ถ้าอย่างนั้นนักลงทุนสถาบันล่ะครับ ควรทำอย่างไร?

A: ดังที่ได้กล่าวมาครับ ผมคิดว่ามีสามทางเลือก:

ประการแรก ลงทุนกับองค์กร Math-quant แต่นี่ก็ไม่ใช่ทางออกที่ดีนักสำหรับทุกสถาบันหรอกครับ เพราะราคามันสูงมาก และก็ต้องใช้ร่วมกับลูกค้าอีกหลายๆ คน และ มันไม่เปิดเผยวิธีการครับ

ประการที่สอง ไปลงทุนในโรงงานกลยุทธ์(strategy factory): พวกเค้าคือ องค์กรที่สร้างและพัฒนากลยุทธ์และขายสัญญาณให้กับลูกค้า ก็เพราะนักลงทุนยังต้องดูแลทรัพย์สินเองอยู่ การใช้บริการบริษัทโรงงานกลยุทธพวกนี้จะประหยัดค่าใช้จ่ายได้อย่างมากทีเดียว และพวกเขาเองก็ได้ให้บริการที่ทำให้ลูกค้าได้ผลงานดีๆ ในราคาที่ต่ำมาก การปรับแต่งพวกนี้ทำให้นักลงทุนสถาบันมีความแตกต่าง และการที่เค้าไม่ได้ดูแลทรัพย์สินแทนนักลงทุนก็ย่อมนำมาซึ่งความโปร่งใส (สำหรับสถาบันเพราะต้องดูแลเอง ผู้ให้บริการไม่สามารถฉ้อโกงได้)

ประการที่สาม ลงทุนในกระบวนการลงทุนภายในองค์กรของนักลงทุนสถาบันเอง (in-sourcing) ที่ผมหมายถึงก็คือ ทำให้กระบวนต่างๆที่เคยจ้างผู้จัดการกองทุนสาย Quant มาทำมาก่อนให้มาทำเองภายในองค์กรเราทั้งหมด ตัวอย่างเช่น การวิจัยโดยทั่วไปใช้ต้นทุนเพียงเล็กน้อยจากผู้จัดการกองทุนสาย Quant เท่านั้นเอง แต่ถึงกระนั้นเมื่อคุณลองคิดดู สิ่งอื่นๆ ที่พวกเขา(out-sourcing)ทำให้มันซ้ำซ้อนกัน(ประเด็นทางเอกสาร กฎหมาย บัญชี รายงาน และอื่นๆอีกมากมาย) องค์กรที่ทำกระบวนการลงทุนเองภายในเนี่ยนะครับ จะสามารถลดต้นทุนที่ว่ามาได้ถึง 90% เลยทีเดียว ฉะนั้นผมเชื่อว่าอนาคตของโลกการเงินสำหรับนักลงทุนสถาบันคือ: เพื่อกำจัดคนกลาง(out-sourcing, strategy factory และอื่นๆ)ออกไปจากธุรกิจของพวกเขา พวกเขาควรพัฒนาความสามารถขององค์กรด้วยสร้างกระบวนการ Quant ภายในองค์กรเองครับ ซึ่ง Machine learning ทำให้เรื่องที่ว่ามาเป็นจริงได้ครับ.

A: นี่ทำให้คุณก่อตั้ง True positive technologies หรือเปล่าครับ?

Q: ใช่แล้วครับ, นอกเหนือจากไฮป์ในวงการ Artificial Intelligence แล้วเนี่ย ผมได้นำเสนอกระบวนการทาง Machine Learning ที่สามารถพิสูจน์ได้จริงว่าดีกว่ากระบวนการ Quant แบบเดิมๆ ที่ผมนำเสนอใน 10 critical investment problems หลายปีมาแล้ว ที่นักลงทุนมักจะถามผมว่า ทำไมคุณไม่สร้างบริษัทที่ทำผลงานระดับ state-of-the-art ให้กับนักลงทุนเหมือนที่ผมนำเสนอมาตลอดซะเองเลยล่ะ หลังจากที่ผมได้ขายสิทธิบัตรของผมเมื่อเดือนเมษายนที่ผ่านมา ในที่สุดผมก็สะสมทุนได้เพียงพอ ผมก็เลยอยากจะจัดให้ตามต้องการของนักลงทุนเหล่านั้นซักที ผลตอบรับที่ได้กลับมาจนถึงตอนนี้ยอดเยี่ยมมากครับ พวกเรามี Pipeline การทำงานในโปรเจ็คที่เข้มแข็งมากๆ รวมไปถึงโปรเจ็คที่เราเคยทำกับนักลงทุนสถาบันขนาดใหญ่ที่สุดไปทั่วโลกครับ โดยที่พวกผู้จัดการกองทุนแบบดั้งเดิมไม่สามารถแข่งกับเราในเรื่องโครงสร้างค่าธรรมเนียมได้หรอกครับ เพราะอะไรน่ะหรือก็เพราะค่าใช้จ่ายของเรามีแค่ค่าวิจัยเท่านั้นเอง ดังนั้นนักลงทุนก็จ่ายเงินให้เราเพื่อสิ่งที่เค้าต้องการโดยตรงโดยไม่มีกระบวนการอะไรซ้ำซ้อนได้เลย!!! เป้าหมายของ True positive technologies เราคือการนำการจัดการกองทุนเข้าไปศตวรรษที่ 21 ครับ

ปล. ปี 2019 คุณ Marcos Lopez de Prado ชนะรางวัล “Quant of the year” จาก The Journal of Portfolio Management, และตอนนี้เค้าก็ได้ลาออกจากกองทุน AQR Capital Partners Inc เพื่อมาก่อตั้งธุรกิจของตัวเองแล้วครับ โดยตำแหน่งสุดท้ายเป็น Head of Machine Learning ของกองทุนอันดับต้นๆโลกนั่นเอง

CR. http://www.quantresearch.org/Interview_QuantMinds_2019.pdf

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s