Принцип «бритвы Оккама» — краеугольный камень социальных наук. Для экономистов-финансистов он почти аксиома. Принцип назван в честь Уильяма Оккама, монаха XIV века. Согласно ему, самое простое объяснение любого явления — лучшее.

Как пишет The Economist, в настоящее время финансовые аналитики боятся «переобучения» — создания модели, которая благодаря своей сложности хорошо соответствует существующим данным, но плохо предсказывает будущее. Однако тут проявляется принцип Оккама. По новым данным, когда дело касается больших моделей машинного обучения, экономия переоценивается, а сложность может стать определяющим фактором. Если это так, методы современного инвестирования значительно изменятся.

Для тех, кто строит торговые стратегии, это не просто академический спор. Это вопрос о том, какую архитектуру выбирать, какие данные собирать и на какие компромиссы идти.

Эксперимент, который всё изменил

Дискуссия началась в 2021 году, когда Брайан Келли и Кангинг Чжоу из Йельского университета, а также Семен Маламуд из Швейцарского федерального технологического института в Лозанне опубликовали книгу «Преимущество сложности в прогнозировании доходности». В одном из экспериментов соавторы проанализировали данные всего за 12 месяцев, используя модель с 12 тыс. отдельных параметров.

Использование такого большого количества параметров, противоречащее принципу Оккама, обычно повышает риск переобучения. Однако сложность, по-видимому, на самом деле помогла модели прогнозировать будущее. Авторы статьи задались вопросом: может ли принцип Оккама быть ошибкой Оккама?

Пока это академическая дискуссия, но её итог будет иметь серьёзные последствия. Келли также является управляющим портфелем в количественном хедж-фонде AQR. Компания когда-то прославилась использованием более традиционных и экономных методов, чем её конкуренты. В настоящее время она использует очевидные преимущества сложности. Келли считает, что исследователи, опасавшиеся переобучения данных, слишком мало беспокоились о недообучении. Более точные прогнозы с использованием небольших наборов данных могут приносить значительную прибыль.

Проблема малых выборок и альтернативных данных

Многие финансовые исследования тормозятся малыми размерами выборок и сложностью проведения экспериментов. Сбор большего количества данных часто требует ожидания, а в некоторых областях их ещё и просто мало.

При изучении экстремальных событий, таких как обвалы рынка, банковские паники и суверенные дефолты, исследователи часто располагают лишь несколькими примерами из современной истории. Хедж-фонды, стремясь получить преимущество, тратят миллиарды долларов на альтернативные данные — от спутниковых снимков китайского железнодорожного движения до настроений инвесторов, собранных из социальных сетей.

Для создателя стратегий это означает, что конкурентное преимущество всё чаще лежит не в области изощрённой математики, а в умении находить, очищать и структурировать нетривиальные данные.

Критика: где сложность терпит поражение

В последнее время споры о сложности достигли апогея. Келли и его соавторы столкнулись со шквалом критики.

Альваро Картеа, Ци Цзинь и Юаньтао Ши из Оксфордского университета считают, что преимущества сложности заканчиваются там, где данные собраны некачественно, содержат ошибки или неточности. Это важное напоминание для инженеров: никакая модель не исправит мусор на входе.

Стефан Нагель из Чикагского университета предполагает, что для малых наборов данных сложные модели фактически имитируют стратегию торговли на основе импульса. По его мнению, их успех — это «счастливое совпадение».

Келли и Маламуд ответили критикам ещё одним подробным документом, настаивая: преждевременно превозносить принцип Оккама. Даже скептики не отвергают полностью идею о том, что большие, сложные модели могут давать лучшие прогнозы, чем более простые. Критики считают, что это не всегда так.

Что изменится в работе инвесторов

Между тем, если преимущество сложных стратегий реально, работа многих инвесторов значительно изменится.

Самым важным шагом станет найм лучших специалистов по машинному обучению. Увеличится роль приобретения и очистки данных. Миллиардные зарплаты, которые технологические компании предлагают топовым программистам, начнут появляться и в инвестиционных фирмах.

Инвестиционные компании также получат больше преимуществ от масштабирования. Вычислительная мощность, необходимая для обучения и запуска моделей, стоит дорого. Она может стать своеобразным «защитным рвом», защищающим крупные хедж-фонды от конкуренции. Более крупные игроки смогут позволить себе больше экспериментировать с более широким спектром классов активов. Мелкие конкуренты едва ли будут поспевать за ними.

Риски «чёрного ящика»

Снижение конкуренции — не единственный риск. Люди всё ещё пытаются понять, как работают самые передовые модели машинного обучения. Инвесторы могут всё больше полагаться на алгоритмы «чёрного ящика», которые очень сложно интерпретировать.

Преимущества небольших моделей заключаются в том, что их не только легко внедрять, но также легко обдумывать и корректировать. Немногие будут жаловаться, пока они зарабатывают деньги. Тем не менее, если с новыми моделями что-то пойдёт не так — от банальной неэффективности до краха целых инвестиционных стратегий — инвесторы будут искать другие инструменты для преодоления сложностей.

Для инженера рынка это означает, что выбор между простотой и сложностью — не абстрактный философский вопрос. Это trade-off между интерпретируемостью и потенциальной доходностью, между контролем и масштабом.

Инфраструктура для сложных стратегий

Дискуссия о сложности имеет и прикладное измерение. Какими бы мощными ни были модели, их ценность обнуляется, если инфраструктура не позволяет исполнять сделки с необходимой скоростью и надёжностью. Для алготрейдеров и создателей стратегий это означает, что нужен не только интеллект, но и «железо», способное за доли секунды превратить сигнал в сделку.

Для тех, кто дочитал до этого места — ниже инфраструктурные и аналитические решения "Финама", которые позволяют не только разрабатывать, но и реализовывать сложные стратегии на российских и мировых рынках.

Финам AI-скринер
Анализ 15 000+ акций, облигаций, ETF на MOEX, NYSE, NASDAQ, HKEX, TSE, SSE, SZSE. 200+ собственных метрик: инвестиционная привлекательность, риски, прогнозы ИИ. Бэктест стратегий, конструктор стратегий, API для выгрузки данных.

Spread Insight — мониторинг арбитража
Скринер статистического и межбиржевого арбитража на MOEX, NYSE, CME, Forex и криптобиржах. Конструктор спредов, ИИ-ассистент для поиска идей, бэктестер, уведомления в Telegram.

Прямой доступ на MOEX (DMA)
Задержки 250–300 мкс — в сотни раз быстрее стандартных терминалов. Для маркет-мейкеров, HFT-трейдеров, арбитражников, проп-трейдеров.

Финам Trade API
Доступ к MOEX, NYSE, NASDAQ через единый API. Скорость от 7 мс. SDK на GitHub, песочница. Подходит для разработки на Python, C++, Go.