Neměli bychom být překvapeni, že umělá inteligence (AI) je v průměru lepší než akcioví analytici v prognózování zisků. Nebo že pravidlové strategie poskytují v průměru lepší finanční poradenství než osobní bankéř. Už před nedávným pokrokem v generativní AI existovaly osvědčené výhody systematického investování. I když tyto techniky možná nenajdou vzácné top akcie nebo tržní zvraty, které přinášejí nadprůměrné výnosy, mají přesto prokázanou hodnotu.

KI-vývoj však ukazuje, že můžeme jít nad rámec doporučení založených na pravidlech. Makroekonomie, účetnictví a statistika jsou tři pilíře investic. Velké jazykové modely dosahují špičkových výsledků v pokročilých testech těchto předmětů. Navíc víme, že LLM (velké jazykové modely) dokáží shrnout mnohem více kontextu a kolektivní moudrosti než člověk, což může být velmi užitečné pro makroekonomické strategie. Pokud tedy KI (umělá inteligence) může pomoci při finančních rozhodnutích, proč je pro analytiky nebo správce portfolií tak těžké tuto změnu přijmout?

Einige Hinweise finden wir in der Arbeit des Datenwissenschaftlers César Hidalgo darüber, wie Menschen Maschinen beurteilen. Wenn wir ein Programm nutzen, konzentrieren wir uns auf die Leistung des Werkzeugs. Jeder Vorhersagefehler dieses Programms wird dazu führen, dass unser Finanzprofi das Vertrauen verliert. In den meisten Fällen ist es egal, ob der Algorithmus im Durchschnitt besser ist als der Mensch. Unser Finanzberater wird sich auf seine Intuition und Erfahrung verlassen.

Některé pokyny nacházíme v práci datového vědce Césara Hidalga o tom, jak lidé posuzují stroje. Když používáme program, soustředíme se na výkon nástroje. Každá chyba predikce tohoto programu způsobí, že náš finanční odborník ztratí důvěru. Většinou je jedno, zda je algoritmus v průměru lepší než člověk. Náš finanční poradce se bude spoléhat na svou intuici a zkušenosti.

Výzkum Hidalga ukazuje, že hodnocení lidských rad je odlišné. Neposuzujeme jen výkonnost, ale také zohledňujeme úmysly osoby, která nám radí. Když se jedná o soukromého bankéře nebo svěřujeme naše peníze správci fondu, předpokládáme shodu s našimi cíli, zvláště pokud smlouva obsahuje poplatky založené na výkonu. Když do našeho myšlenkového procesu zahrneme tyto úmysly, jsme tolerantnější vůči špatné návratnosti.

Lidské poradenství může tedy častěji selhat, a přesto je považováno za cenné, zejména pokud existuje příběh, který vysvětluje výsledek. Slovy Hidalga očekáváme od strojů racionalitu a od lidí lidskost.

Odporujeme také přijímání informací, které odporují našim zkušenostem. V experimentech s radiology, kteří používali umělou inteligenci, nebylo jasné, jak začleňovali názory algoritmu do svých předpovědí. Práce trvala déle a účinnost kombinované diagnostiky byla sporná.

Pokud to platí pro radiology, musí to být ještě obtížnější pro každého, kdo pracuje na finančních trzích. Makrostrategie by mohla být nejtěžším odvětvím, do něhož lze začlenit umělou inteligenci. Za prvé, protože trh, podobně jako počasí, není stacionární, což znamená, že nikdy nebude přesně stejným způsobem reagovat například na údaje o inflaci nebo zaměstnanosti, natož na možný návrat Donalda Trumpa do Bílého domu. Navíc každý stratég má silné počáteční přesvědčení – nebo „identitu“ jako vždy optimistický nebo pesimistický –, které ovlivňují jeho úsudek. Je velmi těžké uniknout příběhům, které od něj zákazníci očekávají.

Zuletzt sehnen wir uns nach Kontrolle. Es gibt einen radikalen Unterschied zwischen einem Modell, das mit einer Tabellenkalkulation aus verfügbaren Daten erstellt wurde, und z.B. ChatGPT. Basierend auf unserer Erfahrung und Intuition entscheiden wir über die Form und Komponenten des ersteren, aber nicht des letzteren. Und in den meisten Fällen wissen wir nicht einmal, wie das LLM zu einer bestimmten Antwort gekommen ist. Daher ist es verständlich, dass unser Finanzberater sich unwohl fühlt, eine Vorhersage zu nutzen, die nicht seine eigene ist.

Nakonec toužíme po kontrole. Je zde radikální rozdíl mezi modelem, který byl vytvořen pomocí tabulkového procesoru z dostupných dat, a například ChatGPT. Na základě našich zkušeností a intuice rozhodujeme o formě a složkách prvního, ale ne druhého. A ve většině případů ani nevíme, jak LLM dospělo k určité odpovědi. Proto je pochopitelné, že se náš finanční poradce necítí pohodlně používat předpověď, která není jeho vlastní.

Es gibt einige Überlegungen, die man in Betracht ziehen sollte. Wir sollten Menschen erlauben, einige Parameter des Modells anzupassen. Mit anderen Worten, wir müssen den Fachleuten erlauben, die KI-Empfehlungen so anzunehmen, als wären sie ihre eigenen. Im besten Fall kann das Modell verbessert werden, wenn der Experte Kontext hinzufügt, der dem Modell möglicherweise nicht zugänglich ist. Das könnten private Umstände des Kunden oder andere schwer quantifizierbare Faktoren und Einschränkungen sein. Alternativ könnten wir einen Performance-Einbruch akzeptieren, wenn dadurch mehr Menschen die Erkenntnisse wegen des menschlichen Touches akzeptieren. Dies könnte ein vernünftiger Kompromiss in Bereichen wie der Vermögensverwaltungsberatung sein.

Nakonec musíme usilovat o to, aby se KI stala srozumitelnější. Toto je oprávněné očekávání, protože požadavky na zkoušku a shodu rostou. Některé z předních modelů navíc integrují logiku „Chain of Thought“, která kódifikuje odborné znalosti do hrubého modelu. Tímto způsobem nejen že vidíme zlepšení výkonu, ale máme také několik pravidel, kterým většina odborníků může důvěřovat. Nikdo nechce vypadat jako hloupý robot, který pouze opakuje rady černé skříňky. Důvěra a úsudek jsou rozhodujícími prvky ve vztahu se zákazníkem. Nakonec očekáváme, že lidé zůstanou lidmi.