Γιατί η Μηχανική Μάθηση εξακολουθεί να είναι χαλασμένη για τη διαχείριση κινδύνου «Black Swan».

Στις 10 Οκτωβρίου 2025, η Οι αγορές κρυπτονομισμάτων παρουσίασαν σεισμική εξάρθρωση. Μέσα σε λίγα λεπτά, ένας καταρράκτης ρευστοποίησης εξάλειψε δισεκατομμύρια σε ανοιχτούς τόκους, αφήνοντας παράλυτους τους τυπικούς αλγόριθμους συναλλαγών. Δεν ήταν απλώς μια πτώση τιμής. ήταν μια δομική αποτυχία των προγνωστικών μοντέλων. Στρατηγικές που είχαν τυπώσει χρήματα για μήνες ξαφνικά αντιμετώπισαν μια κατάσταση αγοράς που δεν υπήρχε στα δεδομένα της εκπαίδευσης τους.

Αυτό το γεγονός χρησίμευσε ως μια βάναυση υπενθύμιση: στον κόσμο των υψηλών διακυβεύσεων της ποσοτικής χρηματοδότησης, η εξάρτηση από τη Μηχανική Μάθηση (ML) έχει γίνει απόλυτη, ωστόσο τα τυφλά σημεία της παραμένουν μοιραία. Από αλγόριθμους εμπορίας υψηλών συχνοτήτων (HFT) που εκτελούνται σε νανοδευτερόλεπτα έως πολύπλοκους χρησμούς DeFi, η βιομηχανία βρίσκεται σε μια κούρσα εξοπλισμών υπεροχής δεδομένων. Αλλά όταν χτυπάει ένας «Μαύρος Κύκνος», τα μοντέλα που έχουν εκπαιδευτεί σε ιστορικά δεδομένα δεν έχουν απλώς χαμηλή απόδοση αλλά σπάνε.

Αυτό δημιουργεί ένα παράδοξο για τις σύγχρονες εμπορικές εταιρείες: πώς χτίζετε ανθεκτικά συστήματα όταν τα κύρια εργαλεία σας δεν αντιμετωπίζουν τους πιο σημαντικούς κινδύνους;

Για να απαντήσουμε σε αυτό, καθίσαμε μαζί Γκριγκόρι Τσικίσεφεπικεφαλής ομάδας και ποσοτικός έμπορος στο Κβαντικοί εγκέφαλοι. Με περισσότερα από εννέα χρόνια εμπειρίας στη δημιουργία λύσεων υποδομής για αγορές – που κυμαίνονται από αλγόριθμους HFT και μοντέλα ML έως συστήματα αξιολόγησης ροής με βάση γραφήματα – ο Grigory πέρασε την καριέρα του στο σημείο τομής ταχύτητας εκτέλεσης και συστημικής ανθεκτικότητας. Στην Quantum Brains, έχει μετατρέψει τις διαδικασίες της αγοράς σε κλιμακούμενες αρχιτεκτονικές που έχουν σχεδιαστεί για να αντέχουν την ίδια την αστάθεια που σπάει τα τυπικά μοντέλα.

Εδώ είναι η άποψή του για το γιατί η βιομηχανία πρέπει να προχωρήσει πέρα ​​από το «μαύρο κουτί» και πώς να δημιουργήσει αληθινή αντιθραυστικότητα.

Το Ζεν του Απρόβλεπτου

Όταν η συζήτηση στρέφεται στην αποτυχία των μοντέλων κινδύνου κατά τη διάρκεια γεγονότων όπως το πρόσφατο κραχ του Οκτωβρίου, η πανδημία COVID-19 ή η οικονομική κρίση του 2008, η τυπική κριτική είναι ότι τα μοντέλα «απέτυχαν» να προβλέψουν το γεγονός. Ο Γκριγκόρι αμφισβητεί πλήρως αυτήν την υπόθεση. Υποστηρίζει ότι η προσδοκία ότι ένα μοντέλο ML θα προβλέψει μια ιδιομορφία είναι μαθηματικά λανθασμένη και ότι η λύση δεν βρίσκεται στην καλύτερη πρόβλεψη αλλά στην καλύτερη αποδοχή.

“Θα ήθελα να επισημάνω αμέσως ότι δεν βλέπω πρόβλημα με την ύπαρξη μαύρων κύκνων. Είναι, εξ ορισμού, γεγονότα που είναι αδύνατο να προβλεφθούν. Και δεν μπορούμε να κάνουμε τίποτα γι’ αυτό. Για παράδειγμα, ένας κομήτης που συγκρούεται με τη Γη: μπορούμε σχεδόν σίγουρα να πούμε ότι δεν θα συμβεί τις επόμενες εβδομάδες ή ακόμη και χρόνια, αλλά κανείς δεν ξέρει τι είναι το άγνωστο μέρος του …

Η λέξη «αποτυχία» μπορεί να είναι υπερβολή. Εάν γνωρίζουμε εκ των προτέρων την αδυναμία μας να προβλέψουμε το γεγονός Α, τότε θα πρέπει να αποδεχτούμε την εμφάνισή του με βουδιστική ηρεμία».

Ωστόσο, η αποδοχή του απρόβλεπτου δεν σημαίνει ότι αγνοούμε τις συνέπειες. Ο Grigory επισημαίνει ότι ενώ ένα μοντέλο δεν μπορεί να προβλέψει το συγχρονισμός μιας κρίσης, οι ειδικοί στον ανθρώπινο τομέα πρέπει να αρχιτεκτονήσουν συστήματα που κατανοούν την συνέπειες από το χειρότερο σενάριο – κάτι που τα μοντέλα που βασίζονται αποκλειστικά σε δεδομένα συχνά χάνουν επειδή τα σημεία δεδομένων απλά δεν υπάρχουν.

“Κάπου ανάμεσα σε αυτούς τους δύο αριθμούς βρίσκεται το κρίσιμο σημείο που χωρίζει ένα προβλέψιμο γεγονός από ένα απρόβλεπτο (έναν μαύρο κύκνο). Και το θεμελιώδες ελάττωμα οποιουδήποτε μοντέλου είναι ότι δεν μπορεί να υπολογίσει αυτό το σημείο… Μπορούμε μόνο να προετοιμαστούμε για το χειρότερο σενάριο, το οποίο το μοντέλο ΔΕΝ λογαριάζεται.”

Ο Μύθος της Ανταλλαγής Διαφάνειας

Μια σημαντική συζήτηση στα ποσοτικά χρηματοοικονομικά είναι η ένταση μεταξύ του Explainable AI (XAI) και του κέρδους. Η επικρατούσα σοφία υποδηλώνει ότι τα μοντέλα “Black Box” (μοντέλα βαθιάς μάθησης χωρίς επίβλεψη που είναι δύσκολο να ερμηνευτούν) είναι πιο κερδοφόρα επειδή είναι πιο περίπλοκα και ότι το να τα αναγκάσεις να είναι εξηγήσιμα (για συμμόρφωση με τους κανονισμούς) επιβραδύνει την εκτέλεση και αμβλύνει τα πλεονεκτήματά τους.

Ο Γκριγκόρι διαφωνεί κάθετα με αυτή τη διχογνωμία. Για αυτόν, η διαφάνεια δεν είναι ρυθμιστικό βάρος. είναι ένα εργαλείο εντοπισμού σφαλμάτων.

“Αμφιβάλλω πολύ ότι μια προσέγγιση χωρίς επίβλεψη ή μαύρο κουτί θα είναι τελικά πιο επιτυχημένη από μια προσέγγιση λευκού κουτιού όταν συγκρίνεται άμεσα… Επομένως, οποιεσδήποτε προσπάθειες για «ερμηνευτικότητα σε επίπεδο κανονισμών» είναι μόνο προς το καλύτερο. Εάν το νεογέννητο παιδί σας μπορούσε να εξηγήσει τι πονάει, θα ήταν πολύ βολικό και σαφώς θα βοηθούσε στην ανατροφή του.»

Προτείνει ότι η αδιαφάνεια στις στρατηγικές διαπραγμάτευσης είναι συχνά μια μάσκα τύχης παρά ιδιοφυΐας – συγκεκριμένα, η προκατάληψη της επιβίωσης.

«Αν δείτε μια επιτυχημένη στρατηγική ML που «δεν είναι σαφές πώς λειτουργεί», τότε ένα από τα δύο πράγματα είναι πολύ πιθανό να ισχύει:

1. Είτε οι δημιουργοί του καταλαβαίνουν τα πάντα, αλλά προτιμούν να κρατούν τα χαρτιά τους κοντά στο στήθος τους.
2. Ή έχουμε να κάνουμε με προκατάληψη επιβίωσης… Εάν 1.024 άτομα κάνουν μια αλυσίδα από 10 δυαδικές προβλέψεις, ακριβώς μία από αυτές θα είναι απολύτως σωστή σε κάθε πρόβλεψη.

Δυστυχώς, μερικές φορές και οι δύο λόγοι είναι σωστοί. Οπότε ζητάτε πάντα μια εξήγηση από τον πράκτορά σας AI!».

Μηχανική Αντιευθραυστότητα

Εάν η πρόβλεψη είναι αδύνατη, η μόνη βιώσιμη στρατηγική είναι η αντιευθραυστότητα – η ικανότητα ενός συστήματος να κερδίσει από την αταξία, μια έννοια που διαδόθηκε από τον Nassim Taleb. Ωστόσο, η εφαρμογή αυτού σε υλικό και υποδομή είναι εμφανώς δύσκολη. Η κατασκευή ενός συστήματος που μπορεί να χειριστεί 100 φορές το κανονικό φορτίο της αγοράς κατά τη διάρκεια μιας συντριβής είναι συχνά απαγορευτικό από πλευράς κόστους.

Η προσέγγιση του Grigory στην υποδομή στο Quantum Brains δίνει προτεραιότητα στην ευελιξία έναντι της χωρητικότητας ωμής βίας.

“Δεν μπορείτε να προετοιμάσετε την υποδομή σας για ένα συμβάν μαύρου κύκνου. Για παράδειγμα, αν υπολογίσετε το φορτίο αιχμής του διακομιστή σας και επιτρέψετε μια αύξηση 100 φορές, τότε καίτε χρήματα σε αχρησιμοποίητους πόρους σχεδόν το 100% του χρόνου… Αλλά μπορείτε να προετοιμάσετε ένα ευέλικτο σύστημα για να μειώσετε το κόστος πόρων. Για παράδειγμα, απλά κλείνοντας τη μία εγκατάσταση διαπραγμάτευσης μετά την άλλη. Τι συμβαίνει;”

Αυτή η ευελιξία επιτρέπει σε μια επιχείρηση να επιβιώσει από το αρχικό σοκ. Αλλά στην πραγματικότητα κέρδος από την εξάρθρωση –για να είναι πραγματικά αντιεύθραυστο– απαιτεί αλλαγή νοοτροπίας. Απαιτεί να αναγνωρίσουμε ότι όταν οι αλγόριθμοι άλλων αποτυγχάνουν, η αγορά δεν είναι πλέον αποτελεσματική.

“Επαναλαμβάνω, μιλάμε για μια κατάσταση που τα μοντέλα μας δεν είχαν προβλέψει… Αυτή η διατύπωση περιέχει επίσης μερικά καλά νέα: μπορούμε να υποθέσουμε ότι και άλλοι συμμετέχοντες στην αγορά βιώνουν το ίδιο “δύσκολο” σενάριο. Στις 10 Οκτωβρίου, τα κρυπτονομίσματα υπέστησαν ένα σημαντικό σοκ, με αποτέλεσμα πολλές θέσεις να ρευστοποιηθούν. για να γίνει αυτό (RIP).

Αυτή ήταν μια καλή στιγμή για να εκμεταλλευτούμε την αναποτελεσματικότητα ή να συνειδητοποιήσουμε ευκαιρίες που συνήθως θα έκλειναν… Κατά μία έννοια, αυτός είναι και ο τρόπος του Taleb: για να αποφύγεις να είσαι γαλοπούλα, απλά δεν πρέπει να είσαι».

Το ανθρώπινο στοιχείο σε ένα παιχνίδι μηδενικού αθροίσματος

Καθώς η τεχνητή νοημοσύνη συνεχίζει να κυριαρχεί στην εκτέλεση των συναλλαγών, πολλοί αμφισβητούν τον μελλοντικό ρόλο του ανθρώπινου ποσοτικού εμπόρου. Εάν οι μηχανές χειρίζονται τη ροή, τον κίνδυνο και την εκτέλεση, είναι ο άνθρωπος ξεπερασμένος;

Ο Γκριγκόρι πιστεύει ότι η ίδια η φύση της αγοράς προστατεύει το ανθρώπινο στοιχείο: είναι ένα παιχνίδι μηδενικού αθροίσματος που καθοδηγείται από την επιθυμία για νίκη, ένα συναίσθημα που οι αλγόριθμοι δεν διαθέτουν. Ενώ η τεχνητή νοημοσύνη μπορεί να εκτελέσει, δεν έχει την ώθηση να «νικήσει» την αγορά που τροφοδοτεί την πραγματική καινοτομία.

«Το εμπόριο διαφέρει από πολλούς άλλους τομείς όπου η τεχνητή νοημοσύνη αναπτύσσεται ενεργά, επειδή είναι ένα παιχνίδι μηδενικού αθροίσματος… Ας φανταστούμε ένα ακραίο: δεν υπάρχουν ζωντανοί συμμετέχοντες στην αγορά… Υπάρχει θέση για τους ανθρώπους εδώ; Κατά τη γνώμη μου, δεν υπάρχει.

Αλλά ευτυχώς… στον πραγματικό κόσμο, θα υπάρχουν πάντα ζωντανοί συμμετέχοντες… Ένας άλλος ανθρώπινος παράγοντας είναι η υπερβολική αυτοπεποίθηση. Η ιδέα, «Είμαι άνθρωπος, θα είμαι πιο εφευρετικός και πρωτότυπος από την τεχνητή νοημοσύνη», δεν θα φύγει ποτέ από το μυαλό μας».

Σε τελική ανάλυση, το μέλλον του ποσοτικού εμπορίου δεν αφορά την αντικατάσταση των ανθρώπων με τεχνητή νοημοσύνη, αλλά για τους ανθρώπους που χρησιμοποιούν την τεχνητή νοημοσύνη για να ανταγωνιστούν άλλους ανθρώπους. Ο αλγόριθμος είναι το όπλο, όχι ο στρατιώτης.

“Όπως είπα, είναι ένα παιχνίδι μηδενικού αθροίσματος. Αλλά ένας αλγόριθμος δεν ενδιαφέρεται να βγάλει χρήματα σε τέτοιες συνθήκες. Μόνο οι homo sapiens θα έχουν πάντα την επιθυμία να “νικήσουν” τους άλλους.”