Человек, который разгадал рынок. Как математик Джим Саймонс заработал на фондовом рынке 23 млрд долларов

Несмотря на то что модели, которые разрабатывал Кармона, были сложнее, чем те, что Axcom использовал прежде, они, по-видимому, работали не намного эффективнее.

Спустя какое-то время Renaissance полностью перейдет на использование стохастических дифференциальных уравнений в том, что касается управления рисками и ценообразования опционов, но на данный момент им не удавалось найти способ получить прибыль от такого подхода, и это расстраивало Кармона.

В 1987 году Кармона одолело чувство вины. Его труд оплачивался из личной премии Акса, при этом Кармона едва ли вносил какой-то полезный вклад в работу компании. Тем летом он решил перейти на полный рабочий день в Axcom, надеясь, что чем больше времени он посвятит разработке моделей, тем большего успеха добьется. Кармона и тогда не заметил существенного сдвига, что принесло ему еще больше разочарований. Акс и Штраус относились к этому спокойно, тогда как Кармона чувствовал себя ужасно.

«Они платили мне деньги, а у меня ничего не получалось», – вспоминает он.

Однажды у Кармона появилась идея. Axcom применял различные подходы к использованию имеющихся ценовых данных для ведения торгов, в том числе полагаясь на сигналы прорыва[52]. Они также применяли простой метод линейной регрессии, главный инструмент прогнозирования многих инвесторов, который анализирует отношения между двумя наборами данных или переменных при условии, что эти отношения остаются линейными. Изобразите на оси Х цены на сырую нефть, а на оси Y – цену на бензин, проведите прямую линию регрессии через точки на графике, продолжите линию. В таком случае вы можете, как правило, довольно точно прогнозировать цены на нефтепродукты при заданном уровне цен на нефть.

В основном используются рыночные цены. Модель, которая зависит от того, как линия регрессии проходит через точки данных, как правило, малоэффективна при прогнозировании будущих цен на сложных и нестабильных рынках, подверженных влиянию снежных бурь, панических распродаж и неспокойных геополитических событий, с вероятностью негативно отразиться на цене сырьевых и других товаров. В то же время Штраус собрал большое количество массивов данных по ценам закрытия различных товаров за разные периоды времени. Кармона решил, что им нужно использовать регрессии, которые смогут отразить нелинейные отношения между рыночными данными.

Кармона предложил иной подход. Его идея заключалась в том, чтобы компьютер искал взаимосвязи в собранных Штраусом данных. Возможно, у них получится найти примеры похожего состояния рынка в отдаленном прошлом, а затем изучить, как это повлияло на формирование цен. Путем выявления сопоставимых экономических ситуаций на рынке и отслеживания того, что впоследствии происходило с ценами, можно было разработать сложную и точную модель прогнозирования, способную искать скрытые закономерности.

Для того чтобы применить этот подход, Axcom требовалось большое количество данных, больше, чем то, что уже удалось собрать Штраусу и другим сотрудникам. Чтобы решить эту проблему, Штраус стал не просто собирать, а моделировать данные. Другими словами, чтобы устранить пробелы в исторических сведениях, он использовал компьютерные модели, которые позволяли делать обоснованные предположения относительно недостающей информации. Например, при отсутствии подробных данных о ценах на хлопок с 1940-х годов, возможно, было бы достаточно просто создать таковые.

Когда виден собранный пазл, в котором отсутствует какая-либо часть, можно понять, чего именно не хватает, глядя на изображение в целом.

Аналогичным образом команда Axcom делала выводы о недостающей информации и вносила ее в базу данных.

Кармона предложил, чтобы модель делала это автономно, обрабатывая всевозможные фрагменты данных и принимая решения о покупке или продаже. В каком-то смысле он предложил создать раннюю версию системы машинного обучения. Модель станет генерировать прогнозы цен на различные сырьевые товары, опираясь на сложные закономерности, кластеры и корреляции, которые Кармона и его коллеги были не в силах понять самостоятельно или обнаружить невооруженным глазом.

Во всем остальном мире статистики применяли схожие подходы – так называемые ядерные методы – для распознавания образов в наборах данных. По возвращении на Лонг-Айленд Генри Лауфер работал над аналогичным методом машинного обучения в рамках собственного исследования и собирался поделиться своими наработками с Саймонсом и его коллегами. Кармона не знал о том, что подобная работа уже ведется. Он просто-напросто предлагал использовать сложные алгоритмы, на основе которых Акс и Штраус могли выявлять закономерности в текущих движениях цен, имеющих сходство с предыдущими состояниями рынка.