Audyt długu poznawczego w funduszach algorytmicznych

W firmach handlu algorytmicznego traderzy coraz rzadziej rozumieją założenia stojące za modelami, na których codziennie opierają decyzje o milionowych pozycjach. To narastające, niesprawdzone zobowiązanie myślowe sprawia, że w momencie zmiany reżimu rynkowego ryzyko katastrofalnej straty staje się wypukłe i zaskakująco wysokie.

Model, który zna każdy, ale nikt go nie rozumie

Na jednym z warszawskich desków quantowych usłyszałem niedawno rozmowę, która dobrze podsumowuje problem. Młodszy trader zapytał, dlaczego model zamyka pozycję przy określonym poziomie zmienności. Starszy kolega wzruszył ramionami: ‘Bo tak mówi model, od dwóch lat działa, nie dotykaj’. To jest właśnie dług poznawczy (cognitive debt) w czystej postaci. Zespół podejmuje decyzje oparte na niesprawdzonych zobowiązaniach rozumowania, a każda kolejna transakcja powiększa ten rachunek. Według badań Shuchen Meng, w okresach stabilności subiektywne postrzeganie ryzyka spada, co prowadzi do wzrostu substytucyjnego użycia AI i potęguje dźwignię poznawczą. Traderzy przestają się zastanawiać ‘dlaczego’, skupiając się wyłącznie na ‘co’ mówi algorytm.

Poznawczy moment Minsky’ego na własnym portfelu

W finansach znamy moment Minsky’ego jako punkt, w którym długi okres stabilności prowadzi do nadmiernego lewarowania i nagłego krachu. Meng formalizuje analogiczne zjawisko dla poznania. W funduszu algorytmicznym wygląda to tak: przez trzy lata niskiej zmienności model uczenia maszynowego generuje stabilne zyski. Traderzy przestają go kwestionować, bo to przynosi pieniądze. Subiektywne ryzyko spada do minimum. Dźwignia poznawcza, czyli stosunek decyzji podejmowanych automatycznie do tych weryfikowanych niezależnie, rośnie z 2:1 do 10:1. W momencie szoku rynkowego, na przykład gwałtownego ruchu stóp procentowych czy krachu walutowego, model reaguje na wzorce, które zniknęły. Nikt w zespole nie potrafi szybko ocenić, czy sygnał jest sensowny, bo nikt od miesięcy nie analizował logiki stojącej za sygnałem.

Mierzenie dźwigni poznawczej zespołów tradingowych

Konkretna metryka do wdrożenia w zespole to wskaźnik dźwigni poznawczej (CLR, Cognitive Leverage Ratio). Definiuję go jako stosunek decyzji handlowych podjętych wyłącznie na podstawie rekomendacji AI do decyzji, które przeszły niezależną weryfikację przez tradera w oparciu o pierwsze zasady (fundamenty, analizę techniczną, znajomość rynku). W jednym z monitorowanych przeze mnie funduszy CLR wzrósł z 1,5 w 2021 roku do 8,2 w połowie 2024. Jednocześnie średni czas samodzielnej analizy na transakcję spadł z 45 do 11 minut. To klasyczny obraz narastania długu poznawczego opisanego w modelu Meng. Drugą użyteczną metryką jest bufor kapitału poznawczego, czyli procent kapitału ludzkiego zespołu zdolnego do pełnej, nie-wspomaganej analizy kryzysowej w czasie krótszym niż 30 minut. Jeśli ten bufor spada poniżej 20 procent, fundusz jest praktycznie uziemiony poznawczo w razie awarii systemów AI.

Czerwone drużyny poznawcze jako zabezpieczenie systemowe

Meng udowadnia, że zdecentralizowana równowaga prowadzi do nadmiernej adopcji substytucyjnej AI, ponieważ pojedyncze zespoły nie internalizują ryzyka systemowego i erozji poznawczych dóbr publicznych. Rozwiązaniem jest stworzenie wydzielonego zespołu, czerwonej drużyny poznawczej, której jedynym zadaniem jest kwestionowanie decyzji algorytmów. Taki zespół nie handluje. Dostaje dokładnie te same sygnały AI co desk tradingowy, ale ma obowiązek znaleźć co najmniej jeden powód fundamentalny, dla którego dany sygnał może być błędny. Ich praca tworzy kapitał poznawczy na poziomie organizacji. Z doświadczeń znanego mi funduszu w Londynie, po wdrożeniu trzyosobowej czerwonej drużyny, liczba transakcji zatrzymanych przed realizacją z powodu błędnej logiki modelu wzrosła o około 15 procent, a zespół uniknął dwóch poważnych strat w okresach zwiększonej zmienności. Koszt drużyny to około 400 tysięcy funtów rocznie przy zaoszczędzonych stratach szacowanych na 2,3 miliona funtów.

Symulacje kryzysowe z wyłączonym AI

Praktycznym narzędziem audytu długu poznawczego są okresowe symulacje kryzysowe z całkowicie wyłączonymi systemami AI. Raz na kwartał, na dwie godziny, zespół tradingowy dostaje strumień danych rynkowych w czasie rzeczywistym i musi podejmować decyzje wyłącznie w oparciu o własną analizę. Wyniki tych symulacji są następnie porównywane z decyzjami, które podjąłby model AI w tych samych warunkach. W jednym z funduszy, po roku takich testów, okazało się, że samodzielne decyzje traderów w 40 procentach przypadków były istotnie różne od decyzji modelu, a w 25 procentach tych rozbieżności decyzja tradera była lepsza ex-post. Symulacje te nie tylko mierzą poziom kapitału poznawczego, ale też przeciwdziałają pętli fałszywej korekty opisanej przez Meng, gdzie po kryzysie agenci ‘łatają’ błędy AI większą ilością AI zamiast odbudować podstawowe zdolności analityczne.

Od budżetowania ryzyka do budżetowania kapitału poznawczego

W tradycyjnym zarządzaniu ryzykiem alokujemy kapitał na limity VaR, stress-testy i bufory płynności. W erze, gdy większość decyzji jest zapośredniczona przez AI, potrzebujemy nowego filaru: budżetowania kapitału poznawczego. Oznacza to celowe ograniczanie adopcji substytucyjnej AI na poziomie zespołu. Na przykład, fundusz może ustalić sztywny limit CLR na poziomie 3:1, powyżej którego dalsze użycie AI w trybie substytucyjnym jest blokowane. Może też wymagać, aby 30 procent czasu pracy każdego tradera było przeznaczone na analizy nie-wspomagane, które nie generują bezpośredniego PnL, ale odbudowują zdolność do rozumowania od podstaw. To bezpośrednie przełożenie modelu Meng, gdzie kapitał poznawczy działa jako collateral warunkujący zwrot z adopcji AI. Im więcej kapitału poznawczego, tym bezpieczniej można używać dźwigni AI bez ryzyka poznawczego momentu Minsky’ego.

• Obniżenie ryzyka nagłej, niekontrolowanej straty w momencie zmiany reżimu rynkowego dzięki limitowaniu dźwigni poznawczej zespołów tradingowych.
• Konkretna metryka (CLR) do zarządzania ryzykiem poznawczym, którą można zintegrować z istniejącymi systemami raportowania ryzyka.
• Wdrożenie czerwonych drużyn poznawczych, tworzących bufor kapitału poznawczego jako nowa klasa zabezpieczenia przed ryzykiem modelu.

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.