Systemy AI do zarządzania inwestycjami tworzą wieloletnie prognozy, ale gdy horyzont planowania się wydłuża, ich wewnętrzna reprezentacja warunków rynkowych zaczyna się rozmywać. Efektem są rekomendacje, które przeczą pierwotnej analizie ryzyka – np. nagłe przesunięcie 40% aktywów w ryzykowne rynki wschodzące u klienta o profilu konserwatywnym. Zjawisko to nie wynika z nowych danych, lecz z degradacji 'modelu świata' AI, którą opisali badacze w najnowszej pracy.
Dlaczego długoterminowa strategia AI się psuje
W pracy 'Transformers build a world model, then lose it' Pereira i Zuidema badali, jak duże modele rozumujące radzą sobie z łamigłówką Wieże Hanoi. Odkryli, że modele budują wierną reprezentację stanu początkowego (model świata), ale podczas długiego łańcucha rozumowania ta reprezentacja degraduje, co prowadzi do błędów. W finansach analogiczny mechanizm dotyka systemy automatycznego zarządzania portfelami – model tworzy spójną strategię na starcie, ale z każdą kolejną decyzją o rebalansingu 'zapomina', dlaczego przyjął określone limity ryzyka czy korelacji.
W praktyce oznacza to, że po dwunastu miesiącach model może ignorować zdefiniowany wcześniej maksymalny udział aktywów alternatywnych albo przesuwać portfel w kierunku sektorów, które pierwotnie wykluczył. To nie problem danych treningowych ani wielkości modelu – to inherentna cecha długich łańcuchów rozumowania. Badacze pokazali jednak, że wydajność da się częściowo odzyskać, wstrzykując do modelu reprezentację z chwili, gdy skończył on analizę wejściową – czyli 'kotwicząc' jego wewnętrzny świat.
Scenariusz: jak Aletheia Capital odzyskała kontrolę nad portfelami
Aletheia Capital, fintech oferujący zautomatyzowane doradztwo inwestycyjne dla segmentu private banking, wdrożył model generujący pięcioletnie strategie i comiesięczne rekomendacje rebalansujące. Na starcie model analizował 14 czynników ryzyka, budując szczegółowy plan dla każdego klienta. Przez pierwsze pół roku wszystko działało zgodnie z założeniami. Potem zespół inwestycyjny zauważył niepokojący trend: portfel o maksymalnym udziale akcji 60% przez trzy miesiące z rzędu dostawał rekomendację alokacji 72% i ignorował limit ekspozycji na rynki wschodzące.
Analiza logów łańcucha rozumowania ujawniła, że w żadnym z tych cykli model nie odwołał się do pierwotnej analizy ryzyka – jego wewnętrzny obraz świata wyparował. Zespół wdrożył rozwiązanie inspirowane pracą Pereiry i Zuidemy: po każdej pierwszej analizie profilu klienta zapisywano reprezentację modelu świata (zwarty wektor stanu), a następnie przy każdym comiesięcznym wywołaniu wstrzykiwano ją na wejściu modelu. Po trzech miesiącach dryf alokacji spadł o 80%, a liczba reklamacji spowodowanych nagłymi, niezrozumiałymi zmianami spadła do zera. Całość kosztowała dwa tygodnie pracy inżynierów i około 200 dolarów miesięcznie za dodatkową bazę wektorową.
Korzyści wymierne i zwrot z inwestycji
Symulacje na historycznych danych rynkowych pokazały, że portfel bez mechanizmu kotwiczenia dryfował średnio o 2,3% rocznie względem założonego benchmarku. Przy aktywach rzędu 50 milionów złotych przekłada się to na dodatkowe 1,15 miliona niezrealizowanych strat wynikających wyłącznie z degradacji reprezentacji wewnętrznej modelu. Koszt wdrożenia zwracał się w Alethei po niecałych dwóch miesiącach.
Poza twardymi liczbami pojawił się efekt trudniej mierzalny, ale bardzo realny – wzrost zaufania klientów instytucjonalnych. Jeden z funduszy emerytalnych, który rozważał zerwanie umowy właśnie z powodu niespójnych rekomendacji, przedłużył kontrakt na kolejne trzy lata, gdy zespół Alethei wykazał, że problem został zaadresowany strukturalnie. Dla dyrektorów inwestycyjnych, którzy muszą regularnie tłumaczyć przed radą nadzorczą działanie algorytmów, audytowalna spójność decyzji staje się argumentem nie do przecenienia.
Nie czekaj, aż algorytm zmieni zdanie
Zjawisko opisane przez badaczy ma bezpośrednie przełożenie na ryzyko operacyjne w zarządzaniu aktywami. Modele rozumujące tracą swój wewnętrzny świat podczas długiego planowania – to zjawisko strukturalne, nie błąd implementacji. Rozwiązanie jest proste i nie wymaga przebudowy stosu technologicznego: wystarczy dodać krok przechowania pierwotnej reprezentacji i jej okresowego wstrzykiwania. Jeśli Państwa system rekomendacyjny pracuje w cyklach miesięcznych lub kwartalnych, warto prześledzić logi łańcucha rozumowania dla ostatnich dwunastu decyzji – dryf będzie tam widoczny jako stopniowe zanikanie odniesień do oryginalnej analizy ryzyka. Wdrożenie kotwiczenia to najtańsza polisa na spokój inwestorów i regulatorów.
- Spójność strategii na wieloletnim horyzoncie
- Redukcja nieuzasadnionych zmian w portfelu o 80%
- Wyższe zaufanie klientów instytucjonalnych
- Niski koszt wdrożenia – mniej niż 200 USD miesięcznie
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Transformers Struggle to Use Their Emergent World Models: Revisiting the Tower of Hanoi, and the Illusion of Thinking
Autorzy: Devin Pereira, Willem Zuidema
The Tower of Hanoi is a simple planning puzzle that in prior work has proven challenging for large reasoning models (LRMs). Current models solve the standard formulation of the puzzle, but still struggle with the flat-to-flat variant (where initial and goal states are not restricted to have all r...
arXiv: arxiv.org/abs/2608.07077
Czytaj więcej o tej technologii: [DO PRZEGLĄDU] Modele AI budują wewnętrzny świat, a potem go gubią
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
