Рынок автоматических сервисов, которые сами управляют деньгами клиентов на фондовом рынке за последние три года вырос примерно на 400%. Такие сервисы называются робо-эдвайзерами. Несмотря на название, это не роботы-советники, а роботы-управляющие, которые сами решают — что покупать, а что продавать.
В 2016 году количество средств, которыми управляют робо-эдвайзеры, достигло примерно $200 млрд. Самые крупные компании по размеру денег под управлением: Vanguard Personal Advisor Services ($47 млрд), Schwab ($10 млрд), Betterment ($6 млрд) и Wealthfront ($4 млрд). По данным, на которые ссылается аудитор Deloitte, к 2020 году мировой объем рынка может вырасти до $3,7 триллионов, а к 2025 — до $16 триллионов. Главный вопрос — если роботам доверяют все больше, останется ли на фондовом рынке место для людей-консультантов?
Золотой век алгоритмов
В начале 2000-х в США начали развиваться технологии работы с рыночными данными — огромными цифровыми массивами данных о фондовом рынке. Первыми их собирали крупнейшие аналитические агентства. Анализируя большие объемы информации о публичных американских компаниях они поняли, что упорядочив их, смогут сделать из этого бизнес.
Работало это так: любой финансовый отчет, новость о компании, изменения в руководстве — все, что было в свободном доступе — разбивались на детали и заносились в каталог. Сотни параметров одного финансового отчета: прибыль, выручка, капитал, долги — заносились в отдельные строчки. К примеру, архив данных от Thomson Reuters содержал более 20 000 единиц данных по каждой компании.
Доступ к таким рыночным данным стоил примерно $20 000 в месяц. Покупатели нашлись быстро: агентства продали доступ к архивам крупным инвестбанкам. С помощью реализованных алгоритмов сотрудники инвестбанков нашли устойчивые взаимосвязи между фактами и поведением цены. Из всего множества параметров изменения нескольких десятков влияли на котировки конкретных ценных бумаг. Такие модели называются факторными.
На основе разработанных моделей сотрудники банков создали по сути собственный робо-эдвайзер: программа отслеживала входящую информацию и если ключевой фактор менялся совершала сделку. Например, алгоритм мог проверять, как изменения в составе руководства компании влияет на бизнес.
Не все взаимосвязи очевидны. Представьте, что фондовый рынок это поле с овцами. Они пасутся там, где вкуснее трава. Факторные модели — это попытка отследить, куда пойдет стадо в зависимости от определенных факторов: теплоты, влажности, количества травы. Алгоритм анализирует множество параметров земли и пытается определить, от чего зависит движение овец. Допустим, животным все равно на среднюю температуру почвы на глубине трех метров. Может показаться, что такой фактор ни на что не влияет, но возможно это причина того, что трава на поле лучше растет. Робот отслеживает, какие из параметров действительно влияют на рост травы. А в нашем случае — цены.
Прообразы робо-эдвайзеров сработали. Сотрудники Goldman Sachs и UBS рассказывали, что такие стратегии до 2008 года могли приносить до 30% годовых в долларах. Но потом случился ипотечный кризис.
Когда аналитики разрабатывали алгоритмы, при подходе к оценке риска они подбирали факторы исходя из их взаимосвязи между собой: чем она меньше, тем лучше. Даже если один параметр сильно отклонится, остальные должны остаться на месте. Так обеспечивается стабильность модели в целом.
Мой знакомый работал в 2008 году одном из крупнейших инвестиционных банков мира. Он рассказывал, что однажды он пришел на работу и из 30 параметров, которые отслеживала модель — значения 27-ми одновременно отклонились более чем на три стандартных отклонения. Вероятность такого отклонения по одному фактору была около 0,1%. Это означало, что фондовый рынок глобально сломался. Если ещё раз представить поле с овцами, то на него только что рухнул метеорит.
Все устойчивые взаимосвязи, которые работали до этого, работать перестали. Выяснилось, что факторные модели работают успешно только на относительно спокойном рынке. Появился «черный лебедь» и всё разрушил.
Технологии для всех
Раньше продвинутые алгоритмы для торговли на фондовом рынке были уникальными разработками крупных инвестбанков, у которых на это были деньги. Они никому не собирались их продавать, потому что зарабатывали на них сами. Со временем поставщиков данных стало больше, информация подешевела и факторный анализ стал доступен независимым компаниям, некоторые из них свои модели решили продавать частным клиентам.
Кризис 2008 года показал слабую сторону большинства торговых алгоритмов, построенных на факторных моделях: они не умеют реагировать на системные кризисы. Но когда рынки пришли в норму, такие роботы снова стали актуальны.
Сейчас достать рыночные данные в США не проблема: торговля информацией превратилась в большой бизнес. Данные продают как минимум 50 вендоров. Самые крупные: Bloomberg и Thomson Reuters. Отдельно можно упомянуть редистрибьюторов. Они покупают дорогой доступ у нескольких крупных поставщиков, переупаковывают и продают его сотням небольших компаний. Поставщику не нужно тратить время на мелких клиентов, посредник получает доход, а мелкому клиенту дешево достается нужный ему API с выбранными пакетами данных. Удобно еще, что его нужно настроить всего один раз. Такой вариант не подойдет если важна скорость и качество соединения.
Данные продаются практически любые: кроме финансовых и операционных показателей — информация о структуре капитала, владельцах, подробные отчеты о торгах, сделки инсайдеров, мнения аналитиков, эмоциональный фон в социальных сетях и даже логотипы компаний.
Но когда речь заходит о чем-то уникальном, получить это могут только те, кто готов за это много заплатить. Формально в США действует закон об инсайдерской информации, который запрещает скрывать данные и продавать их кому-то одному. Но поставщик рыночных данных может выставить цену, которую смогут заплатить единицы.
Почему-то есть мнение, что на коленке можно сделать алгоритм, который обгонит рынок. Но в бизнесе, который требует больших инвестиций в научно-исследовательские разработки, у стартапов и студентов мало шансов в борьбе с гигантами рынка. Для разработки таких моделей нужны квалифицированные специалисты и определенная инфраструктура: серверы, создание торговой платформы, собственно рыночные данные. Крупные компании могут позволить себе инвестировать в это миллионы долларов, чтобы просто протестировать модель.
Это становится более доступным, благодаря облачным сервисам вроде Amazon и редистрибьюторам рыночных данных но по-прежнему преимущество у тех, у кого больше денег, то есть глобальных инвестбанков.
Роботы-консультанты в России
В России сейчас нет ни одного полноценного робо-эдвайзера, который находится на этапе открытого тестирования продукта. Всё, что запущено на рынке — стратегии на основе портфельной теории Гарри Марковица, созданной в 1950-е годы. Ключевая проблема в том, что она учитывает ограниченную информацию из прошлого и не имеет отношения к настоящему анализу больших данных.
Когда «Магнит» был никому не известен, цена его акций не была так связана с индексом ММВБ. Сейчас стоимость ритейлера выросла, и теперь «Магнит» определяет индекс на 7%, соответственно, выросла и корреляция. Хотя в 1990 году Марковиц получил за теорию Нобелевскую премию, сейчас она в своем первоначальном виде морально устарела.
В России сфера робо-эдвайзеров не развита, на это есть три причины: клиенты не доверяют фондовому рынку, для запуска такого продукта нужна лицензия брокера или доверительного управляющего, страдает качество данных о публичных российских компаниях.
Отсутствие доверия. Воспоминания о 90-х, когда людей постоянно обманывали, живы до сих пор. Для многих фондовый рынок — ещё одно сборище мошенников. К тому же, создатели робо-эдвайзеров не раскрывают свои алгоритмы и не объясняют, как они работают, потому что боятся, что их скопируют. Они рассказывают только о потенциальной доходности. Людям сложно поверить, что такой алгоритм — научный прорыв, а не очередной обман.
Лицензия. Робо-эдвайзинг — это либо советы клиенту о покупке или продаже, либо прямое управление его деньгами. В России в первом случае нужна лицензия брокера, во втором — доверительного управления. Обе выдает ЦБ. Чтобы их получить, нужно соответствовать 30 различным нормативным актам Банка России, а затем их соблюдать: за любое из нарушений могут отозвать лицензию.
Качество данных. К примеру, факторная модель может работать лишь в том случае когда об изменении фактора она узнает почти мгновенно, это значит, что если у публичной компании что-то происходит, она оперативно об этом сообщает. Хотя это обязательство прописано в законе, в России его исполняют без должного рвения. Не все публикуют календарь с датами будущих отчетов, финансовые и операционные показатели выходят с задержкой, а информация отдается в разных форматах (например, попадаются отсканированные pdf). Если информация приходит нерегулярно и с ошибками: результат работы модели будет соответствующий.
Когда в стране повысится уровень финансовой грамотности и человек будет знать, что происходит с его деньгами на фондовом рынке, он может захотеть доверить их робо-эдвайзеру. В свою очередь, разработчику алгоритма, чтобы соответствовать требованиям ЦБ, нужно найти партнера — действующего брокера, который возьмет ответственность за продукт на себя. А чтобы компании захотели вовремя и в едином формате раскрывать данные, нужен экономический стимул: увеличение числа инвесторов, как иностранных, так и российских.
Что будет дальше?
В США в 2016 году под управление робо-эдвайзеров перешло примерно $20 млрд. Это неплохие деньги, но приток средств правильно сравнивать с оттоком из управляемых фондов — за прошлый год люди перевели из них в пассивные фонды и на личные брокерские счета примерно $242 млрд. Многие начали понимать: никто не сможет управлять вашими деньгами лучше, чем вы сами.
В индустрии робо-эдвайзинга для меня самый главный вопрос остается без ответа — если вы создали алгоритм, который умеет зарабатывать на фондовом рынке, почему вы отдаете его другим? Зарабатывайте сами.
Я больше верю в рынок сервисов, расширяющих человеческие возможности. Когда вам дадут набор инструментов, которые позволят проанализировать те условные 20 000 параметров, вы самостоятельно можете решить, что покупать, а что нет. Будущее не за роботами-управляющими, а именно за такими сервисами. Благодаря им качество принимаемых решений вырастет.
С другой стороны, когда мне дают программу, которая позволяет выбрать лучшую ценную бумагу по тем критериям, которые я задал, я понимаю — ответственность на мне, я знаю, как это произошло, поэтому мне проще в эту бумагу инвестировать. А когда робо-эдвайзер говорит: «купи Apple, но я не буду объяснять почему», решиться гораздо сложнее. Все-таки, последнее слово должно остаться за человеком.