00:00:00 Diskussion über Volatilität und Vorstellung von Peter Cotton.
00:01:22 Peters Leistung beim M6-Wettbewerb und dessen Struktur.
00:03:21 Das Thema des M6-Wettbewerbs und die Untersuchung der Hypothese effizienter Märkte.
00:06:01 Peters Modellansatz zur Vorhersage von Volatilität unter Verwendung des Optionsmarktes.
00:08:10 Vergleich von Finanz- und Supply Chain in Bezug auf das Verständnis von Volatilität.
00:09:20 Probabilistische Prognosen in Supply Chain und Finanzen.
00:10:01 Die Schwierigkeit, Menschen zum stochastischen Denken zu bringen.
00:12:26 KI als Buzzword und ihre Auswirkungen auf die Prognose.
00:14:55 Einfachheit und Robustheit angesichts von Komplexität.
00:17:01 Benchmarking von Zeitreihenprognosealgorithmen und deren Leistung.
00:18:58 Diskussion darüber, wie eine verzerrte Sicht auf die Modellleistung zu Overfitting und P-Hacking führen kann.
00:20:14 Zweck von Prognosewettbewerben zur Verhinderung von Overfitting und Datenmanipulation.
00:21:27 Kritik an der akademischen Anreizstruktur und Befürwortung von kontinuierlichen Algorithmustests in der realen Welt.
00:22:55 Vergleich von Finanz- und Supply Chain Management und der Notwendigkeit von Rationalität und Effizienz.
00:27:15 Das Potenzial von Vorhersagemärkten zur Erzielung genauer Prognosen und zur Überwindung von Vorurteilen.
00:28:14 Diskussion über zukünftige Wahrscheinlichkeiten und Entdeckungsmechanismen.
00:29:34 Vergleich von getesteten Mechanismen mit gewichteten Meinungen.
00:31:40 Diskrepanz in den Zahlen während des M6- und der Finanzkrise 2006.
00:32:25 Verzerrung von Erwartungen und Auswirkungen von Promotionen im Einzelhandel.
00:36:31 Quantitative Trader überwinden Barrieren und automatisieren Prozesse in der Supply Chain.
00:38:09 Bedeutung von Disziplin in Vorhersagemärkten.
00:39:58 Auswirkungen von Vorschriften auf Vorhersagemärkte.
00:40:44 Das Problem mit statistischen Modellen und das Beispiel der Trump-Wahl.
00:42:57 Die Notwendigkeit von Feedbackschleifen und realen Konsequenzen.
00:46:10 Der Erfolg des Philip-Modells im M6-Wettbewerb durch das Auffinden weiterer Daten.
00:47:20 Leichte Mechanismen für Vorhersagen in Data-Science-Pipelines.
00:48:41 MicroPrediction.org und seine einzigartige Mikrostruktur für Vorhersagen.
00:50:47 Die Entwicklung von Supply Chain- und Logistikkonzepten.
00:52:35 Kulturelle Herausforderung bei der Akzeptanz von Unsicherheit im Supply Chain Management.
00:54:46 Geschichte der Datenwissenschaft in der Finanzbranche und deren Beziehung zu Wahrscheinlichkeiten.
00:56:41 Überwindung des Aktienmarkts und Vergleich mit Warren Buffett.
00:58:36 M6-Wettbewerb, individuelle Anstrengungen und kollektive Aktivität.
01:00:08 Die moralische Lehre aus dem M6 und die Nutzung von Marktmacht in anderen Bereichen.
Zusammenfassung
In einem Interview diskutieren Peter Cotton, Chief Data Scientist bei Intech, und Joannes Vermorel, Gründer von Lokad, die probabilistische Vorhersage, den M6 Prognosewettbewerb und die Unterschiede zwischen Finanz- und Supply-Chain-Perspektiven hinsichtlich Volatilität und Unsicherheit. Sie betonen, dass perfekte Vorhersagen unmöglich sind und probabilistische Vorhersagen helfen können, bessere Entscheidungen inmitten von Volatilität zu treffen. Beide sind sich über den Wert von Einfachheit und Robustheit bei der Bewältigung komplexer Systeme, ob Finanzmärkte oder Supply Chains, einig. Sie diskutieren auch Themen wie P-Hacking, Transparenz bei Vorhersagemodellfehlern und Marktinstrumente zur Verbesserung von Vorhersagen. Vermorel hebt die kulturellen Herausforderungen im Supply Chain Management hervor, während Cotton die Bedeutung von Märkten zur Verbesserung der Gesamtvorhersage betont.
Erweiterte Zusammenfassung
In diesem Interview wird Peter Cotton, Chief Data Scientist bei Intech und quantitativer Trader mit Spezialisierung auf Vorhersagen, von Conor Doherty, dem Moderator, eingeladen und spricht mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf die Optimierung von Supply Chains spezialisiert hat. Die Diskussion dreht sich um probabilistische Vorhersagen, den M6-Prognosewettbewerb und die Unterschiede zwischen Finanz- und Supply-Chain-Perspektiven hinsichtlich Volatilität und Unsicherheit.
Peter Cotton, der im M6-Prognosewettbewerb unter den Top 10 rangierte, teilt mit, dass das Ziel des Wettbewerbs darin bestand, die Effizienzmarkthypothese zu untersuchen und festzustellen, ob gute Vorhersager sinnvolle diversifizierte Portfolios erstellen können, die gut abschneiden. Er erklärt, dass sein Ansatz für den Wettbewerb von anderen abwich, da er Daten aus dem Optionsmarkt verwendete, um die Volatilität vorherzusagen, anstatt sie selbst vorherzusagen. Er betrachtete den M6-Wettbewerb als einen Kampf zwischen Data Scientists, Vorhersagern und quantitativen Finanzprofis gegen den Optionsmarkt. Trotz seiner hohen Platzierung war Peter überrascht, wie gut er im Vergleich zu anderen Teilnehmern abschnitt.
Joannes Vermorel fügt hinzu, dass die Finanzbranche in Bezug auf die Anerkennung und den Umgang mit Volatilität und Unsicherheit der Supply Chain weit voraus ist. Er stellt fest, dass Supply-Chain-Experten oft immer noch nach perfekten Vorhersagen streben, was unrealistisch ist. Der erste Schritt zur Lösung dieses Problems besteht darin, anzuerkennen, dass perfekte Vorhersagen unmöglich sind, und der zweite besteht darin zu verstehen, dass Unsicherheit nicht bedeutet, dass Dinge unbekannt sind. Probabilistische Vorhersagen können helfen, die Struktur der Unsicherheit zu quantifizieren und bessere Entscheidungen angesichts von Volatilität zu treffen.
Sowohl Peter als auch Joannes sind sich einig, dass noch viel Arbeit geleistet werden muss, um die Welt dazu zu bringen, stochastischer zu denken und dieses Verständnis in Entscheidungsprozesse einzubeziehen. Während die Finanzbranche eine lange Geschichte im Umgang mit Unsicherheit und Risiko hat, hat es viel länger gedauert, bis diese Konzepte in der Supply-Chain-Branche weitgehend anerkannt und genutzt wurden.
Vermorel stellt fest, dass KI zu einem Buzzword geworden ist, das oft Inkompetenz verbirgt. Er glaubt, dass kompetente Fachleute ihre Techniken mit ihren technischen Namen bezeichnen, wie z.B. hyperparametrische Modelle oder gradient boosting trees.
Vermorel und Cotton diskutieren die Komplexität und chaotische Natur von Supply Chains und den besten Ansatz, um solche Systeme zu bewältigen. Beide sind sich einig, dass es statt einer weiteren Komplexitätssteigerung sinnvoller ist, etwas Einfaches und Robustes zu finden. Cotton teilt seine Erfahrungen mit der Mikroprognose, die sich auf die Pflege von Open-Source-Paketen für Zeitreihen Prognosen konzentriert. Er betont, dass die erfolgreichsten Modelle oft die einfachsten sind, wie z.B. präzisionsgewichtete Durchschnitte der jüngsten Leistung.
Die Interviewpartner gehen auch auf das Problem des P-Hackings ein, bei dem Forscher Daten manipulieren, um ihr gewünschtes Ergebnis zu unterstützen. Sie argumentieren, dass Prognosewettbewerbe wie der M5 dieses Problem mildern können, indem sie die Daten erst nach der Einreichung der Ergebnisse durch die Teilnehmer veröffentlichen und ihnen so das Manipulieren ihrer Modelle zur Erzeugung gefälschter Ergebnisse verhindern.
Cotton kritisiert die akademische Literatur oft dafür, dass ein geschlossener Wettbewerb von derselben Person durchgeführt wird, die auch am Wettbewerb teilnimmt und ihn bewertet. Er schlägt vor, dass Forscher anstatt Papiere zu veröffentlichen, ihre Algorithmen für immer laufen lassen und sie autonom ihre Effektivität bei verschiedenen Geschäftsproblemen bestimmen lassen sollten. Cotton plädiert für einen stärker datengetriebenen Ansatz, wie z.B. alles in einen M6-Wettbewerb oder Optionsmarkt umzuwandeln, um Rationalität und Effizienz zu steigern.
Vermorel vergleicht auch die unbarmherzige Umgebung der Finanzbranche mit der Trägheit in Supply Chains, wo Unternehmen über lange Zeiträume ineffizient bleiben können, ohne schwerwiegende Konsequenzen befürchten zu müssen. Er hinterfragt die Praxis der Vertriebs- und Betriebsplanung (S&OP), bei der Menschen zusammenkommen, um Prognosen zu diskutieren und abzustimmen, und schlägt vor, dass diese Methode nicht der effektivste Weg ist, um Vorhersagen zu treffen.
Vermorel teilt seine Erfahrungen bei der Prognose der Auswirkungen von Promotions für große Einzelhändler. Er stellt fest, dass die Erwartungen oft übertrieben sind und ein einfaches Durchschnittsmodell, das historische Daten betrachtet, genauere Vorhersagen liefern kann. Das Präsentieren dieser konservativeren Schätzungen kann jedoch manchmal auf Widerstand stoßen, da es als Untergrabung von Begeisterung oder Verringerung menschlicher Intelligenz angesehen werden könnte.
Cotton betont die Bedeutung von Disziplin bei der Erstellung genauer Vorhersagen, die durch marktbasierte Ansätze gefördert werden kann. Er schlägt vor, die Menschen dazu zu ermutigen, transparenter über ihre Vorhersagemodellfehler zu sein und leichte Marktinstrumente in ihre Data-Science-Pipelines einzubeziehen. Prognosemärkte sind zwar interessant, werden aber durch Regulierung und Bedenken hinsichtlich Glücksspiels eingeschränkt.
Cotton berichtet von einer Meinungsverschiedenheit mit dem Team hinter dem Wahlmodell des Economist vor der US-Präsidentschaftswahl 2016, das eine viel geringere Wahrscheinlichkeit für einen Trump-Sieg im Vergleich zu den Wettmärkten zugewiesen hatte. Der Austausch verdeutlicht die Notwendigkeit besserer Methoden zur Bewertung der Genauigkeit von Modellen und die Grenzen des ausschließlichen Vertrauens in Expertenmeinungen.
Die Teilnehmer sind sich einig, dass Marktinstrumente sich als zuverlässiger als alternative Methoden zur Vorhersageerstellung erwiesen haben, betonen jedoch die Bedeutung, Wege zu finden, um Marktdisziplin auch in anderen Bereichen wie der Supply-Chain-Optimierung und der Einzelhandelsprognose einzuführen.
Vermorel identifiziert ein Problem bei traditionellen Prognoseübungen, bei denen oft separate Teams beteiligt sind, die von der restlichen Firma isoliert sind. Dies führt zu Praktiken wie Sandbagging, bei denen Vertriebsmitarbeiter ihre Prognosen unterschätzen, um ihre Quoten zu übertreffen und Boni zu erhalten. Die Produktion hingegen neigt dazu, Prognosen zu überschätzen, um höhere Budgets für die Hochfahren der Produktion zu sichern. Vermorel schlägt vor, Rückkopplungsschleifen mit realen Konsequenzen zu schaffen, um Vorhersagemodelle zu verankern und sie effektiver zu machen.
Cotton diskutiert die Rolle von Prognosemärkten bei der Verbesserung von Vorhersagemodellen. Während traditionelle Prognosemärkte umständlich sein können, können leichtgewichtige Alternativen in einer Data-Science-Pipeline effektiver sein. Cotton erwähnt auch sein Buch über Mikroprognosemechanismen, die in der Lage sind, Vorhersagen zu erhalten oder anzufordern und für Geschäftsanwendungen nachgelagerte Zwecke zu erfüllen.
Die Interviewpartner erkennen die kulturellen Herausforderungen im Supply Chain Management an, insbesondere da Supply Chain in den 1990er Jahren aus dem Logistikbereich entstanden ist. Die Logistik konzentriert sich auf operative Sicherheit, während das Supply Chain Management langfristige Planung und den Umgang mit Unsicherheit beinhaltet. Vermorel fragt sich, wie lange es gedauert hat, bis die Finanzwelt probabilistische Modelle der Zukunft akzeptiert hat, während Cotton feststellt, dass Data Science seit mindestens 40 Jahren ernsthaft betrieben wird.
Cotton geht auch auf den Unterschied zwischen dem Schlagen des Marktes und der Bereitstellung genauer Wahrscheinlichkeitsschätzungen ein. Er erklärt, dass Einzelpersonen wie Warren Buffett den Markt kontinuierlich schlagen können, aber keine eigenständigen Modelle erstellen können, die bessere probabilistische Schätzungen als der Markt selbst liefern. Er betont die Bedeutung von Märkten als Kombination individueller Anstrengungen zur Schaffung von Wahrscheinlichkeiten und zur Verbesserung der Gesamtprognose.
Vollständiges Transkript
Conor Doherty: Willkommen zurück bei Lokad TV, ich bin Ihr Gastgeber Conor und wie immer bin ich mit Lokad-Gründer Joannes Vermorel zusammen. Unser heutiger Gast ist Peter Cotton, er ist Senior Vice President und Chief Data Scientist bei InTech Investment. Heute wird er mit uns über probabilistische Prognosen und möglicherweise darüber sprechen, wie man den Aktienmarkt schlagen kann. Peter, herzlich willkommen bei Lokad.
Peter Cotton: Vielen Dank, dass Sie mich eingeladen haben.
Conor Doherty: Bei Lokad möchten wir gerne wissen, mit wem wir sprechen. Also, Peter, könnten Sie uns ein wenig über Ihren Hintergrund und Ihre Tätigkeit bei InTech Investment erzählen?
Peter Cotton: Oh, sicher. Ich würde mich als Karriere-Quant beschreiben. Ich habe auf der Käufer- und Verkäuferseite gearbeitet und hatte einen kurzen Aufenthalt als Unternehmer, der ein Datenunternehmen aufgebaut hat. Derzeit verbringe ich meine Zeit damit, Dinge vorherzusagen, was Sie nicht überraschen wird, und die Grenzen der Portfoliotheorie voranzutreiben.
Conor Doherty: Wir sollten gleich zu Beginn gratulieren zu Ihrer jüngsten Leistung im M6-Wettbewerb. Ich glaube, Sie haben es unter die Top 10 geschafft, ist das richtig?
Peter Cotton: Das stimmt. Ich bin mir nicht sicher, ob es mein Verdienst ist oder nur der Verdienst all dieser Optionshändler und Quants, die sie unterstützen. In gewisser Hinsicht war es überhaupt nicht meine Arbeit; ich war nur ein einfacher Kanal von einer Quelle der Vorhersagekraft zu einer anderen.
Joannes Vermorel: Für das Publikum: Der M6 war tatsächlich die sechste Iteration einer sehr bekannten Serie von Prognosewettbewerben, bei denen es darum geht, Vorhersagen zu treffen. Der Wettbewerb funktioniert folgendermaßen: Es gibt einen Datensatz, der öffentlich zugänglich gemacht wird, dann gibt es bestimmte Regeln und die Teilnehmer müssen Vorhersagen machen, in der Regel in Form von Zeitreihenprognosen. In diesem Fall gab es einen probabilistischen Aspekt in den letzten beiden Wettbewerbsiterationen, dem M5 und dem M6. Es war ein iteratives Spiel mit 12 Iterationen, bei dem die Teilnehmer ihre Ergebnisse einreichen mussten und der Wettbewerb voranschritt. Es gab viele Regeln, um festzustellen, wer am besten abgeschnitten hat und den Markt tatsächlich übertroffen hat. Das ist eine sehr anspruchsvolle Übung und eine sehr brutale, denn es gibt sehr wenig Raum, um die Ergebnisse zu fälschen.
Conor Doherty: Meines Wissens ist jede Iteration des M-Wettbewerbs anders. Also, Peter, was war das Thema des M6? Ich meine, was war das ausdrückliche Ziel?
Peter Cotton: Das Ziel der Organisatoren war es, in einem weiteren Sinne die Effizienzmarkthypothese zu untersuchen, die besagt, dass es schwer ist, den Markt zu schlagen. Der Grund, warum es schwer ist, den Markt zu schlagen, besteht darin, dass es viele finanzielle Anreize dafür gibt und dass es viele kluge Menschen gibt, die die letzten 40 Jahre ihrer Karriere damit verbracht haben, dies zu tun und Teams aufzubauen, um dies zu tun, und alle verfügbaren Daten zu diesem Zweck zu sammeln. Es ist zweifellos wahr, dass die beste Vorhersage auf dem Planeten wahrscheinlich der Preis der Google-Aktie oder so etwas ist. Alles andere ist in Bezug auf die Vorhersage eine Stufe darunter, das war also eines der erklärten Ziele der Organisatoren. Ein weiteres Ziel war es zu untersuchen, ob Personen, die gut vorhersagen konnten, auch in der Lage wären, dies in vernünftige diversifizierte Portfolios umzusetzen, die entsprechend einer Metrik funktionierten, über die wir diskutieren können. Also, ich denke, das waren die beiden Hauptziele der Organisatoren, zumindest so, wie ich sie verstanden habe. Und was genau hat Ihr Modell getan, was anderen Teilnehmern nicht gut gelungen ist?
Was an meinem Beitrag anders war, ist, dass ich das Problem aus philosophischer Sicht als eines betrachtet habe, bei dem es darum geht, relevante Daten zu finden. Natürlich würden andere Leute das auch so sehen, aber ich denke, was anders ist, ist, dass die Leute manchmal übersehen, dass Daten die Form von impliziten Zahlen oder Zahlen annehmen können, die in den bestehenden Märkten implizit sind.
Wenn Sie sich jetzt den M6-Wettbewerb ansehen, sollten wir versuchen, die Wahrscheinlichkeit vorherzusagen, dass eine bestimmte Aktie oder ein bestimmter ETF im Vergleich zu ihren anderen Peers nach einem Monat in der zweiten Quantile endet. Also fragen Sie sich, was wirklich dazu führt, dass eine Aktie im zweiten Quantil ihrer Peers endet? Nun, wenn Sie eine Meinung über die Richtung der Aktie haben, wird das die Wahrscheinlichkeit erhöhen, dass sie in den beiden oberen Quantilen endet, offensichtlich. Aber wenn Sie keine Meinung über die Aktie haben, was bei mir persönlich der Fall war, dann ist das Hauptkriterium dafür, ob Sie im ersten Quantil oder im dritten landen, die Volatilität der Aktie.
Also würde ich argumentieren, dass dies wirklich ein Wettbewerb in der Vorhersage der Volatilität war, nicht in der Richtung der Aktie, vielleicht etwas entgegen der vielleicht formulierten Hypothese der Organisatoren, aber das ist in Ordnung, es ist ein Laborversuch. Also habe ich gesagt: “Nun, es gibt bereits eine Quelle unglaublich guter Informationen über die Volatilität von Aktien. Es nennt sich der Optionsmarkt.” Also werde ich einfach den Optionsmarkt betrachten und anstatt die Volatilität selbst vorherzusagen, werde ich einfach diese Zahlen verwenden. Das ist im Grunde alles, was ich getan habe.
Man könnte meinen Beitrag also wirklich als einen Marktbenchmark betrachten, vielleicht nicht den gleichen Marktbenchmark, den die Leute erwarten würden. Die Organisatoren haben einen anderen, schwächeren Marktbenchmark festgelegt. Aber das war meiner, und ich habe gesagt: “Es ist sehr schwierig, bessere zukunftsgerichtete Schätzungen darüber zu machen, wie weit sich eine Aktie bewegen wird, als das, was der Optionsmarkt implizieren würde, denn wenn man das könnte, könnte man Geld verdienen, indem man Optionen kauft und verkauft.” Natürlich gibt es einige Leute, die Geld verdienen, indem sie Optionen kaufen und verkaufen, ich tue das, aber es führt den Markt in einen sehr effizienten Zustand, und das ist es, was ich an diesem Wettbewerb interessant fand.
Es war eine Möglichkeit, eine Gemeinschaft von Datenwissenschaftlern, Prognostikern und einigen Quanten zu vereinen und zu sagen: “Schaut her, hier ist diese Art von Kampf, und das fand ich wirklich interessant.” Also habe ich das gemacht, und jetzt war ich tatsächlich ein wenig überrascht, wie hoch ich auf der Rangliste gelandet bin. Ich glaube, ich war innerhalb von 0,002 Brier-Punkten davon entfernt, Geld zu gewinnen, also quälend nah dran. Aber der Hauptpunkt war einfach zu sehen, ob ich 70% der Teilnehmer schlagen würde, wären es 80%? Es stellte sich heraus, dass es 96% der Teilnehmer waren. Das hat mich ehrlich gesagt ein wenig überrascht.
Joannes Vermorel: Das Interessante für mich, der ich aus dem Bereich der Lieferketten komme, ist, dass ich immer wieder beeindruckt bin, wie die Finanzwelt buchstäblich Jahrzehnte voraus ist, was alle möglichen Dinge betrifft.
Mein Hauptkampf bei Lokad ist, dass Volatilität existiert. Wir befinden uns immer noch in der Auseinandersetzung, ob sie überhaupt existiert, denn in den Lieferkettenkreisen gibt es viele Leute, die sagen: “Lasst uns bis auf vier Dezimalstellen vorhersagen, wie viel wir nächstes Jahr verkaufen werden.” Wenn man eine perfekte Umsatzprognose hätte, würde alles zu einer Frage der Orchestrierung werden. Man könnte genau entscheiden, wie viel man produzieren, wie viel man kaufen und wie viel man in Bezug auf Lagerbestände zuweisen muss. Wenn man also perfekte Prognosen hätte, würde die gesamte Umsetzung der Waren und Dienstleistungen zu einer reinen Angelegenheit der banalen Orchestrierung werden.
Als Lokad vor einem Jahrzehnt begann, sich für probabilistische Prognosen in der Lieferkette einzusetzen, war das nichts Neues, denn die Finanzwelt tut das schon seit mindestens drei oder vier Jahrzehnten mit dem Value at Risk. Die Hauptidee ist, dass wir zuerst die Vorstellung aufgeben müssen, dass wir eine perfekte Prognose haben werden. Der erste Schritt besteht darin, anzuerkennen, dass man nicht alles über die Zukunft wissen kann. Das scheint für Leute aus der Finanzwelt offensichtlich zu sein, aber in der Lieferkette wird immer noch nicht weitgehend anerkannt, dass man keine perfekte Prognose erstellen kann.
Wenn man akzeptiert, dass man Unsicherheit hat, bedeutet das nicht, dass man nichts weiß. Man kann sowohl Unsicherheit haben als auch die Struktur dieser Unsicherheit mit Volatilität quantifizieren. Nur weil etwas unsicher ist, heißt das nicht, dass es unerkennbar ist. Es gibt Dinge, die man über die Struktur der Unsicherheit wissen kann, und das ist es, was wir probabilistische Prognosen nennen. Aus Sicht der Lieferkette verwenden wir das, um zu sagen, dass man bei einer enormen Streuung oder sehr konzentrierter Unsicherheit keine gleichen Entscheidungen trifft. Wenn man mit enormer Volatilität konfrontiert ist, geht man das Risiko quantitativ anders an als wenn es vergleichsweise eine sichere Sache ist.
Peter Cotton: Es stimmt, dass es immer noch Jahrzehnte dauert, um diese Botschaft zu vermitteln. Es gibt Leute in der Betriebswirtschaftslehre, die versucht haben, diese Vorstellung populär zu machen, wie zum Beispiel Sam Savage mit dem Flaw of Averages, und die Leute dazu ermutigen, zu verstehen, dass man mit einem einzigen Weg oder einem Durchschnittswert in Schwierigkeiten gerät. In der Finanzwelt gibt es seit Jahren all diese unglaublich feingliedrigen Vorstellungen von Konvexitätsrisiken. Es ist erstaunlich, wie anders das ist.
Das ist mir auch aufgefallen, denn einige Wettbewerber müssen Verteilungsvorhersagen liefern, und wenn man von Kaggle oder einem anderen Ort kommt, ist man vielleicht nicht mit der Motivation dafür vertraut. Also, was ist die Lösung? Wie können wir die Welt dazu ermutigen, in stochastischeren Begriffen zu denken und das in die Entscheidungsfindung oder Tabellenkalkulationen der Menschen einzubinden? Das ist nicht so einfach.
Joannes Vermorel: Absolut. Und ich glaube, einer der Faktoren, der das Bild weiter trübt, ist, dass zumindest aus meiner Erfahrung im Bereich der Unternehmenssoftware in der Lieferkette das Schlagwort des Jahrzehnts KI war. Es ist interessant, denn sobald man KI hat, hat man angeblich einen überlegenen Blick in die Zukunft.
Aus meiner persönlichen Sicht ist KI nur ein Schlagwort, um die eigene Inkompetenz mit etwas zu kaschieren. Sobald man sehr kompetent ist, neigt man dazu, es etwas anderes zu nennen, wie zum Beispiel ein hyperparametrisches Modell oder gradientenverstärkte Bäume. Wenn man KI sagt, handelt es sich nur um das Kauderwelsch von etwas, das man nicht versteht.
Das Interessante ist, dass sehr häufig, wenn man etwas Unglaublich Chaotisches und Komplexes vor sich hat, meine Erfahrung und unsere Ergebnisse mit dem M5 zeigen, dass Lokad mit einer Methode, die um Größenordnungen einfacher ist als KI-gesteuerte Methoden, sehr gut abschneidet. Was ich interessant an Ihrem Ansatz der Mikroprognose finde, ist, dass Sie meiner Meinung nach etwas sehr Ähnliches in seiner Einfachheit getan haben. Wenn man also etwas Unglaublich Komplexem gegenübersteht, ist es besser, ein System zu haben, das diese Komplexität widerspiegelt, oder im Gegenteil, etwas sehr Einfaches zu haben, das einen durch den Sturm führt?
Joannes Vermorel: Ich habe dazu ein paar Experimente durchgeführt. Ich war daran interessiert, so viele gute Algorithmen wie möglich aus der Open-Source-Welt für Zeitreihenprognosen zu finden. Ich versuche, diese Open-Source-Pakete zu pflegen, die es ziemlich einfach machen, Dinge zu benchmarken oder herauszufinden, was eine gute Zeitreihe für Ihren Zweck ist. Einige von ihnen haben ein eigenständiges Leben und versuchen herauszufinden, ob sie gut darin sind, etwas vorherzusagen. Die Mikroprognose ist so etwas wie das M6 für Algorithmen, aber in der Regel auf höheren Frequenzen.
Peter Cotton: Natürlich haben wir im Laufe der Zeit Ansichten darüber entwickelt, was tatsächlich funktioniert und was in verschiedenen Situationen robust ist. Ich habe einige Offline-Benchmarks für univariate Zeitreihen durchgeführt, und es gibt wahrscheinlich 20 oder 50 Python-Pakete für Zeitreihenprognosen. Die meisten von ihnen binden andere Pakete wie TSA und Statistikmodelle ein. Aber wenn man sie mit klassischen Methoden vergleicht, stellt man fest, dass einfache, präzisionsgewichtete Durchschnitte der jüngsten Leistung einer Reihe einfacher Modelle an erster Stelle stehen. Einfache Modelle umfassen Dinge wie Auto ARIMA und deren Varianten oder sogar noch einfachere Dinge.
Joannes Vermorel: Für das Publikum denke ich, dass Sie darauf hinweisen, dass P-Hacking ein sehr reales Problem ist. Wenn man sich in den Bereich der ausgefallenen Modelle begibt, kann man fast immer ein Modell finden, das zufällig gut abschneidet. Dies kann zu Überanpassung und P-Hacking führen, bei dem man Dimensionen und Hypothesen auswählt, um einen statistischen Signifikanztest zu bestehen. Prognosewettbewerbe verhindern dies, indem sie die Daten erst nach Einreichung der Ergebnisse veröffentlichen, sodass die Modelle nicht manipuliert werden können, um gefälschte Ergebnisse zu erzielen.
Peter Cotton: Das stimmt. Der Großteil der akademischen Literatur besteht aus einem winzigen, geschlossenen Wettbewerb, der von derselben Person wie dem Teilnehmer durchgeführt wird. Sie entscheiden, wer sonst noch teilnehmen darf, führen das Rennen 10 Mal durch und veröffentlichen dann das Ergebnis. Das ist lächerlich. Der Zweck von Prognosewettbewerben besteht darin, dies zu verhindern.
Ich stimme zu. Es ist absolut lächerlich. Warum gibt es überhaupt eine empirische Literatur? Ich weiß es nicht. Ich habe meine Zeit damit verbracht, das Konzept einer empirischen Literatur zu verspotten. Warum veröffentlicht man also einen Artikel über die Wirksamkeit eines Modells in Echtzeit, wenn der Artikel sich nicht selbst aktualisiert, richtig? Ich weiß leider nicht, was wir tun können, um uns davon zu lösen. Wie wir alle wissen und wie The Economist sagt, ist der Witz über Anreize, dass das Problem nicht darin besteht, dass sie nicht funktionieren, sondern dass sie zu gut funktionieren. Wenn der einzige Anreiz darin besteht, Artikel zu veröffentlichen, dann ist das, was man bekommt. Wenn der einzige Anreiz eine etwas seltsame Metrik für das M6 für die Investitionsseite des Wettbewerbs ist, dann findet man drei von 200 Personen, die herausfinden, dass das der Weg ist, es zu manipulieren, richtig? So läuft es.
Also, ja, ich befürworte, dass die Leute anstelle von Artikeln ihre Algorithmen für immer laufen lassen sollten. Und wir sollten eine Infrastruktur fördern, die es Unternehmen ermöglicht, diese Algorithmen von einem Geschäftsproblem zum nächsten zu übertragen und herauszufinden, ob sie tatsächlich gut funktionieren. Und wenn diese Methoden, die heutzutage aufkommen, und einige von ihnen sind sehr einfallsreich und nutzen maschinelles Lernen, in der Lage sind, außerhalb der Stichprobe wirklich gut abzuschneiden und wenn es genügend Daten gibt, um das wirklich zu tun, dann gibt es genügend Daten, um autonom zu bestimmen, ob sie gut sind oder nicht. Und so brauchen wir eigentlich keine Menschen mit ihren starken Meinungen und starken Vorurteilen und Eigeninteressen und dem ganzen Rest, um zu bestimmen, welcher Algorithmus für ein bestimmtes Geschäftsproblem funktionieren sollte. Oftmals, zumindest in meinem Bereich, und dein Bereich ist etwas herausfordernder, weil du langfristige Prognosen hast, aber in meinem Bereich, wenn du sagst, was für dich funktionieren wird, weißt du, wie viele Kunden in den nächsten fünf Minuten auftauchen werden oder wie viele Autos in den nächsten zwei Minuten eine Kreuzung passieren werden, das ist ein großes Datenproblem. Wir sollten keine Leute mit ihren PDFs und allem anderen im Weg haben. Das ist meiner Meinung nach, lasst uns einfach alles in ein M6 verwandeln, aber beschleunigen oder besser gesagt, lasst uns alles in einen Optionsmarkt verwandeln.
Joannes Vermorel: Ja, und das Interessante ist, dass, wiederum für mich, Finanzen nur eine Art von Praxis sind, und ich sage das im guten Sinne, weil man sieht, dass es diese allgemeine Wahrnehmung der Öffentlichkeit gibt, dass, wenn es einen Bösewicht in einem Film gibt, es der Finanztyp und die Optionen sein werden. Aber meine Meinung ist, dass diese Märkte eine Übung in Rationalität sind. Ich meine, wenn du zutiefst irrational bist, gehst du einfach bankrott. Und nur Menschen, die über einen sehr, sehr hohen Grad an Rationalität in dem, was sie tun, über einen langen Zeitraum hinweg aufrechterhalten können, gehen nicht bankrott. Es ist eine sehr unbarmherzige Umgebung. Selbst kleine Ineffizienzen werden sehr schnell ausgenutzt. Wenn du einige Konkurrenten hast, die Jahr für Jahr ein paar Prozent effizienter sind als du, dann legen die Leute ihre Gelder auf diese Leute um und dann gehst du buchstäblich bankrott. Es ist buchstäblich schneller Darwinismus in Aktion auf eine ziemlich brutale Weise.
Auf eine Weise, die diese langfristigen Vorhersagen, das sind auch die Dinge, die die Leute in den Lieferketten nicht erkennen, dass es viele Unternehmen gibt, die Jahrzehnte überleben können, nicht weil sie sehr, sehr gut sind, sondern weil es eine unglaubliche Trägheit bei der Einrichtung der Infrastruktur, der Aktualisierung der Praktiken und so weiter gibt, du kannst super ineffizient sein für ein Jahrzehnt oder länger, bevor es überhaupt einen Unterschied macht. Zum Beispiel gingen viele Einzelhändler erst zwei Jahrzehnte nach Amazon ins Internet, um ihren Webshop einzurichten, und sie haben viel gelitten, anstatt einfach zu verschwinden. In der Finanzwelt gab es viele Dinge - wenn du zwei Jahrzehnte zu spät zur Party kommst, ist das einfach unerträglich. Also, aus Sicht der Lieferkette, wenn es darum geht, über die Zukunft nachzudenken, ist eine der beliebtesten Methoden immer noch S&OP, was Sales and Operations bedeutet. Es beinhaltet, dass alle Leute zusammen in einem Raum sind und diskutieren, so dass durch die Diskussion die richtige Prognose entsteht. Aus deiner Perspektive als quantitativer Trader, würde das wie eine vernünftige Option klingen? Also, wir wollen gut abschneiden, also bringen wir 20 Leute in den Raum, schauen uns diese Diagramme an und treffen dann eine Abstimmung, um die Prognose zu entscheiden, mit Bonuspunkten, wenn man einen höheren Rang in der Organisation hat.
Peter Cotton: Oh mein Gott, um ehrlich zu sein, beneide ich die Leute nicht, die in der Position sind, ein- oder zweijährige Vorhersagen zu treffen. Offensichtlich ist es ein schwieriges Spiel. Die Frage nach der kollektiven Intelligenz der Menschen bei solchen Vorhersageaufgaben und wie man das erreicht, hat sicherlich eine interessante Literatur. Aber ich habe manchmal das Gefühl, dass die puritanische Voreingenommenheit der USA einfach den Weg zu einer ziemlich offensichtlichen Lösung versperrt. Ich meine, ich bin in Australien aufgewachsen, und wenn du wissen willst, ob zwei Fliegen eine Wand hochklettern und welche als erste ankommt, lässt du die Leute darauf wetten. Es ist wirklich so einfach. Lasst uns das nicht überkomplizieren.
Das beste Vorhersagegerät, das erste große Vorhersagegerät, wurde in der Größe eines Gebäudes auf der Rennbahn Ellerslie gebaut und wurde, glaube ich, 1913 eröffnet. Es war die weltweit erste mechanische Totalisator-Maschine. Die Leute konnten ihre Wetten auf Pferde platzieren, und diese riesigen Kolben würden langsam in die Luft steigen, um den Menschen mitzuteilen, wie viel auf jedes Pferd gewettet wurde. Und durch diesen erstaunlichen mechanischen Apparat entstand die Wahrscheinlichkeit - das erste Beispiel für risikoneutrale Wahrscheinlichkeit, definiert in einem Echtzeit-Informationsverarbeitungssystem. Nach 100 Jahren ist das immer noch die einzige wirklich vernünftige Möglichkeit, zukünftige Wahrscheinlichkeiten von Ereignissen zu ermitteln, soweit ich weiß. Ich glaube nicht, dass es eine bessere Erfindung gegeben hat.
Joannes Vermorel: Ja, und ein Punkt, der mich sehr interessiert, ist, dass du darauf hinweist, dass hier ein Entdeckungsmechanismus im Spiel ist. Darüber sprechen wir, und darin steckt eine gewisse Genialität. Es geht nicht unbedingt um das Modell, das damit einhergeht, oder um den Gedanken menschlicher Einsicht, sondern darum, einen Ansatz zu haben, bei dem man sich fragt: “Was ist mein Entdeckungsmechanismus, um zuverlässigere Informationen über die Zukunft zu erhalten? Gibt es überhaupt etwas, das als Entdeckungsmechanismus fungiert, oder erfinde ich einfach Dinge und erkläre implizit, dass diese Aussagen, die ich mache, über die Zukunft genauso gut und gültig sind, bevor ich überhaupt darüber nachdenke, dass es vielleicht eine Reise gibt, um dorthin zu gelangen?” Etwas, das mit dieser Entdeckung im Hinterkopf entwickelt wurde, und das ist eine großartige Art, es auszudrücken.
Peter Cotton: Hier haben wir einen Mechanismus, der in tausend verschiedenen Orten seit einem Jahrhundert getestet wurde, und er funktioniert einfach immer noch. Immer wieder kommen Leute und sagen: “Nun, warte mal, es gibt noch etwas anderes, was wir tun können”, wie zum Beispiel ein großartiges Beispiel für kompensierte gewichtete Meinungen in einem Raum, der sich eine Verbreitung ansieht. Nun, vielleicht ist das der richtige Mechanismus für Vorhersagen, wer weiß? Schau dir die Geschichte an. Ich habe meine Karriere 2001 im Kreditbereich begonnen und die Erfahrung von 2006 miterlebt. Du hattest einen Markt, der eine implizite Korrelationszahl lieferte, die dir sagte, wie der Markt die relative Abhängigkeit des Erfolgs eines Unternehmens von einem anderen einschätzte. Nehmen wir an, diese Zahl betrug 30. Die Rating-Agenturen nahmen einen versicherungsmathematischen Ansatz, genau wie die Teilnehmer des M6. Sie ignorierten die Marktinformationen und entwickelten ihr eigenes Modell, selbst in Unkenntnis der manchmal erforderlichen Mathematik, um die Informationen zu erkennen. Sie sagten den institutionellen Anlegern, dass die Zahl nicht 30, nicht einmal 20, sondern 5 Prozent betrug. Das ist eine enorme Diskrepanz in einer Zahl. Also, wie hat sich das außer in einer globalen Finanzkrise und anderen Katastrophen in der Lieferkette entwickelt? Wie lange wird es dauern, bis wir erkennen, dass der Markt der einzige Weg ist? Wie viele Beispiele brauchen wir noch?
Joannes Vermorel: Das Lustige ist, dass hier eine Art partieller Wahnsinn herrscht. Um ein Beispiel zu geben, bei Lokad arbeiten wir mit vielen großen Einzelhändlern zusammen. Wenn es darum geht, die Auswirkungen von Werbeaktionen vorherzusagen, wie zum Beispiel 30% Rabatt auf Schokoriegel, sind die Leute begeistert von der Wirkung. Sie wollen den Hebel umlegen und Marktanteile gewinnen. Aber wenn wir uns die Prognosen für die Werbeaktionen anschauen, sind die Zahlen fast immer übertrieben. Die Leute denken, dass der Umsatz drei- oder viermal so hoch sein wird wie normalerweise. Wenn man jedoch ein super einfaches Durchschnittsmodell anwendet und sich die vergangenen Werbeaktionen ansieht, ist die Realität konservativer. Es ist interessant, denn wenn man ihnen ein konservativeres Modell zeigt, haben sie das Gefühl, dass ihre Begeisterung und menschliche Intelligenz geschmälert werden.
Peter Cotton: In der Informatik gibt es ein Sprichwort: Schreibe zuerst den Test. Aber niemand schreibt den Test zuerst, wenn es um Vorhersagen oder die Vorhersage der Zukunft geht, oder? Und nur etwa fünf Prozent der Zeit schreiben sie den Test danach, wenn sie überhaupt in einer rigorosen Weise zurückgehen und sich anschauen, was sie tatsächlich getan haben.
Ja, das stimmt. Märkte haben trotz all ihrer Mängel eine unglaubliche Disziplin. Es gibt einen Grund, warum einige der besten Hedgefonds zum Beispiel Poker-Camps einbeziehen. Ich bin damit aufgewachsen, die verschiedenen Arten von Glücksspielmärkten zu verstehen, und wenn man diese Disziplin nicht hat, wird man nicht besser darin, Dinge vorherzusagen. Wie können wir also diese Disziplin schaffen?
Wir möchten nicht, dass die EU vorschreibt, dass jeder seine Modellreste auf die Blockchain setzt, da dies aus verschiedenen Gründen ineffizient wäre. Wir können die Menschen jedoch vielleicht dazu ermutigen, darüber nachzudenken, wie sie Dinge einsetzen könnten, die wie Märkte sind, aber leichter, und darüber nachzudenken, wie sie in ihre bestehenden Datenwissenschaftspipelines passen könnten.
Wir könnten die Menschen dazu ermutigen zu sagen: “Hey, was machst du mit den Fehlern in deinen Vorhersagemodellen? Wo landen sie? Werden sie weggeworfen? Mach sie öffentlich, sind sie wirklich so proprietär?” Die meisten Menschen wissen nicht einmal, was Ihr Modell ist, oder was Sie modellieren, oder wie Sie es früher gemacht haben, und Sie produzieren etwas, das Sie als Rauschen bezeichnen.
Nun, wovor hast du Angst? Das könnte ein Ansatz sein. Der Bereich der Vorhersagemärkte ist sicherlich interessant und zumindest in den USA in den letzten Jahren durch Vorschriften weitgehend eingeschränkt worden. Viele Menschen haben versucht, diese Disziplin zu nutzen, ziehen sich aber zurück, wenn das Glücksspiel-Label auftaucht. Damit Dinge gut funktionieren, braucht es manchmal Einsätze, also kann es einen Preis geben. Wir wollen die Welt nicht in Pokermaschinen verwandeln, aber ohne eine Art von Markt-Disziplin sehe ich keine Verbesserung in Sicht. Ich sehe nur eine Wiederholung der Dinge.
Joannes Vermorel: Ich denke, du sprichst etwas sehr Wichtiges an, und auch etwas, wofür ich mich seit Jahrzehnten einsetze: Wenn du in deinem mathematischen Raum mit statistischen Modellen und Algorithmen arbeitest und keinen Rückkopplungsmechanismus aus der realen Welt hast, weißt du nicht, ob du Dinge tust, die verrückt sind oder nicht.
Mathematik sagt dir nur die Konsistenz, ob das, was du in diesem mathematischen Raum tust, mit sich selbst konsistent ist, nicht mit der Welt. Wenn du keinen Rückkopplungsmechanismus hast, weißt du es nicht. Wenn du statistisch und grafisch korrekt bist, bedeutet das im besten Fall, dass du mit dir selbst konsistent bist, was gut ist, aber es sagt nichts über die Welt im Allgemeinen aus.
Als du gesagt hast: “Wärst du bereit, ein paar Euro oder Dollar auf den Fall zu wetten?”, ist das buchstäblich der Rückkopplungsmechanismus. Das ist die Bestrafung, die Belohnung und der Einsatz. In der Supply Chain ist eines der Probleme bei diesen Vorhersageübungen, dass sie in der Regel völlig losgelöst davon sind, was die Menschen tun.
Das von mir identifizierte Problem ist, dass die meisten Unternehmen ein Team haben, das die Vorhersagen erstellt, Zeitreihenvorhersagen erstellt, und der Rest des Unternehmens mit den Konsequenzen umgeht. Dadurch entstehen sehr seltsame Praktiken. Zum Beispiel werden Vertriebsmitarbeiter, wenn sie zur Umsatzprognose beitragen müssen, in einem Prozess namens Sandbagging stark unterschätzen. Warum? Weil sie, wenn sie ihr Soll als 100 prognostizieren, aber zuversichtlich sind, dass sie 200 verkaufen werden, ihr Soll übertreffen und ihren Bonus erhalten.
Auf der anderen Seite führt die Vorhersage einer hohen Nachfrage in der Produktion zu einem höheren Budget, um Ihre Produktionsapparatur hochzufahren. Wenn Sie eine Fabrik haben, die doppelt so viel produzieren kann wie Sie benötigen, läuft die Produktion reibungslos, weil Ihre Kapazität weit über das hinausgeht, was Sie tatsächlich benötigen. Das Problem ist nicht, dass die Menschen diese Spiele spielen; es geht darum, den Rückkopplungsmechanismus so zu gestalten, dass die Menschen die Konsequenzen spüren. Sie möchten, dass Vorhersagemodelle fundiert sind, und finanzielle Bindungen wie Wetten können eine unglaublich einfache und fundierte Möglichkeit sein, dies zu erreichen. Operativ ist es auch relativ einfach umzusetzen.
Peter Cotton: Es gab einen guten Teilnehmer am M6-Wettbewerb, den ich das “Philip-Modell” nennen werde. Ein wichtiger Teil seines Ansatzes bestand darin, mehr Daten zu finden. Er war nicht zufrieden mit den von den Organisatoren bereitgestellten Aktien und ETFs, also suchte er nach weiteren Daten, baute Modelle und sah, wie sie sich gegenüber einem breiteren Universum bewährten. Dadurch war er weniger geneigt, sich auf eine bestimmte Geschichte zu versteifen. Während Vorhersagemärkte umständlich sein können, können leichtgewichtige Alternativen ohne Einsätze dennoch effektiv sein. Zum Beispiel ermöglicht Microprediction.org, dass sich das Beste ohne Einsätze durchsetzt.
In meinem Buch spreche ich von “Mikromanagern”, die autonome Mechanismen sind, die Vorhersagen erhalten oder anfordern und einen aufwärtsgerichteten Zweck für eine Geschäftsanwendung erfüllen. Es gibt viele verschiedene Mechanismen, um dies zu tun. Zum Beispiel verwendet Microprediction.org ein kontinuierliches Lotteriesystem mit einer kollektiven Verteilung des zukünftigen Wertes einer Variablen. Sie können belohnt werden, wenn Sie die kollektive Verteilung in Richtung der wahren Verteilung lenken. Es gibt viele Literatur über die Bewertung und Charakterisierung von Punkt- und Verteilungsschätzungen. Die Herausforderung besteht eher in der Kultur: Möchten Unternehmen die Disziplin haben, die in der Finanzbranche in den letzten 40 Jahren zu finden ist?
Joannes Vermorel: Es ist tatsächlich ein interessantes Problem zu lösen, und die Kultur spielt eine wichtige Rolle. Supply Chain ist ein neues Konzept, das in den 90er Jahren entstanden ist, wobei die Logistik zuvor das dominierende Feld war. Exzellenz in der Logistik bedeutet, keine Unfälle zu haben, Gefahren zu beseitigen und Sicherheit am Arbeitsplatz zu gewährleisten. In diesem Bereich wurden viele Fortschritte erzielt, und gefährliche Berufe sind viel sicherer geworden. Die Supply Chain hingegen konzentriert sich auf die langfristige Perspektive und darauf, Dinge vor Ort geschehen zu lassen, was eine andere Herausforderung darstellt.
Und das Ding ist, wenn man darüber nachdenkt, das ist es, was ich gehört habe, wissen Sie, all diese Konzepte, zum Beispiel, wissen Sie, Kullback-Leibler-Distanz, das sind alles wiederum nur konzeptionelle Werkzeuge, bei denen Sie akzeptieren, dass die Zukunft unsicher ist und dass Sie daher mit Unsicherheit arbeiten können, und Sie haben sogar das mathematische Instrument, um damit zu arbeiten.
Das ist das Interessante. Die kulturelle Herausforderung für die Supply Chain besteht darin, dass es unglaublich schwierig ist. Die Logistik, aus der die Supply Chain entstanden ist, sollte die Unsicherheit auf eine gewisse Weise beseitigen. Sie möchten nicht, dass die Wahrscheinlichkeit, dass jemand während Ihrer Arbeit stirbt, besteht. Sie möchten, dass diese Wahrscheinlichkeit null ist oder so verschwindend gering, dass es wirklich etwas war, das fast unmöglich zu verhindern war. Die Menschen möchten also zu Recht Sicherheit in ihren Prozessen haben. Aber wenn Sie dann in diese Supply Chain-Mentalität übergehen, in der Sie Jahre im Voraus denken, können Sie plötzlich keine Gewissheiten mehr für Dinge erhalten, die in den kommenden Jahren passieren werden. Es ist eine Kultur, die umgestaltet werden muss, denn vollständige Gewissheit ist sehr gut für Ihren Betrieb vor Ort, aber es ist ein völlig anderes Spiel, wenn Sie über die Zukunft nachdenken, insbesondere nicht über die unmittelbare Zukunft, sondern etwas darüber hinaus.
Conor Doherty: Würden Sie schätzen, wie lange es gedauert hat, bis die Finanzbranche im Laufe des 20. Jahrhunderts diese ausgefeiltere probabilistische Vision der Zukunft angenommen hat? Ich glaube, dass Value-at-Risk-Instrumente in den 80er Jahren eingeführt wurden, aber ich bin mir nicht zu 100% sicher über die Zeitabläufe.
Peter Cotton: Das ist eine gute Frage. Optionsmärkte existierten schon lange vorher, und viele Leute hatten ein ziemlich gutes Verständnis dafür, was vor sich ging. Es gab schon immer kluge Leute da draußen, und sie haben viel veröffentlicht. Datenwissenschaft ist keine 10 Jahre alte Disziplin; sie ist mindestens 40 Jahre alt, wenn man die Biografie von Jim Simons liest. Die Idee, dass Wahrscheinlichkeit Dollars sind, ist eine sehr alte Idee, und die Vorstellung, dass Wahrscheinlichkeit unzuverlässig ist, wenn es keine Dollars sind, ist ebenfalls sehr alt.
Conor Doherty: Nur eine letzte Frage, um alles zusammenzuführen. Hat das M6 gezeigt, dass es möglich ist, den Markt zu schlagen und besser abzuschneiden als andere Menschen es historisch gesehen für sechs Jahrzehnte getan haben?
Peter Cotton: Das Problem dabei, und das ist eine sehr wichtige Unterscheidung, ist, dass Warren Buffett nicht unter den Top 10 gelandet wäre. Warren Buffett hätte schrecklich kalibrierte Wahrscheinlichkeitsschätzungen gehabt. Es gibt einen Unterschied zwischen der Fähigkeit, den Markt zu schlagen, und der Schaffung von gleichwertigen oder besseren probabilistischen Schätzungen wie der Markt sie hat. Weder Warren Buffett noch Jim Simons noch ein einzelner Hedgefonds können das tun. Das M6 ist ein Wettbewerb und eine Sammlung individueller Anstrengungen, um Wahrscheinlichkeiten zu erstellen, aber ein Markt ist viel mehr als das. Es ist eine kollektive Aktivität, und man kann diese kollektive Aktivität nicht schlagen. Vom M6 habe ich erwartet, einige kluge Leute zu finden, und alle Anerkennung gebührt Philip, der mich fair und ehrlich geschlagen hat. Aber wenn man sich eine numerische Simulation ansieht, ist es unmöglich zu sagen, dass Philip tatsächlich besser war als ich oder umgekehrt.
Die Gesamtleistung des Optionsmarktes im M6 ist geradezu überwältigend. Es gab eine Pilotphase und dann Quartal eins, Quartal zwei, Quartal drei und Quartal vier. In jedem einzelnen Quartal war mein Beitrag jedes Mal im oberen Quartil. Wenn das kein Glück ist, denke ich, hoffentlich lehrt das M6 die Leute, dass die Disziplin des Marktes im Vergleich zur Disziplin, die sie in ihren maschinellen Lernpapieren oder Konferenzen oder was auch immer gewohnt sind, viel höher ist.
Ich hoffe, die Moral ist nicht, dass die Leute sich von den Märkten fernhalten sollten, weil sie zu schwer zu schlagen sind. Ich hoffe, die Moral ist eine andere, dass die Leute anfangen, darüber nachzudenken, wie sie die Kraft der Märkte oder ähnlicher Dinge oder dieser Rückkopplungsschleifen in ihren eigenen Pipelines und Unternehmen nutzen können. Das ist es, was ich hoffe, dass die Leute daraus mitnehmen. Ich bin mir nicht sicher, ob sie es tun werden, aber man kann nur hoffen.
Conor Doherty: Ich denke, das ist wahrscheinlich das Ende. Ich werde die Dinge abschließen. Ich möchte mich bei Ihnen für Ihre Zeit bedanken, Peter, und vielen Dank, Joannes, für Ihre Expertise und herzlichen Glückwunsch noch einmal zum M6. Vielen Dank an alle, die zu Hause zugeschaut haben. Wir sehen uns das nächste Mal.
