00:00:00 Diskussionsbeitrag zur Volatilität und Vorstellung von Peter Cotton.
00:01:22 Peters Leistung im M6 Wettbewerb und dessen Aufbau.
00:03:21 Das Thema des M6 Wettbewerbs und die Untersuchung der Effizienzmarkthypothese.
00:06:01 Peters modellbasierter Ansatz zur Vorhersage von Volatilität mittels des Optionsmarktes.
00:08:10 Vergleich von Finanzen und supply chain in Bezug auf das Verständnis von Volatilität.
00:09:20 Probabilistische Vorhersagen in supply chain und Finanzen.
00:10:01 Die Schwierigkeit, Menschen dazu zu bringen, stochastisch zu denken.
00:12:26 KI als Modewort und ihr Einfluss auf die Prognose.
00:14:55 Einfachheit und Robustheit angesichts von Komplexität.
00:17:01 Benchmarking von Algorithmen zur Zeitreihenprognose 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 Vermeidung von Overfitting und Datenmanipulation.
00:21:27 Kritik an der akademischen Anreizstruktur und Befürwortung eines realweltlichen, kontinuierlichen Testens von Algorithmen.
00:22:55 Vergleich von Finanzen mit supply chain management und die Notwendigkeit von Rationalität und Effizienz.
00:27:15 Das Potenzial von Prognosemärkten zur Gewinnung genauer Vorhersagen und zur Überwindung von Verzerrungen.
00:28:14 Diskussion über zukünftige Wahrscheinlichkeiten und Entdeckungsmechanismen.
00:29:34 Vergleich von getesteten Mechanismen mit kompensierten, gewichteten Meinungen.
00:31:40 Diskrepanz in den Zahlen während des M6 und der Finanzkrise 2006.
00:32:25 Verzerrung der Erwartungen und die Wirkung von Promotions im Einzelhandel.
00:36:31 Quantitative Trader durchbrechen Barrieren und automatisieren Prozesse in der supply chain.
00:38:09 Bedeutung von Disziplin in Prognosemärkten.
00:39:58 Die Auswirkungen von Regulierungen auf Prognosemärkte.
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 zusätzliche Datengenerierung.
00:47:20 Leichtgewichtige 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 beim Akzeptieren von Unsicherheit im supply chain management.
00:54:46 Geschichte der Data Science in den Finanzen und deren Bezug zu Wahrscheinlichkeiten.
00:56:41 Den Aktienmarkt schlagen und Vergleich mit Warren Buffett.
00:58:36 M6 Wettbewerb, individuelle Anstrengungen und kollektives Handeln.
01:00:08 Die moralische Erkenntnis aus dem M6 und die Nutzung von Marktmacht in anderen Bereichen.
Summary
In einem Interview diskutieren Peter Cotton, Chief Data Scientist at Intech, und Joannes Vermorel, Gründer von Lokad, probabilistic forecasting, den M6 forecasting competition und die Unterschiede zwischen den Perspektiven von Finanzen und supply chain hinsichtlich Volatilität und Unsicherheit. Sie betonen, dass perfekte Vorhersagen unmöglich sind und probabilistische Vorhersagen dabei helfen können, angesichts von Volatilität bessere Entscheidungen zu treffen. Beide stimmen hinsichtlich des Wertes von Einfachheit und Robustheit im Umgang mit komplexen Systemen überein – sei es bei den Finanzmärkten oder in der supply chain. Außerdem diskutieren sie Themen wie P-Hacking, Transparenz bei Fehlern in Prognosemodellen und Marktmechanismen zur Verbesserung von Vorhersagen. Vermorel hebt die kulturellen Herausforderungen im supply chain management hervor, während Cotton die Bedeutung von Märkten für die Verbesserung der Gesamtprognose betont.
Extended summary
In diesem Interview wird Peter Cotton, Chief Data Scientist at Intech und quantitativer Trader, der sich auf Vorhersagen spezialisiert hat, von Conor Doherty, dem Moderator, eingeladen und spricht mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf die Optimierung der supply chain spezialisiert hat. Die Diskussion dreht sich um probabilistische Vorhersagen, den M6 Prognosewettbewerb und die Unterschiede zwischen den Perspektiven von Finanzen und supply chain in Bezug auf Volatilität und Unsicherheit.
Peter Cotton, der im M6 Prognosewettbewerb unter die Top 10 kam, berichtet, dass der Wettbewerb darauf abzielte, die Effizienzmarkthypothese zu untersuchen und zu prüfen, ob gute Prädiktoren sinnvolle, diversifizierte Portfolios erstellen können, die gut performen. Er erklärt, dass sein Ansatz im Wettbewerb anders war als der der anderen, da er Daten aus dem Optionsmarkt nutzte, um die Volatilität vorherzusagen, anstatt sie selbst zu prognostizieren. Er betrachtete den M6 Wettbewerb als einen Kampf zwischen Data Scientists, Vorhersagerspezialisten und quantitativen Finanzexperten gegen den Optionsmarkt. Trotz seiner hohen Platzierung war Peter überrascht, wie gut er im Vergleich zu den anderen Teilnehmern abschnitt.
Joannes Vermorel fügt hinzu, dass die Finanzen in puncto Anerkennung und Umgang mit Volatilität und Unsicherheit weit vor der supply chain liegen. Er weist darauf hin, dass Fachleute in der supply chain noch immer oft nach perfekten Vorhersagen streben, was unrealistisch ist. Der erste Schritt zur Bewältigung dieses Problems besteht darin, anzuerkennen, dass perfekte Vorhersagen unmöglich sind, und der zweite darin, zu verstehen, dass Unsicherheit nicht bedeutet, dass Dinge unerkennbar sind. Probabilistische Vorhersagen können helfen, die Struktur der Unsicherheit zu quantifizieren und bessere Entscheidungen angesichts von Volatilität zu treffen.
Beide, Peter und Joannes, sind sich einig, dass noch viel Arbeit nötig ist, um die Welt dazu zu bewegen, in stochastischer zu denken und dieses Verständnis in entscheidungsbasierte Optimierung Prozesse zu integrieren. Während die Finanzen bereits eine lange Geschichte im Umgang mit Unsicherheit und Risiko haben, hat es in der supply chain wesentlich länger gedauert, bis diese Konzepte allgemein anerkannt und genutzt wurden.
Vermorel stellt fest, dass KI zu einem Modewort geworden ist, das oft Inkompetenz verschleiert. Er ist der Ansicht, dass kompetente Fachleute ihre Techniken unter ihren technischen Bezeichnungen nennen, wie z.B. hyperparametrische Modelle oder gradient boosted trees.
Vermorel und Cotton diskutieren über die Komplexität und chaotische Natur von supply chains und den besten Ansatz, um solche Systeme zu bewältigen. Beide sind sich einig, dass es anstelle einer weiteren Komplexitätssteigerung sinnvoller ist, etwas Einfaches und Robustes zu finden. Cotton teilt seine Erfahrungen mit Micro-Prediction, das sich auf die Pflege von Open-Source-Paketen für die Zeitreihen Vorhersage konzentriert. Er betont, dass die erfolgreichsten Modelle oft die einfachsten sind, wie z.B. präzisionsgewichtete Durchschnitte der jüngsten Leistung.
Auch wird das Thema P-Hacking angesprochen, bei dem Forscher Daten manipulieren, um ein gewünschtes Ergebnis zu erzielen. Sie argumentieren, dass Prognosewettbewerbe, wie zum Beispiel der M5, dieses Problem eindämmen können, indem Daten erst nach der Einreichung der Ergebnisse durch die Teilnehmer veröffentlicht werden, was verhindert, dass Modelle angepasst werden, um gefälschte Ergebnisse zu erzeugen.
Cotton kritisiert die Fachliteratur dafür, dass häufig ein geschlossener Wettbewerb von derselben Person veranstaltet wird, die auch teilnimmt und den Wettbewerb beurteilt. Er schlägt vor, dass Forscher anstatt Papiere zu veröffentlichen, ihre Algorithmen dauerhaft laufen lassen und diese autonom ihre Effektivität in verschiedenen Geschäftsproblemen bestimmen. Cotton plädiert für einen datengetriebenen Ansatz, indem man beispielsweise alles in einen M6 Wettbewerb oder Optionsmarkt verwandelt, um die Rationalität und Effizienz zu steigern.
Vermorel vergleicht auch die unerbittliche Umgebung der Finanzen mit der Trägheit in supply chains, in denen Unternehmen über lange Zeiträume ineffizient bleiben können, ohne schwerwiegende Konsequenzen zu spüren. Er hinterfragt die Praxis des Sales and Operations Planning (S&OP), bei der Menschen zusammengebracht werden, um Prognosen zu diskutieren und abzustimmen, und schlägt vor, dass diese Methode nicht der effektivste Weg ist, Vorhersagen zu erstellen.
Vermorel teilt seine Erfahrungen aus der Zusammenarbeit mit großen Einzelhändlern bei der Prognose der Auswirkungen von promotions. Er stellt fest, dass die Erwartungen oft überhöht sind und ein einfaches Durchschnittsmodell, das auf historischen Daten basiert, genauere Vorhersagen liefern kann. Allerdings können diese konservativeren Schätzungen manchmal auf Widerstand stoßen, da sie als Demontage von Begeisterung oder als Herabwürdigung der menschlichen Intelligenz angesehen werden.
Cotton hebt die Bedeutung von Disziplin bei der Erstellung genauer Vorhersagen hervor, die durch marktorientierte Ansätze gefördert werden kann. Er schlägt vor, die Menschen dazu zu ermutigen, transparenter in Bezug auf die Fehler ihrer Prognosemodelle zu sein und leichte Marktmechanismen in ihre Data-Science-Pipelines zu integrieren. Prognosemärkte, so interessant sie auch sind, wurden jedoch durch Regulierungen und Bedenken hinsichtlich des Glücksspiels behindert.
Cotton berichtet von einer Meinungsverschiedenheit mit dem Team hinter dem Wahlmodell von The Economist vor der US-Präsidentschaftswahl 2016, das im Vergleich zu Wettmärkten eine deutlich niedrigere Wahrscheinlichkeit für einen Trump-Sieg zugewiesen hatte. Dieser Austausch unterstreicht die Notwendigkeit besserer Methoden zur Bewertung der Genauigkeit von Modellen und die Grenzen, sich ausschließlich auf Expertenmeinungen zu verlassen.
Die Teilnehmer sind sich einig, dass sich Marktmechanismen als zuverlässiger erwiesen haben als alternative Methoden zur Erstellung von Vorhersagen, betonen jedoch die Bedeutung, Wege zu finden, Marktdisziplin in andere Bereiche einzuführen, wie etwa in die supply chain Optimierung und die Einzelhandelsprognose.
Vermorel benennt ein Problem bei traditionellen Prognoseübungen, bei denen oft separate Teams beteiligt sind, die vom Rest des Unternehmens isoliert arbeiten. Dies führt zu Praktiken wie Sandbagging, bei denen Vertriebsmitarbeiter ihre Prognosen absichtlich unterschätzen, um ihre Quoten zu übertreffen und Boni zu erhalten. Die Produktion hingegen neigt dazu, Prognosen zu überschätzen, um höhere Budgets für den Produktionsausbau zu sichern. Vermorel schlägt vor, dass die Schaffung von Feedbackschleifen mit realen Konsequenzen dazu beitragen kann, Vorhersagemodelle zu fundieren und effektiver zu machen.
Cotton erörtert die Rolle von Prognosemärkten bei der Verbesserung von Vorhersagemodellen. Während traditionelle Prognosemärkte umständlich sein können, erweisen sich leichtgewichtige Alternativen in Data-Science-Pipelines oft als effektiver. Cotton erwähnt zudem sein Buch über Microprediction-Mechanismen, die in der Lage sind, Vorhersagen zu empfangen oder anzufordern und vorlaufende Zwecke für Geschäftsanwendungen zu erfüllen.
Die Interviewpartner erkennen die kulturellen Herausforderungen im supply chain management an, insbesondere da sich supply chain in den 1990er Jahren aus dem Logistikbereich entwickelt hat. Während sich die Logistik auf operative Sicherheit konzentriert, erfordert das supply chain management langfristige Planung und den Umgang mit Unsicherheit. Vermorel fragt sich, wie lange die Finanzen brauchten, um probabilistische Zukunftsmodelle zu übernehmen, während Cotton anmerkt, dass Data Science seit mindestens 40 Jahren ernsthaft betrieben wird.
Cotton spricht auch den Unterschied zwischen dem Schlagen des Marktes und der Bereitstellung genauer Wahrscheinlichkeitsabschätzungen an. Er erklärt, dass, obwohl Einzelpersonen wie Warren Buffett den Markt konsequent schlagen, sie keine eigenständigen Modelle entwickeln können, die bessere probabilistische Schätzungen liefern als der Markt selbst. Er betont die Wichtigkeit von Märkten als Kombination individueller Anstrengungen zur Erstellung von Wahrscheinlichkeiten und zur Verbesserung der Gesamtprognose.
Vollständiges Transkript
Conor Doherty: Willkommen zurück bei Lokad TV, ich bin euer Moderator Conor, und wie immer wird mir der Lokad-Gründer Joannes Vermorel zur Seite stehen. Der heutige Gast ist Peter Cotton, Senior VP und Chief Data Scientist bei InTech Investment. Heute wird er mit uns über probabilistische Vorhersagen sprechen und möglicherweise darlegen, wie man den Aktienmarkt schlagen kann. Peter, willkommen bei Lokad.
Peter Cotton: Vielen Dank, dass ich hier sein darf.
Conor Doherty: Bei Lokad wissen wir gerne, mit wem wir sprechen. Peter, könntest du uns ein wenig über deinen Hintergrund und deine Tätigkeit bei InTech Investment erzählen?
Peter Cotton: Oh, gerne. Ich würde mich als Career Quant beschreiben. Ich habe auf der Käufer- und Verkäuferseite gearbeitet und hatte eine kurze Zeit als Unternehmer, in der ich ein Datenunternehmen aufgebaut habe. Zurzeit verbringe ich meine Zeit damit, Dinge vorherzusagen – was dich nicht überraschen wird – und die Grenzen der Portfoliotheorie voranzutreiben.
Conor Doherty: Wir sollten gleich zu Beginn sagen: Herzlichen Glückwunsch zu deiner jüngsten Leistung im M6 Wettbewerb. Ich glaube, du hast es unter die Top 10 geschafft, ist das korrekt?
Peter Cotton: Das habe ich. Ich weiß nicht, ob es mein Verdienst war oder nur der Verdienst all der Optionshändler und Quants, die sie unterstützen. In gewisser Weise war es überhaupt nicht meine Arbeit; ich war lediglich ein Kanal von einer Quelle prädiktiver Macht zur anderen.
Joannes Vermorel: Für das Publikum war das M6 tatsächlich die sechste Iteration einer sehr bekannten Reihe von Vorhersagewettbewerben, bei denen das Ziel buchstäblich darin besteht, Vorhersagen zu treffen. Der Wettbewerb funktioniert folgendermaßen: Es gibt einen Datensatz, der öffentlich zugänglich gemacht wird, dann gibt es bestimmte Regeln, und die Leute müssen Vorhersagen machen, typischerweise in Form von Zeitreihenprognosen. In diesem Fall gab es bei den letzten beiden Wettbewerbsiterationen, dem M5 und dem M6, einen probabilistischen Aspekt. Es war ein iteriertes Spiel mit 12 Runden, bei dem die Teilnehmer ihre Ergebnisse einreichen mussten und der Wettbewerb voranschritt. Es gab zahlreiche Regeln, um festzustellen, wer am besten abschnitt und tatsächlich den Markt übertraf. Das ist eine sehr anspruchsvolle Übung und eine äußerst brutale, da es kaum Spielraum gibt, um seine Ergebnisse zu fälschen.
Conor Doherty: Meinem Verständnis nach ist jede Iteration des M-Wettbewerbs unterschiedlich. Also, Peter, was war das Thema des M6? Ich meine, was war das explizite Ziel?
Peter Cotton: Das Ziel der Organisatoren war im weitesten Sinne, die Effizienzmarkthypothese zu untersuchen, die in ihren verschiedenen Formen besagt, dass es schwer ist, den Markt zu schlagen. Der Grund, warum es schwer ist, den Markt zu schlagen, liegt darin, dass es einen erheblichen finanziellen Anreiz dafür gibt, und es gibt viele kluge Menschen, die die letzten 40 Jahre ihrer Karriere damit verbracht haben, genau das zu versuchen, Teams dafür aufgebaut und alle verfügbaren Daten zusammengetragen haben. Es ist unbestritten, dass das Beste, was auf dem Planeten Erde vorhergesagt wird, wahrscheinlich der Preis von Google-Aktien oder Ähnliches ist. Alles andere ist in Bezug auf Vorhersagen eine Stufe darunter, also war das eines der erklärten Ziele der Organisatoren. Ein weiteres Ziel war es, zu untersuchen, ob Personen, die gut vorhersagen können, dies auch in sinnvolle, diversifizierte Portfolios umsetzen könnten, die nach einer bestimmten Metrik performen, über die man diskutieren kann. Ich denke also, das waren zumindest aus meiner Sicht die beiden Hauptziele der Organisatoren. Und was genau hat dein Modell getan, was anderen Teilnehmern nicht gelungen ist?
Was bei meinem Beitrag anders war, ist, dass ich das Problem aus philosophischer Sicht als die Suche nach allen relevanten Daten betrachtete. Natürlich würden andere das in diesem Zusammenhang ebenfalls so sehen, aber ich denke, was anders ist, ist, dass die Leute manchmal übersehen, dass Daten in Form von implizierten Zahlen oder Zahlen, die in den bestehenden Märkten implizit sind, auftreten können.
Wenn man sich den M6-Wettbewerb anschaut, wurden wir gebeten, die Wahrscheinlichkeit vorherzusagen, dass eine bestimmte Aktie oder ein ETF nach einem Monat im, sagen wir, zweiten Quantil im Vergleich zu seinen 100 Peers liegt. Man fragt sich also, was wirklich darüber entscheidet, ob eine Aktie im zweiten Quantil ihrer Peers landet? Nun, wenn man eine Meinung zur Richtung der Aktie hat, wird dies offensichtlich die Wahrscheinlichkeit erhöhen, in einem der beiden obersten Quantile zu landen. Aber wenn man keine Meinung zur Aktie hat – was ich persönlich nicht hatte – dann ist der Hauptfaktor, der beeinflusst, ob man im ersten oder im dritten Quantil landet, die Volatilität der Aktie.
Ich würde also argumentieren, dass es hier in Wirklichkeit um die Vorhersage der Volatilität ging und nicht um die Richtung der Aktie, was vielleicht etwas im Widerspruch zur von den Organisatoren möglicherweise geäußerten Hypothese steht, aber das ist in Ordnung, es ist ein Laborexperiment. Also habe ich Folgendes gemacht: Ich sagte, “Schaut, es gibt bereits eine Quelle unglaublich guter Informationen über die Volatilität von Aktien. Sie heißt Optionsmarkt.” Also werde ich einfach den Optionsmarkt betrachten, und anstatt die Volatilität selbst vorherzusagen, benutze ich diese Zahlen. Das ist im Wesentlichen alles, was ich getan habe.
Man könnte meinen, dass mein Beitrag im Grunde nur ein Markt-Benchmark war, vielleicht nicht derselbe, den die Leute erwartet hätten. Die Organisatoren hatten einen anderen, schwächeren Markt-Benchmark eingeführt. Aber das war meiner, und ich sagte, “Schaut, es ist sehr schwierig, bessere zukunftsgerichtete Schätzungen darüber zu finden, wie weit sich eine Aktie bewegen wird, als die, die der Optionsmarkt impliziert, denn wenn man das könnte, könnte man Geld verdienen, indem man Optionen kauft und verkauft.” Natürlich gibt es einige Leute, die Geld damit verdienen, Optionen zu verkaufen, zu kaufen und wieder zu verkaufen – ich tue es –, aber es führt den Markt zu einem sehr effizienten Zustand, und das fand ich an diesem Wettbewerb besonders spannend.
Es war eine Möglichkeit, eine Gemeinschaft von Data Scientists, Forecastern und einigen Quants zusammenzubringen und zu sagen: “Schaut, hier ist diese Art von Wettkampf, und ich fand es wirklich spaßig, das zu machen.” Also habe ich das getan, und ich war tatsächlich ein wenig überrascht, wie hoch ich in der Rangliste abschloss. Ich glaube, ich lag innerhalb eines Brier-Scores von .002 davon, Geld zu gewinnen, also dem tatsächlichen Gewinn von Geld, so verdammt knapp. Aber der Hauptpunkt war einfach zu sehen, ob ich 70 % der Teilnehmer schlagen würde, vielleicht 80 %? Es stellte sich heraus, dass es 96 % der Teilnehmer waren. Ehrlich gesagt, war ich darüber ein wenig überrascht.
Joannes Vermorel: Das Interessante für mich, der ich aus einem supply chain-Hintergrund komme, ist, dass ich immer wieder unglaublich beeindruckt davon bin, wie Finance buchstäblich Jahrzehnte voraus ist, was allerlei Angelegenheiten betrifft.
Mein Hauptkonflikt bei Lokad ist, dass Volatilität existiert. Wir befinden uns noch im Kampf darüber, ob sie überhaupt existiert, denn in supply chain-Kreisen gibt es viele, die sagen: “Lasst uns bis auf vier Dezimalstellen vorhersagen, wie viel wir im nächsten Jahr verkaufen werden.” Wenn man eine perfekte Umsatzprognose hätte, würde alles zu einer Frage der Orchestrierung. Man könnte genau entscheiden, wie viel man produzieren wird, wie viel man einkaufen muss und wie viel an Beständen zugewiesen werden muss. Also, wenn man perfekte Vorhersagen hätte, würde die Umsetzung der Lieferung von Waren und Dienstleistungen nur noch eine reine Frage der alltäglichen Orchestrierung sein.
Als Lokad vor einem Jahrzehnt begann, probabilistische Vorhersagen in supply chain voranzutreiben, war das nichts Neues, da Finance dies mit dem Value-at-Risk schon seit mindestens drei oder vier Jahrzehnten tut. Die Schlüsselidee ist, dass wir zunächst die Vorstellung aufgeben müssen, eine perfekte Vorhersage zu haben. Der erste Schritt besteht darin anzuerkennen, dass man nicht alles über die Zukunft wissen kann. Das erscheint für Menschen aus der Finance offensichtlich, aber in supply chain ist es noch lange nicht allgemein anerkannt, dass man keine perfekte Prognose bekommen kann.
Sobald man akzeptiert, dass Unsicherheit besteht, heißt 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 Aspekte an der Struktur der Unsicherheit, die bekannt werden können, und genau dann sprechen wir von probabilistischen Vorhersagen. Aus der Sicht von supply chain verwenden wir dies, um zu sagen, dass man nicht dieselben Entscheidungen trifft, wenn man mit enormer Streuung oder sehr konzentrierter Unsicherheit konfrontiert ist. Wenn man mit enormer Volatilität konfrontiert ist, geht man das Risiko quantitativ nicht auf die gleiche Weise an, wie wenn es vergleichsweise fast sicher wäre.
Peter Cotton: Es ist zwar wahr, dass es immer noch Jahrzehnte dauert, diese Botschaft zu vermitteln. Es gibt Menschen in der Managementwissenschaft, die versucht haben, dieses Konzept zu popularisieren, wie Sam Savage mit dem Flaw of Averages, und die die Menschen dazu ermutigen, zu verstehen, dass die Wahl eines einzelnen Pfades oder eines Durchschnittswertes zu Problemen führen wird. In der Finance gibt es seit Jahren all diese unglaublich fein abgestuften Konzepte des Konvexitätsrisikos. Es ist erstaunlich, wie unterschiedlich das ist.
Das ist mir auch aufgefallen, denn einige Wettbewerber müssen verteilungsbasierte Vorhersagen liefern, und wenn man von Kaggle oder anderswo herkommt, ist man vielleicht nicht mit der dahinter stehenden Motivation vertraut. Also, was ist die Lösung? Wie bringen wir die Welt dazu, in stochastischeren Begriffen zu denken und dies in die Entscheidungsfindung oder in Tabellenkalkulationen einfließen zu lassen? Es ist nicht so einfach.
Joannes Vermorel: Absolut. Und ich glaube, eines der Elemente, das das Bild noch weiter trübt, ist, dass – zumindest aus meinem Hintergrund in enterprise software in supply chain – das Schlagwort des Jahrzehnts AI war. Es ist interessant, denn sobald man AI hat, soll man angeblich ein überlegenes Verständnis der Zukunft besitzen.
Meiner persönlichen Ansicht nach ist AI nur ein Schlagwort, um die eigene Inkompetenz zu kaschieren. Sobald man sehr kompetent ist, neigt man dazu, es etwas anders zu nennen, wie zum Beispiel ein hyperparametrisches Modell oder gradient-boosted trees. Wenn man von AI spricht, ist es nur das Kauderwelsch von etwas, das man nicht versteht.
Das Interessante ist, dass, wenn man sehr häufig mit etwas unglaublich Chaotischem und Komplexem konfrontiert wird, meine Erfahrung und unsere Ergebnisse mit dem M5 zeigen, dass Lokad mit einer Methode, die um Größenordnungen einfacher war als AI-basierte Methoden, sehr gut abgeschnitten hat. Was ich an deinem Micro-Prediction-Ansatz interessant fand, ist, dass ich glaube, du hast etwas sehr Ähnliches in seiner Einfachheit gemacht. Also, wenn man mit etwas unglaublich Komplexem konfrontiert wird, ist es besser, ein System zu haben, das all diese Komplexität widerspiegelt, oder im Gegenteil, etwas sehr Einfaches, das einen durch den Sturm steuert?
Joannes Vermorel: In dieser Hinsicht habe ich einige Experimente unternommen. Ich war bestrebt, so viele gute Algorithmen wie möglich aus der Open-Source-Welt für die Zeitreihenprognose zu sammeln. Ich versuche, diese Open-Source-Pakete zu pflegen, die es relativ einfach machen, Dinge zu benchmarken oder herauszufinden, was eine gute Zeitreihe für deinen Zweck ist. Einige davon haben ein eigenständiges Leben entwickelt und versuchen zu überprüfen, ob sie gut darin sind, etwas vorherzusagen. Micro-Prediction ist so etwas wie das M6 für Algorithmen, jedoch typischerweise mit höheren Frequenzen.
Peter Cotton: Natürlich haben wir mit der Zeit Ansichten darüber entwickelt, was tatsächlich funktioniert und was in verschiedenen Situationen robust ist. Ich habe einige Offline-Benchmarks von univariaten Zeitreihen durchgeführt, und es gibt wahrscheinlich 20 oder 50 Python-Pakete für Zeitreihenprognosen. Die meisten von ihnen kapseln andere Pakete wie TSA und stats models. Aber wenn man sie mit klassischen Methoden vergleicht, stellt man fest, dass einfache, präzisionsgewichtete Durchschnitte der jüngsten Leistungen einer Reihe von einfachen Modellen oben liegen. Zu den einfachen Modellen gehören Dinge wie Auto ARIMA und deren Varianten oder sogar noch einfachere Ansätze.
Joannes Vermorel: Für das Publikum denke ich, dass du darauf hinweist, dass P-hacking ein sehr reales Problem ist. Wenn man sich in den Bereich ausgeklügelter Modelle wagt, kann man fast immer ein Modell finden, das zufällig gut performt. Dies kann zu Overfitting und P-hacking führen, bei denen gezielt Dimensionen und Hypothesen ausgewählt werden, um einen statistischen Vertrauentest zu bestehen. Vorhersagewettbewerbe verhindern dies, indem sie die Daten erst freigeben, nachdem die Teilnehmer ihre Ergebnisse eingereicht haben, sodass sie ihre Modelle nicht anpassen können, um gefälschte Ergebnisse zu konstruieren.
Peter Cotton: Genau. Die meiste akademische Literatur besteht aus einem winzigen, geschlossenen Wettbewerb, der vom selben Menschen, der auch als Teilnehmer auftritt, durchgeführt wird. Sie entscheiden, wer sonst noch teilnehmen darf, führen den Wettbewerb 10 Mal durch und veröffentlichen dann das Ergebnis. Es ist lächerlich. Der Sinn von Vorhersagewettbewerben 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, die Vorstellung einer empirischen Literatur zu verspotten. Warum sollte man ein Papier über die Wirksamkeit eines Modells in Echtzeit veröffentlichen, wenn sich das Papier nicht aktualisiert, oder? Ich weiß nicht, was wir tun können, um davon wegzukommen, leider. Wie wir alle wissen und The Economist sagt, besteht der Witz an den Anreizen darin, dass das Problem nicht ist, dass sie nicht funktionieren, sondern dass sie zu gut funktionieren. Wenn der einzige Anreiz darin besteht, Papiere zu veröffentlichen, ist das, was man bekommt. Wenn der einzige Anreiz eine etwas seltsame Metrik für das M6 auf der Investmentseite des Wettbewerbs ist, wirst du feststellen, dass etwa drei von 200 Leuten glauben, dass genau das der Weg ist, um es auszunutzen. So läuft das.
Also, ja, ich plädiere dafür, dass man statt Papiere zu veröffentlichen, seinen Algorithmus nimmt und ihn ewig laufen lässt. Und wir sollten eine Infrastruktur fördern, an der Unternehmen teilhaben können, die es diesen Algorithmen ermöglicht, von einem Geschäftsproblem zum nächsten zu wandern und herauszufinden, ob sie tatsächlich gut performen. Und wenn diese Methoden, die heutzutage aufkommen – und einige von ihnen sind sehr einfallsreich und machine learning – tatsächlich in der Lage sind, gut out-of-sample zu performen und wenn es genügend Daten gibt, damit sie das wirklich tun können, wird es genug Daten geben, um autonom zu bestimmen, ob sie gut sind oder nicht. Und so brauchen wir nicht wirklich Menschen mit ihren starken Meinungen, starken Vorannahmen, Eigeninteressen und Gatekeeping, um zu bestimmen, welcher Algorithmus für ein gegebenes Geschäftsproblem funktionieren sollte. Oft, zumindest in meinem Bereich – und dein Bereich ist etwas anspruchsvoller, weil du langfristigere Vorhersagen hast – aber in meinem Bereich, wenn man vorhersagt, wie viele Kunden in den nächsten fünf Minuten auftauchen oder wie viele Autos in den nächsten zwei Minuten eine Kreuzung passieren, ist das ein großes Datenproblem. Wir sollten nicht zulassen, dass Leute mit ihren PDFs und all dem Drumherum im Weg stehen. Das ist meiner Meinung nach: Lasst uns einfach alles in ein M6 verwandeln, aber beschleunigt oder besser noch: alles in einen Optionsmarkt.
Joannes Vermorel: Ja, und das Interessante ist, dass – noch einmal – für mich Finance einfach die Art von Praxis ist, und das sage ich im positiven Sinne, denn es herrscht in der Öffentlichkeit die allgemeine Vorstellung, dass, wenn es in einem Film einen Bösewicht gibt, es der Finance-Typ und die Optionen sind. Aber meiner Meinung nach sind diese Märkte ein Übung in Rationalität. Ich meine, wenn man zutiefst irrational ist, geht man einfach bankrott. Und nur diejenigen, die über einen sehr, sehr langen Zeitraum ein extrem hohes Maß an Rationalität in ihrem Tun aufrechterhalten, gehen nicht bankrott. Es ist ein äußerst unerbittliches Umfeld. Selbst kleine Ineffizienzen werden sehr schnell ausgenutzt. Wenn man einige Wettbewerber hat, die Jahr für Jahr ein paar Prozent effizienter sind als man selbst, dann verlagern die Leute ihre Mittel zu diesen, und man geht buchstäblich bankrott. Es ist buchstäblich ein rasantes darwinistisches Überleben in Aktion auf eine ziemlich brutale Weise.
Auf gewisse Weise, wissen Sie, bei langfristigen Prognosen – das sind auch die Art von Dingen, die die Leute in supply chains nicht realisieren – dass es viele Unternehmen gibt, die über Jahrzehnte überleben können, nicht weil sie sehr, sehr gut sind, sondern weil es eine unglaubliche Trägheit gibt, die Infrastruktur aufzubauen, die Praktiken zu aktualisieren und so weiter; man kann ein Jahrzehnt oder länger super ineffizient bleiben, bevor es überhaupt einen Unterschied macht. Zum Beispiel haben viele Einzelhändler erst zwei Jahrzehnte nach Amazon das Internet genutzt, um ihren Webstore einzurichten, und sie haben sehr gelitten, anstatt einfach zu verschwinden. In der Finanzwelt gab es viele Dinge – wenn man zwei Jahrzehnte zu spät zur Party kommt, ist das einfach unerträglich. Also, aus einem supply chain Hintergrund, wenn es darum geht, an die Zukunft zu denken, ist eine der beliebtesten Methoden immer noch S&OP, was für Sales and Operations steht. Dabei geht es darum, alle Beteiligten in einem Raum zusammenzubringen und zu diskutieren, damit durch die Diskussion die richtige Prognose entsteht. Aus Ihrer Perspektive als quantitativer Trader, klingt das nach einer vernünftigen Option? So, wir wollen gute Leistungen erbringen, also bringen wir 20 Personen in den Raum, schauen uns diese Diagramme an und stimmen dann ab, um die Prognose zu bestimmen, mit Bonuspunkten, wenn Sie einen höheren Rang in der Organisation haben.
Peter Cotton: Oh mein Gott, um ganz ehrlich zu sein, beneide ich die Menschen nicht, die in der Position sind, ein- oder zweijährige Prognosen zu erstellen. Offensichtlich ist das ein schwieriges Spiel. Die Frage der kollektiven Intelligenz unter Menschen bei solchen Vorhersageaufgaben und wie man das erreicht, hat sicherlich eine interessante Literatur. Aber ich habe das Gefühl, dass manchmal ein einfacher Fakt besteht: der puritanische Bias in den USA steht einfach einer ziemlich offensichtlichen Lösung im Weg. Ich meine, ich bin in Australien aufgewachsen, und wenn man wissen will, welche von zwei Fliegen, die eine Wand hochkrabbeln, zuerst dort ankommt, lässt man einfach auf sie wetten. Es ist wirklich so einfach. Lass uns das nicht verkomplizieren.
Das beste Vorhersagegerät, das erste großartige Vorhersagegerät, wurde in Ellerslie Racecourse in der Größe eines Gebäudes errichtet und wurde, glaube ich, im Jahr 1913 eröffnet. Es war die weltweit erste mechanische Totalisatoren-Maschine. Die Leute konnten Wetten auf Pferde platzieren, und diese riesigen Kolben stiegen langsam in die Luft, um den Leuten anzuzeigen, 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. In 100 Jahren ist das, soweit ich weiß, immer noch der einzig wirklich vernünftige Weg, um zu zukünftigen Wahrscheinlichkeiten von Ereignissen zu gelangen. Ich glaube nicht, dass es eine bessere Erfindung gab.
Joannes Vermorel: Ja, und ein Punkt, der für mich sehr interessant ist, ist, dass du darauf hinweist, dass ein Entdeckungsmechanismus am Werk ist. Genau darum geht es, und darin liegt Genialität. Es geht nicht unbedingt um das Modell, das damit einhergeht, oder den Gedanken an menschliche Einsicht, sondern darum, einen Ansatz zu haben, bei dem man denkt: “Was ist mein Entdeckungsmechanismus, um verlässlichere Informationen über diese Zukunft zu gewinnen? Gibt es überhaupt etwas, das als Entdeckungsmechanismus fungiert, oder erfinde ich mir einfach etwas und erkläre jene Aussagen, die ich implizit über die Zukunft mache, als gut und gültig, bevor ich überhaupt in Betracht ziehe, dass es vielleicht einen Weg dorthin gibt?” Etwas, das mit diesem Entdeckungsaspekt konstruiert wurde, und das ist eine großartige Art, es auszudrücken.
Peter Cotton: Hier habt ihr einen Mechanismus, der in tausend verschiedenen Orten über ein Jahrhundert hinweg erprobt wurde und einfach immer weiter funktioniert. Die Leute werden ständig auftauchen und sagen: “Moment, es gibt noch etwas anderes, das wir tun können”, wie ein großartiges Beispiel für ausgeglichene gewichtete Meinungen in einem Raum, der sich einen Spread anschaut. Nun, vielleicht ist das der richtige Mechanismus für Vorhersagen, wer weiß? Schaut euch die Geschichte an. Ich begann meine Karriere im Jahr 2001 im Kreditbereich und erlebte die Erfahrung von 2006. Ihr hattet einen Markt, der eine implizite Korrelationszahl lieferte, die euch verriet, wie der Markt die relative Kopplung der Geschicke eines Unternehmens zu einem anderen einschätzte. Sagen wir, diese Zahl betrug 30. Die Ratingagenturen verfolgten einen versicherungsmathematischen Ansatz, genau wie die M6-Teilnehmer. Sie ignorierten die Marktinformationen und entwickelten ihr eigenes Modell, oft im Unkenntnis der Mathematik, die manchmal erforderlich ist, um die Informationen zu erkennen. Sie sagten den institutionellen Investoren, dass die Zahl nicht 30, nicht einmal 20, sondern 5 Prozent betrage. Das ist eine riesige Diskrepanz. Also, wie hat sich das entwickelt, abgesehen von einer globalen Finanzkrise und anderen Katastrophen in supply chain? Wie lange wird es noch dauern, bis wir erkennen, dass der Markt der einzige Weg ist? Wie viele Beispiele brauchen wir?
Joannes Vermorel: Das Lustige ist, dass hier eine Art teilweiser Wahnsinn im Gange ist. Nur als Beispiel: Im Einzelhandel arbeitet Lokad mit vielen großen Einzelhändlern zusammen. Typischerweise, wenn es darum geht, die Auswirkung von Aktionen vorherzusagen – wie bei einer 30%igen Preisreduktion auf eine Tafel Schokolade –, sind die Leute von dem Effekt begeistert. Sie wollen den Ausschlag geben und Marktanteile gewinnen. Aber wenn wir uns die Prognosen für die Aktionen ansehen, sind die Zahlen fast immer überhöht. Die Leute denken, der Umsatz wird drei- oder viermal so hoch wie gewöhnlich sein. Doch wenn man ein sehr einfaches Durchschnittsmodell anwendet und sich die vergangenen Aktionen 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 gemindert werden.
Peter Cotton: In der Informatik gibt es ein Motto: Schreibe zuerst den Test. Aber niemand schreibt zuerst den Test, wenn es darum geht, Vorhersagen über die Zukunft zu treffen oder Prognosen zu erstellen, oder? Und nur in etwa fünf Prozent der Fälle schreiben sie den Test im Nachhinein, falls sie jemals in rigoroser Weise zurückgehen und ansehen, was sie tatsächlich getan haben.
Ja, es stimmt. Märkte haben, trotz all ihrer Fehler, eine unglaubliche Art, Disziplin zu fördern. Es gibt einen Grund, warum einige Top-Hedgefonds beispielsweise Dinge wie Poker-Camps einbeziehen. Ich bin aufgewachsen, indem ich versuchte, verschiedene Glücksspielmärkte zu verstehen, und wenn man diese Disziplin nicht hat, wird man nie besser darin, Dinge vorherzusagen. Also, wie schaffen wir diese Disziplin?
Wir wollen nicht, dass die EU vorschreibt, dass jeder seine Modellresiduen auf die Blockchain stellt, da dies aus verschiedenen Gründen ineffizient wäre. Allerdings können wir vielleicht die Leute dazu ermutigen, darüber nachzudenken, wie sie etwas, das Märkten ähnelt, aber leichtergewichtig ist, einsetzen könnten, und anfangen, darüber nachzudenken, wie sie in ihre bestehenden Data-Science-Pipelines passen könnten.
Wir könnten anfangen, die Leute dazu zu ermutigen, zu sagen: “Hey, schau, was machst du mit den Fehlern in deinen Vorhersagemodellen? Wohin gehen sie? Werden sie in den Müll geworfen? Macht sie öffentlich, sind sie wirklich so proprietär?” Die meisten Menschen wissen nicht einmal, was dein Modell ist, oder was du modellierst, oder wie du es früher gemacht hast, und du produzierst etwas, das du als Rauschen deklarierst.
Na, wovor hast du Angst? Das mag ein Ansatz sein. Der Bereich der Vorhersagemärkte ist sicherlich interessant, und zumindest in den USA wurde er über die Jahre hinweg durch Regulierungen ziemlich eingeschränkt. Allerlei Menschen haben versucht, diese Disziplin zu nutzen, aber dann ziehen sie sich zurück, wenn es mit dem Glücksspiel-Label konfrontiert wird. Damit Dinge gut funktionieren, braucht man manchmal ein Staking, sodass Kosten anfallen können. Wir wollen die Welt nicht in Pokermaschinen verwandeln, aber ohne irgendeine Art von Marktdisziplin sehe ich keine Verbesserung. Ich sehe nur eine Wiederholung derselben Dinge.
Joannes Vermorel: Ich glaube, du sprichst einen sehr wichtigen Punkt an, und auch etwas, wofür ich mich seit Jahrzehnten einsetze: Wenn du keine Feedback-Schleife aus der realen Welt hast, während du in deinem mathematischen Raum mit statistischen Modellen und Algorithmen arbeitest, weißt du nicht, ob du verrückte Dinge tust oder nicht.
Die Mathematik sagt dir nur etwas über Konsistenz, ob das, was du innerhalb dieses mathematischen Raums tust, mit sich selbst konsistent ist und nicht mit der Welt. Wenn du keine Feedback-Schleife hast, weißt du es nicht. Im besten Fall, wenn du statistisch und graphisch korrekt bist, bedeutet das lediglich, dass du mit dir selbst konsistent bist, was gut ist, aber nichts über die Welt im Allgemeinen aussagt.
Als du sagtest: “Würdest du ein paar Euro oder Dollar auf den Fall wetten?”, ist das buchstäblich die Feedback-Schleife. Das ist die Strafe, die Belohnung und das Eingehen von Risiken. In supply chain ist eines der Probleme bei diesen Prognoseübungen, dass sie typischerweise völlig von dem, was die Leute tun, abgekoppelt sind.
Das Problem, das ich festgestellt habe, ist, dass die meisten Unternehmen ein Team haben, das die Prognosen erstellt, Zeitreihenprognosen produziert, und dann der Rest des Unternehmens mit den Konsequenzen umgeht. Am Ende hat man sehr merkwürdige Praktiken. Zum Beispiel werden Vertriebsmitarbeiter, wenn sie zur Verkaufsprognose beitragen müssen, ihre Prognose in einem Prozess, der als Sandbagging bezeichnet wird, stark unterschätzen. Warum? Weil, wenn sie ihre Quote mit 100 prognostizieren, aber sicher sind, 200 zu verkaufen, sie ihre Quote überschreiten und ihren Bonus erhalten würden.
Andererseits, in der Produktion, führt eine Prognose eines hohen Bedarfs dazu, dass du mehr Budget bekommst, um deine Produktionsanlage hochzufahren. Wenn du eine Fabrik hast, die doppelt so viel produzieren kann, wie du benötigst, läuft die Produktion reibungslos, weil deine Kapazität weit über dem liegt, was du tatsächlich brauchst. Das Problem ist nicht, dass die Leute diese Spiele spielen; es geht darum, die Feedback-Schleife so zu gestalten, dass die Menschen die Konsequenzen zu spüren bekommen. Du möchtest, dass Prognosemodelle geerdet sind, und finanzielle Anreize wie Wetten können ein unglaublich einfacher und fundierter Weg sein, dies zu erreichen. Operativ ist es auch relativ einfach umzusetzen.
Peter Cotton: Es gab einen guten Teilnehmer im M6-Wettbewerb, den ich das “Philip-Modell” nenne. Ein wichtiger Teil seines Ansatzes war, mehr Daten zu finden. Er war nicht zufrieden mit den von den Organisatoren bereitgestellten Aktien und ETFs, also suchte er nach mehr Daten, baute Modelle und sah, wie sie in einem breiteren Universum abschnitten. Das machte ihn weniger geneigt, sich an eine bestimmte Historie zu überanpassen. Während Vorhersagemärkte umständlich sein können, können leichtgewichtige Alternativen ohne Staking dennoch effektiv sein. Microprediction.org erlaubt es zum Beispiel, dass die Crème de la Crème ohne Staking nach oben steigt.
In meinem Buch spreche ich über “micromanagers”, das sind autonome Mechanismen, die Vorhersagen empfangen oder anfordern und einem vorgelagerten Zweck für eine Business-Anwendung dienen. Es gibt viele verschiedene Mechanismen, dies zu tun. Zum Beispiel verwendet microprediction.org ein kontinuierliches Lotteriesystem mit einer kollektiven Verteilung des zukünftigen Wertes einer Variable. Man kann dafür belohnt werden, dass man die kollektive Verteilung in Richtung der wahren Verteilung lenkt. Es gibt viel Literatur zum Scoring und zur Charakterisierung von Punktschätzungen und Verteilungsannahmen. Die Herausforderung ist mehr kultureller Natur: Wollen Unternehmen die in der Finanzwelt in den letzten 40 Jahren gefundene Disziplin haben?
Joannes Vermorel: Es ist in der Tat ein interessantes Problem, das gelöst werden muss, und die Kultur spielt dabei eine bedeutende Rolle. Supply chain ist ein relativ neues Konzept, das in den 90er Jahren entstand, wobei zuvor die Logistik das dominierende Feld war. Exzellenz in der Logistik bedeutet, keine Unfälle zu haben, Gefahren auszuschließen und Sicherheit am Arbeitsplatz zu gewährleisten. In diesem Bereich wurden große Fortschritte erzielt, sodass gefährliche Berufe viel sicherer geworden sind. Supply chain hingegen konzentriert sich auf den langfristigen Ausblick, darauf, Dinge vor Ort geschehen zu lassen, was eine andere Herausforderung darstellt.
Und das Ding ist, wenn man anfängt, darüber nachzudenken, hört man all diese Konzepte, zum Beispiel die Kullback-Leibler-Distanz, das sind im Grunde alles konzeptuelle Werkzeuge, bei denen man akzeptiert, dass die Zukunft unsicher ist und man daher mit Unsicherheit arbeiten kann, und man hat sogar das mathematische Instrument dazu.
Das ist das Interessante. Die kulturelle Herausforderung für supply chain besteht darin, dass es unglaublich schwierig ist. Die Logistik, aus der supply chain hervorging, diente dazu, Unsicherheit zu beseitigen. Man möchte nicht, dass eine Wahrscheinlichkeit besteht, dass jemand unter seiner Aufsicht stirbt; diese Wahrscheinlichkeit soll null sein oder so unermesslich klein, dass, wenn es passiert, es wirklich etwas ist, das ehrlich gesagt fast unmöglich zu verhindern war. Also wollen die Menschen – und das ist auch gut so – Gewissheit in ihren Prozessen haben. Aber wenn man dann in diese supply chain-Denkweise übergeht, bei der man Jahre im Voraus denkt, und plötzlich kann man diese Gewissheiten für Dinge, die in Jahren geschehen sollen, nicht mehr erlangen. Es gibt eine Kultur, die umgestaltet werden muss, denn vollständige Gewissheit ist vor Ort für den Betrieb sehr gut, aber es ist ein völlig anderes Spiel, wenn man anfängt, an die Zukunft zu denken, insbesondere nicht an die unmittelbare, sondern an ein wenig darüber hinaus.
Conor Doherty: Würdest du schätzen, wie lange es in der Finanzwelt gedauert hat, im Laufe des 20. Jahrhunderts diese elaboriertere probabilistische Vision der Zukunft zu übernehmen? Ich glaube, dass Value-at-Risk-Instrumente in den 80er Jahren eingeführt wurden, aber ich bin mir bezüglich meines Timings nicht zu 100% sicher.
Peter Cotton: Das ist eine gute Frage. Optionsmärkte existierten schon lange davor, und viele Menschen hatten ein ziemlich gutes Verständnis davon, was vor sich ging. Es hat schon immer kluge Menschen gegeben, und sie haben viel publiziert. Data Science ist nicht 10 Jahre alt; es ist mindestens 40 Jahre alt, wenn man die Jim Simons-Biografie liest. Die Idee, dass Wahrscheinlichkeit in Dollars gemessen wird, ist eine sehr alte Idee, und die Vorstellung, dass Wahrscheinlichkeit unzuverlässig ist, wenn sie nicht in Dollars gemessen wird, ist ebenfalls sehr alt.
Conor Doherty: Nur eine letzte Frage, um das Ganze abzurunden. Hat der M6 gezeigt, dass es möglich ist, den Markt zu schlagen und besser zu sein als die, die es historisch über sechs Jahrzehnte hinweg geschafft haben?
Peter Cotton: Das Problem dabei, und es ist eine sehr wichtige Unterscheidung, ist, dass Warren Buffett nicht unter die Top 10 gekommen wäre. Warren Buffett hätte schrecklich kalibrierte Wahrscheinlichkeitsabschätzungen gehabt. Es gibt einen Unterschied zwischen dem Vermögen, den Markt zu schlagen, und der Erstellung derselben oder besserer probabilistischer Abschätzungen, wie es der Markt kann. Weder Warren Buffett noch Jim Simons noch irgendein einzelner Hedgefonds kann das leisten. M6 ist ein Wettbewerb und eine Sammlung individueller Bemühungen, Wahrscheinlichkeiten zu erstellen, aber ein Markt ist weit mehr als das. Es ist eine kollektive Aktivität, und diese kollektive Aktivität kann man nicht schlagen. Vom M6 erwartete ich, einige kluge Köpfe zu finden, und alles Lob gebührt Philip, der mich regelrecht geschlagen hat. Aber wenn man eine numerische Simulation betrachtet, ist es unmöglich zu sagen, dass Philip tatsächlich besser war als ich oder umgekehrt.
Die Gesamtleistung des Optionsmarktes im M6 ist irgendwie überwältigend. Es gab eine Pilotphase, und dann erstes Quartal, zweites Quartal, drittes Quartal und viertes Quartal. In jedem einzelnen Fall, fünf von fünf Malen, befand sich mein Einstieg im obersten Quartil. Wenn das nicht Glück ist, denke ich, dass der M6 den Menschen hoffentlich zeigt, dass die Disziplin des Marktes weit höher liegt als die Disziplin, die sie aus ihren Machine-Learning-Papieren, Konferenzen oder was auch immer gewohnt sind.
Ich hoffe, die Moral ist nicht, dass die Menschen sich von den Märkten fernhalten sollten, weil sie zu schwer zu schlagen sind. Ich hoffe, die Moral ist eine andere, nämlich dass die Menschen anfangen zu überlegen, wie sie die Kraft der Märkte oder ähnlicher Dinge, oder diese Rückkopplungsschleifen, in ihren eigenen Pipelines und Unternehmen einsetzen können. Das hoffe ich, dass die Menschen daraus mitnehmen. Ich bin mir nicht sicher, ob sie das tun werden, aber man kann ja nur hoffen.
Conor Doherty: Ich denke, das ist wahrscheinlich das Ende. Ich werde die Dinge zum Abschluss bringen. Ich möchte dir für deine Zeit danken, Peter, und dir vielen Dank, Joannes, für dein Fachwissen und nochmals Glückwunsch zum M6. Danke an alle zu Hause fürs Zuschauen. Wir sehen uns beim nächsten Mal.
