Kiedy algorytm
zastępuje
intuicję analityka
Przegląd rzeczywistych zastosowań uczenia maszynowego w zarządzaniu portfelem inwestycyjnym. Każdy przypadek opisuje konkretny problem, zastosowane podejście i obserwowane wyniki — bez upiększania danych.
Liczby, które wymagają kontekstu
Selekcja obejmuje rynki akcji, obligacji i surowców z okresu 2018–2024.
Żaden z przypadków nie obejmuje okresu krótszego niż rok — wymaganie metodologiczne.
LSTM, Random Forest, XGBoost i hybrydowe podejście z regresją liniową jako punktem odniesienia.
Portfel akcji małych spółek — problem z danymi historycznymi
Fundusz zarządzający portfelem polskich spółek z segmentu sWIG80 zdecydował się przetestować model Random Forest do prognozowania krótkoterminowych zmian cen. Dane wejściowe obejmowały wskaźniki techniczne, dane makroekonomiczne i wybrane metryki sentymentu z mediów finansowych.
Problem pojawił się na etapie walidacji. Spółki z niską płynnością generowały sygnały, których model nie potrafił odróżnić od szumu rynkowego. Precyzja prognoz dla 40 największych spółek była wyraźnie wyższa niż dla pozostałych — różnica wynosiła kilkanaście punktów procentowych w miarach F1.
Fundusz ostatecznie wdrożył model wyłącznie dla płynnej części portfela, zachowując tradycyjną analizę fundamentalną dla mniejszych pozycji. Decyzja ta była kompromisem wynikającym z ograniczeń danych, nie z wady algorytmu.
- 1 Zbieranie danych: 6 lat historii kursów, dzienne interwały, uzupełnione o dane makro z GUS i NBP
- 2 Selekcja cech: eliminacja skorelowanych zmiennych metodą VIF, pozostawienie 28 z 74 cech wejściowych
- 3 Testowanie poza próbą: walidacja krzyżowa z podziałem czasowym — bez mieszania danych przyszłych z przeszłymi
- 4 Wdrożenie warunkowe: model aktywny tylko przy wolumenie powyżej określonego progu płynności
Co działa, a co wymaga ostrożności
Algorytmy wykazują przewagę przy przetwarzaniu dużych zbiorów danych nieustrukturyzowanych — szczególnie tekstu z raportów kwartalnych i komunikatów prasowych. Analityk ludzki przetwarza te źródła wolniej i selektywnie.
Modele słabo radzą sobie z zdarzeniami bez precedensu w danych treningowych. Kryzysy regulacyjne, nagłe zmiany polityki monetarnej i zdarzenia geopolityczne pozostają poza ich skutecznym zasięgiem.
Każdy z analizowanych przypadków, w którym model przyniósł mierzalne korzyści, miał jedno wspólne: dyscyplinę w zarządzaniu danymi treningowymi. Jakość danych wejściowych determinowała wyniki bardziej niż wybór architektury.
Od 2014 roku obserwujemy, że najlepsze wyniki osiągają zespoły łączące modele ilościowe z doświadczeniem analityków — nie te, które próbują całkowicie wyeliminować czynnik ludzki.