Ar yra kas nors bendro tarp dirbtinio intelekto ir turto valdymo? Ar matematiniai algoritmai gali „priimti sprendimus“ investuojant? Ar tikrai daktaro laipsnis atveria karjeros galimybes Londono Sityje? Apie tai kalbėjome su pirmojo ir vienintelio Baltijos šalyse algoritminės prekybos metodu veikiančio investicinio fondo „Algoritmic Trading Portfolio“ valdytoju dr. Aisčiu Raudžiu.

Papasakokite apie savo studijas ir karjeros pradžią. Ar jau iš anksto žinojote, kuri sritis Jus traukia?

Informacinių technologijų sritis domino mane nuo pat vaikystės. Programuoti pradėjau būdamas 11 metų. Mano pasirinkimui nemažai įtakos turėjo tėtis. Jis dirbo Matematikos ir informatikos institute, tad būdamas dvylikametis jau padėjau jam programuoti neuroninius tinklus. Tuomet dar nelabai gerai supratau, kas vyksta tarp kintamųjų, tačiau programuojant sudėliodavau, kaip viskas turi atrodyti.

Kai atėjo laikas rinktis studijas, natūralu, kad pasirinkau informatiką – Vilniaus universitete baigiau bakalauro, o Kauno technologijos universitete – magistro studijas. Beje, su pagyrimu. Vėliau Matematikos ir informatikos institute apsigyniau daktaro disertaciją dirbtinio intelekto srityje.

Nusprendžiau jėgas išbandyti užsienyje. Karjerai finansų sektoriuje kelius išties atvėrė mokslų daktaro diplomas. Neturėdamas jo, tikrai būčiau sunkiai patekęs ten, kur norėjau, daktaro laipsnis užsienyje yra labai vertinamas. Jungtinėje Karalystėje praleidau 10 metų, nes darbas su duomenų sistemomis ir valdymu man buvo labai įdomus. Į Lietuvą grįžau 2009 metais jau žinodamas, kad kursiu algoritminės prekybos fondą.

Kaip kilo mintis gilintis į dirbtinio intelekto sritį? Ar dirbtinio intelekto ir turto valdymo sritys turi bendrumų?

Dirbtinis intelektas ir duomenys turi labai daug bendrumų. Dirbtinis intelektas apima kompiuterio sugebėjimą išmokti atrasti sąryšius tarp tam tikrų duomenų. Pavyzdžiui, žinodamas žmogaus ūgio ir svorio duomenis jis gali nustatyti, kad aukštesnis žmogus svers daugiau. Dirbtinio intelekto principus galima pritaikyti įvairiose srityse, taip pat ir turto valdyme. Tačiau finansų sektoriuje tai padaryti sudėtingiau dėl atsitiktinumų, taip vadinamo „triukšmo“. Įsitikinau, kad geriausia dirbtinį intelektą derinti su algoritmais. Pavyzdžiui, yra žinoma, kad, kai rinkos krenta, yra tendencija joms „atšokti“. Žinant tai, galima „paprašyti“ algoritmo išmokti, kiek turi nukristi rinkos ir kada jos atsistatys („atšoks“).

Esate aktyvus mokslo srityje. Kokią mokslinę tiriamąja veiklą vykdote? Kokios sritys Jus dar domina?

Nuo 2009 metų, kai grįžau iš Jungtinės Karalystės, Vilniaus universitete Matematikos ir informatikos fakultete dėstau savo sukurtą algoritminės prekybos pasaulio biržose kursą. Taip pat dalyvauju rengiant įvairius Lietuvos mokslų tarybos organizuojamus projektus, siekdamas gauti finansavimą moksliniams tyrimams. Jau du kartus esu gavęs finansavimą ir vadovavęs tyrimams „Skaitinis intelektas portfelio algoritmų kūrime finansinių sukrėtimų laikotarpiais“ ir „Likvidumo analizė siekiant sumažinti investavimo kaštus vertybinių popierių rinkose“. Taip pat vadovauju doktorantūros studentų mokslo darbams. Taigi visa savo veikla siekiu skirtingais būdais vis toliau gilintis į tą pačią temą – didelės apimties duomenis, finansus, algoritminę prekybą. Norisi, kad mokslas ir akademinė veikla nevyktų tuščiai, kad nebūtų tiesiog gilinamasi į iškeltą teorinę problemą, kuri aplinkai išties nėra tokia svarbi.

Ar jaučiate, jog ateityje algoritminės prekybos sritis bus išties perspektyvi, ar studentai aktyviai ja domisi?

Pirmais metais susidomėjimas buvo išties didžiulis. Vėliau dalis, kurie tiksliai nežinojo, ko nori, atkrito. Dabar labai džiaugiuosi, kad kursą renkasi išties motyvuoti studentai. Mano tikslas – rasti ir užsiauginti sau būsimus darbuotojus. Šiuo metu jau trys buvę ir esami studentai dirbo ar dirba pas mane ir atlieka tyrimus.

Kas sukūrė ir kuria ATP algoritmus, kurie yra naudojami investuojant?

Šiuo metu turime apie 6 tūkstančius algoritmų, jų autoriai skirtingi. Pirmiausia gimsta algoritmo idėja. Tuomet patikrinama, ar esant tam tikroms sąlygoms siūloma tendencija vis pasikartoja ir kaip pasikartoja. Vėliau algoritmas testuojamas naudojant 10 metų istorinius duomenis. Žiūrima, ar jis pelningas, po to optimizuojami parametrai, siekiant padidinti pelningumą. Galiausiai algoritmai testuojami naudojant realaus laiko duomenis su netikra sąskaita. Jeigu visi šie žingsniai yra sėkmingi, algoritmas pradedamas naudoti.

Geras algoritmas paprastai būna paprastas. Kuo sudėtingesnė schema tuo didesnė prisiderinimo prie istorinių duomenų rizika. Jau turint gerą idėją vieno algoritmo kūrimas ir tobulinimas vidutiniškai trunka apie savaitę. Dar savaitę reikia praleisti koeficientų kalibravimui. Geros idėjos suradimas yra pats sunkiausias momentas, tačiau dirbant jos kartais kyla spontaniškai.