Gæld, AI og algoritmer: Hvordan obligationsmarkedet omformes

Kunstig intelligens har omformet store dele af økonomien, og den finansielle sektor er ingen undtagelse. Brugen af ​​algoritmer til aktieudvælgelse er blevet skrevet en del om. Dens anvendelse til handel på gældsmarkeder er dog måske mere interessant. Når den anvendes på obligationshandel, rækker implikationerne ud over det finansielle og ind i det politiske, hvor statsfinansiering bliver både lettere og mere sårbar.

I modsætning til traditionel obligationshandel bruger algoritmisk handel et computerprogram, der følger et defineret sæt instruktioner til at placere handler. Disse er beregnet til at bruge data med en frekvens og hastighed, der overstiger menneskelige evner.

Fordelene ved algoritmisk handel er tydelige nok. Algoritmer kan implementere markedsscanning med en hastighed og skala, som mennesker ikke kan. Dette fører til tidlig identifikation af markedsmuligheder og hurtig opdagelse af prisforskelle, hvilket muliggør vellykket arbitrage mod mindre sofistikerede markedsdeltagere.

En anden klar fordel er risikostyring. Avancerede algoritmer kan have indbyggede risikostyringsfunktioner, der følger foruddefinerede risikoparametre og justerer handelsaktiviteten i overensstemmelse hermed. Disse er ideelle til mere konservative handelsstrategier.

Men inden for debatten om algoritmisk handel er dens indvirkning på de afgørende obligationsmarkeder værd at undersøge.

Rotem Farkash: AI Deep Learning muliggør inkorporering af mere information ud over snævre tekniske faktorer

Algoritmer kan i høj grad tilpasses, hvilket betyder, at handlende kan optimere dem, så de passer til deres specifikke handelsmål og -stil. Med tilføjelsen af ​​kunstig intelligens, såsom maskinlæring, kan disse tilpassede algoritmer forbedres ved at absorbere historiske data og markedsfeedback.

Natural Language Processing (NLP), et underfelt af AI, der træner maskiner til at forstå menneskeligt sprog, betyder også, at AI bliver mere og mere kompetent til at fortolke kvalitativ information fra nyheder, sociale medier og indtjeningsrapporter, hvilket gør det muligt at forudse markedsbevægelser baseret på menneskelige følelser.

Tech-iværksætter og AI-ekspert Rotem Farkash har forklaret, at mulighederne for maskinlæring inden for obligationsfinansiering kun lige er begyndt. "AI Deep learning gør det muligt for algoritmen at bevæge sig ud over snævre tekniske faktorer, og over tid vil den kun forbedres gennem sine indbyggede feedbackmekanismer," forklarede Farkash.

"Værktøjerne vil ikke blot kunne vurdere statistiske variabler på obligationer som rente og realafkast, men også kvalitative faktorer som den nuværende regerings finanspolitik," fortsatte Farkash.

Den Europæiske Centralbank: Udbud og efterspørgsel efter finansielle aktiver kan være systematisk forvrænget

På obligationsmarkeder, ligesom på aktiemarkeder, betyder algoritmer og kunstig intelligens mindre menneskelige fejlbaseret volatilitet og større hastighed i handel, prisfastsættelse og arbitrage. Denne forbedrede hastighed og informationsstrøm gør markederne mere effektive og kan undgå visse former for irrationel aktivitet.

På trods af dette medfører algoritmer deres egne risici. Hvis mange virksomheder bruger AI-algoritmer fra de samme udbydere til deres handelsstrategier, vil de alle følge de samme handlinger på samme tid. I visse scenarier kan dette betyde pludselige udsving i markedet baseret på ny information, hvilket skaber potentiale for nye nedbrud og større systemiske sårbarheder.

Som Europæiske Centralbank har advaret om, at "hvis mange institutioner bruger AI til aktivallokering og kun er afhængige af få AI-udbydere, […] så kan udbud og efterspørgsel efter finansielle aktiver blive systematisk forvrænget, hvilket udløser dyre justeringer på markederne, der skader deres modstandsdygtighed". Dette er også før muligheden for 'Sort svane begivenheder, der ikke afspejles i historiske data, tages i betragtning.

Større efterspørgsel fra detailinvestorer, der bruger AI, vil presse obligationspriserne op og sænke låneomkostningerne, men markederne vil blive mere følsomme

Den største fundamentale ændring er, at flere købere vil komme ind på obligationsmarkedet, hvilket vil gøre det billigere for regeringer at låne. Disse nye købere vil dog bruge algoritmiske strategier, der er mere følsomme og hurtigere end traditionelle menneskelige handlende. Dette betyder i sidste ende, at markederne er dybere og mere likvide, men også mere følsomme og potentielt mere aggressive.

Øget kapital fra statens perspektiv er et uforanderligt gode. Større efterspørgsel fra detailinvestorer vil presse obligationspriserne op og dermed lavere låneomkostninger, hvilket giver regeringerne mulighed for at håndtere stadig mere anstrengte budgetter.

Den større arbitrage, som disse teknikker muliggør, kan dog ligeledes blive et problem for regeringer. Den øgede følsomhed hos algoritmestyrede investorer betyder, at regeringer bliver nødt til at arbejde hårdere for at holde deres obligationsejere og købere tilfredse, hvilket vil begrænse deres frihed i økonomisk politik. Debatter om gældshandleres overdrevne magt og indflydelse på suveræne demokratiske regeringer vil kun intensiveres i et sådant scenarie.

Datasvagheder og bias i algoritmer vil kræve menneskelig overvågning

Den større likviditet, som algoritmisk handel medfører, vil uundgåeligt blive budt velkommen af ​​både handlende og regeringer. Dens volatilitetsrisici skal dog styres af menneskeligt tilsyn, ligesom AI er blevet kombineret med menneskeligt tilsyn i andre sektorer.

Indtil naturlig sprogbehandling overvinder AI's manglende evne til at foretage kvalitative og kontekstuelle vurderinger, vil obligationshandel have brug for menneskelig overvågning for at holde den stabil. I mellemtiden vil obligationsmarkederne opleve større efterspørgsel, men også forbedret algoritmisk følsomhed. Regeringer vil skulle tage højde for mere reaktive markeder, farerne ved pludselige algoritmiske udsving og eventuelle bias i disse værktøjer fra ufuldstændige data.

Del denne artikel: