W dniu 10 października 2025 r. o godz rynki kryptowalut doświadczyły wstrząsu sejsmicznego. W ciągu kilku minut kaskada likwidacji zmiotła miliardy otwartych udziałów, paraliżując standardowe algorytmy handlowe. To nie był tylko spadek cen; była to strukturalna wada modeli predykcyjnych. Strategie, które od miesięcy drukowały pieniądze, nagle stanęły w obliczu stanu rynkowego, którego nie było w ich danych szkoleniowych.
To wydarzenie posłużyło jako brutalne przypomnienie: w świecie finansów ilościowych, w którym stawki są wysokie, poleganie na uczeniu maszynowym (ML) stało się absolutne, ale jego słabe punkty pozostają fatalne. Od algorytmów handlu o wysokiej częstotliwości (HFT) wykonywanych w nanosekundach po złożone wyrocznie DeFi – branża uczestniczy w wyścigu zbrojeń o dominację w danych. Kiedy jednak uderza „czarny łabędź”, modele wytrenowane na danych historycznych nie tylko osiągają gorsze wyniki, ale wręcz się psują.
Stwarza to paradoks dla nowoczesnych firm handlowych: jak zbudować odporne systemy, gdy podstawowe narzędzia są ślepe na najważniejsze ryzyka?
Aby odpowiedzieć na to pytanie, usiedliśmy z Grigorij Czikiszewlider zespołu i handlowiec ilościowy w firmie Kwantowe mózgi. Dzięki ponad dziewięcioletniemu doświadczeniu w tworzeniu rozwiązań infrastrukturalnych dla rynków – od algorytmów HFT i modeli ML po systemy oceny przepływu oparte na grafach – Grigory spędził swoją karierę na skrzyżowaniu szybkości wykonywania i odporności systemowej. W Quantum Brains przekształcił procesy rynkowe w skalowalne architektury zaprojektowane tak, aby wytrzymać zmienność, która łamie standardowe modele.
Oto jego punkt widzenia na temat tego, dlaczego branża musi wyjść poza „czarną skrzynkę” i jak zaprojektować prawdziwą antykruchość.
Zen nieprzewidywalnego
Kiedy dyskusja schodzi na temat niepowodzenia modeli ryzyka podczas wydarzeń takich jak niedawny krach w październiku, pandemia Covid-19 czy kryzys finansowy w 2008 r., standardowa krytyka jest taka, że modele „nie przewidziały” zdarzenia. Grigorij całkowicie kwestionuje to założenie. Twierdzi, że oczekiwanie, że model ML będzie przewidywał osobliwość, jest matematycznie błędne i że rozwiązaniem nie jest lepsze przewidywanie, ale lepsza akceptacja.
„Chciałbym od razu zaznaczyć, że nie widzę problemu w istnieniu czarnych łabędzi. Z definicji są to zdarzenia niemożliwe do przewidzenia. I nic na to nie poradzimy. Przykładowo kometa zderzająca się z Ziemią: niemal na pewno możemy powiedzieć, że nie stanie się to w ciągu najbliższych tygodni, a nawet lat, ale nikt nie wie, co dzieje się w niewidocznej części galaktyki…
Słowo „porażka” może być przesadą. Jeśli z góry wiemy, że nie jesteśmy w stanie przewidzieć zdarzenia A, powinniśmy zaakceptować jego wystąpienie z buddyjskim spokojem.
Akceptacja nieprzewidywalności nie oznacza jednak ignorowania konsekwencji. Grigorij zwraca uwagę, że chociaż model nie jest w stanie przewidzieć chronometraż kryzysu eksperci w dziedzinie ludzkiej muszą zaprojektować systemy, które rozumieją konsekwencje najgorszego scenariusza – coś, czego często brakuje w modelach opartych wyłącznie na danych, ponieważ po prostu nie ma punktów danych.
„Gdzieś pomiędzy tymi dwiema liczbami znajduje się punkt krytyczny, który oddziela wydarzenie przewidywalne od nieprzewidywalnego (czarny łabędź). Podstawową wadą każdego modelu jest to, że nie może on obliczyć tego punktu… Możemy jedynie przygotować się na najgorszy scenariusz, którego model NIE OBEJMUJE”.
Mit kompromisu w zakresie przejrzystości
Istotną debatą w finansach ilościowych jest napięcie między wyjaśnialną sztuczną inteligencją (XAI) a zyskiem. Przeważająca opinia sugeruje, że modele „czarnej skrzynki” (modele głębokiego uczenia się bez nadzoru, które są trudne do interpretacji) są bardziej opłacalne, ponieważ są bardziej złożone, a zmuszanie ich do wyjaśnienia (w celu zapewnienia zgodności z przepisami) spowalnia wykonanie i stępia ich przewagę.
Grigorij stanowczo nie zgadza się z tą dychotomią. Dla niego przejrzystość nie jest obciążeniem regulacyjnym; jest to narzędzie do debugowania.
„Bardzo wątpię, czy podejście oparte na czarnej skrzynce lub bez nadzoru okaże się ostatecznie bardziej skuteczne niż podejście oparte na białej skrzynce przy bezpośrednim porównaniu… Dlatego wszelkie wysiłki zmierzające do „interpretacji na poziomie regulacyjnym” wychodzą tylko na lepsze. Gdyby Twoje nowo narodzone dziecko potrafiło wyjaśnić, co go boli, byłoby to bardzo wygodne i wyraźnie pomogłoby w jego wychowaniu”.
Sugeruje, że nieprzejrzystość strategii handlowych jest często maską szczęścia, a nie geniuszu – w szczególności błędu związanego z przetrwaniem.
„Jeśli widzisz skuteczną strategię uczenia maszynowego, która „nie jest jasna, jak działa”, najprawdopodobniej jedna z dwóch rzeczy jest prawdziwa:
- Albo jego twórcy właściwie wszystko rozumieją, ale wolą trzymać swoje karty blisko piersi.
- Albo mamy do czynienia z błędem dotyczącym przeżywalności… Jeśli 1024 osoby dokonają łańcucha 10 przewidywań binarnych, dokładnie jedna z nich będzie całkowicie poprawna w każdym przewidywaniu.
Niestety, czasami oba powody są prawidłowe. Dlatego zawsze żądaj wyjaśnień od swojego agenta AI!”
Inżynieria antykruchości
Jeśli przewidywanie jest niemożliwe, jedyną realną strategią jest antykruchość – zdolność systemu do czerpania korzyści z nieporządku, koncepcja spopularyzowana przez Nassima Taleba. Jednak wdrożenie tego w sprzęcie i infrastrukturze jest niezwykle trudne. Zbudowanie systemu, który w czasie krachu wytrzyma 100-krotnie większe obciążenie rynkowe, jest często zbyt kosztowne.
Podejście Grigory’ego do infrastruktury w Quantum Brains przedkłada elastyczność nad zdolność do stosowania brutalnej siły.
„Nie możesz przygotować swojej infrastruktury na wypadek czarnego łabędzia. Na przykład, jeśli obliczysz szczytowe obciążenie swojego serwera i pozwolisz na 100-krotny wzrost, to w prawie 100% przypadków stracisz pieniądze na niewykorzystanych zasobach… Ale możesz przygotować elastyczny system, aby zmniejszyć koszty zasobów. Na przykład po prostu zamykając kolejne konfiguracje handlowe. Jaki jest w ogóle sens, jeśli wszystko pójdzie do piekła?”
Ta elastyczność pozwala firmie przetrwać początkowy szok. Ale właściwie zysk od przemieszczenia – aby być naprawdę antykruchym – wymaga zmiany sposobu myślenia. Wymaga uznania, że gdy zawodzą algorytmy innych, rynek nie jest już efektywny.
„Powtarzam, mówimy o sytuacji, której nie przewidziały nasze modele… W tym sformułowaniu jest też dobra wiadomość: możemy założyć, że inni uczestnicy rynku przeżywają ten sam „trudny” scenariusz. 10 października kryptowaluty przeżyły znaczny szok, który spowodował likwidację wielu pozycji. Część uczestników dosłownie opuściła rynek: albo wybrali drugą opcję (shutdown), albo po prostu nie mieli na to czasu (RIP).
To był dobry moment na wykorzystanie nieefektywności lub wykorzystanie szans, które zwykle byłyby zamknięte… W pewnym sensie jest to również droga Taleba: aby uniknąć bycia indykiem, po prostu nie musisz nim być”.
Element ludzki w grze o sumie zerowej
Ponieważ sztuczna inteligencja nadal dominuje w realizacji transakcji, wiele osób kwestionuje przyszłą rolę ludzkiego handlowca ilościowego. Jeśli maszyny radzą sobie z przepływem, ryzykiem i wykonaniem, czy człowiek jest przestarzały?
Grigorij wierzy, że sama natura rynku chroni pierwiastek ludzki: jest to gra o sumie zerowej, której motorem jest chęć wygranej, emocja, której nie posiadają algorytmy. Chociaż sztuczna inteligencja może działać, brakuje jej motywacji do „pokonania” rynku, który napędza prawdziwe innowacje.
„Handel różni się od wielu innych dziedzin, w których sztuczna inteligencja aktywnie się rozwija, ponieważ jest to gra o sumie zerowej… Wyobraźmy sobie skrajność: na rynku nie ma już żywych uczestników… Czy jest tu miejsce dla człowieka? Moim zdaniem nie ma.
Ale na szczęście… w prawdziwym świecie zawsze znajdą się żywi uczestnicy… Kolejnym czynnikiem ludzkim jest nadmierna pewność siebie. Myśl: „Jestem człowiekiem, będę bardziej pomysłowy i oryginalny niż sztuczna inteligencja” nigdy nie opuści naszych umysłów”.
Ostatecznie przyszłość handlu ilościowego nie polega na zastępowaniu ludzi sztuczną inteligencją, ale na tym, że ludzie będą wykorzystywać sztuczną inteligencję do konkurowania z innymi ludźmi. Algorytm jest bronią, a nie żołnierzem.
„Jak powiedziałem, to gra o sumie zerowej. Jednak algorytm nie jest zainteresowany zarabianiem pieniędzy w takich warunkach. Tylko homo sapiens zawsze będzie miał ochotę „pokonać” innych”.
