Ричард Крейб (Richard Craib) — основатель Numerai, хедж-фонда нового типа, который использует краудсорсинг и машинное обучение для предсказания движений фондового рынка. В беседе с Тедом Сайдсом (Ted Seides) он объясняет, как объединить анонимных дата-сайентистов со всего мира, криптоэкономические стимулы и теорию количественных финансов для создания «метамодели», способной стабильно генерировать альфу в любых рыночных условиях.
📈 Путь от библиотеки в Кейптауне до хедж-фонда на машинном обучении 2:17
Ричард Крейб начал интересоваться фондовым рынком в восемь лет, когда отец подарил ему первые акции . Будучи подростком в Кейптауне, он бегал в школьную библиотеку сразу после уроков, чтобы успеть к открытию торгов в США и совершать сделки с библиотечных компьютеров . Однако настоящий профессиональный прорыв произошел в 18 лет, когда Крейб осознал, что популярная финансовая литература и телеканалы вроде CNBC — это «информационный фастфуд» . По его мнению, глубокое понимание рынка дает только изучение чистой математики, чем он и занялся в университете.
После выпуска в 2012 году Ричард Крейб попал в индустрию на пике прорывов в области ИИ (беспилотные авто, покупка DeepMind компанией Google) . Его первым местом работы стал квантовый фонд, где он получил карт-бланш на создание модели глобального рынка акций с нуля.
Важные принципы первого опыта Ричарда :
- Высокая емкость стратегии: Вместо того чтобы фокусироваться на краткосрочном трейдинге (как Renaissance Technologies), он строил модель на фундаментальных данных с длинным горизонтом удержания позиций, чтобы управлять миллиардами, а не миллионами долларов.
- Отказ от гипотез: В отличие от классических квантов, которые находят «аномалию» и проверяют её, Крейб применил подход theory-free model — когда алгоритм сам ищет закономерности в огромном массиве данных без предвзятости исследователя .
🧠 Концепция Numerai: краудсорсинг интеллекта 10:19
Идея Numerai родилась из наблюдений за платформой Kaggle, где дата-сайентисты со всего мира соревновались в решении сложных задач. Крейб заметил, что внешние специалисты часто «громили» внутренние бенчмарки таких гигантов, как Netflix .
Он решил перенести эту модель в финансы, создав закрытый хедж-фонд с открытым доступом к данным для моделирования.
Основные характеристики системы:
- Обфускация данных: Чтобы защитить интеллектуальную собственность и предотвратить копирование сделок, Numerai скрывает названия компаний и значения признаков (features) . Дата-сайентисты видят только столбцы цифр от 0 до 1, но для машинного обучения этого достаточно, чтобы выявить паттерны.
- Анонимность и глобальность: Участникам не нужно иметь финансовое образование. Ричард Крейб приводит пример: разработчики Google Translate могут не знать языков, но отлично моделируют данные . Точно так же специалист из NASA может строить лучшие модели для рынка акций в свободное время .
- Крипто-стимулы: Numerai выплачивает вознаграждения в собственной криптовалюте NMR. С момента запуска фонд выплатил участникам более 30 миллионов долларов .
⛓️ Механика стекинга и решение проблемы «плохих данных» 18:26
Ключевым нововведением Numerai стал механизм «стекинга» (staking). В первые годы существования проекта Крейб столкнулся с проблемой: модели участников хорошо работали на исторических данных, но «ломались» в реальности (overfitting) .
Чтобы заставить участников отвечать за результат, Numerai ввел правило:
- Дата-сайентист отправляет прогноз и «ставит» на него свои токены NMR .
- Если прогноз совпадает с рыночными данными, стек растет.
- Если модель ошибается, часть токенов безвозвратно уничтожается («сжигается») .
По словам Ричарда Крейба, это создает систему skin in the game (шкура на кону), аналогичную подходу Millennium Management, где каждый управляющий предельно мотивирован не терять деньги . Стекинг отфильтровал случайных людей, оставив только тех, кто уверен в надежности своих алгоритмов.
🤖 Построение портфеля и «Метамодель» 21:19
Numerai не использует присланные данные как готовые торговые советы. Вместо этого компания собирает все прогнозы в единую «Метамодель» .
Процесс выглядит так:
- Сбор сигналов: Модели 5500 дата-сайентистов превращаются в длинный вектор прогнозов по 5000 акциям в глобальной вселенной фонда.
- Взвешивание по стеку: Чем больше денег участник поставил на свою модель, тем больший вес его прогноз имеет в общем результате .
- Оптимизация и риск-менеджмент: Полученный сигнал прогоняется через оптимизатор. Фонд придерживается политики «нейтральности» (factor neutral), убирая риски стран, секторов и классических факторов, таких как моментум или стоимость . Крейб утверждает, что фонд остается рыночно-нейтральным, стараясь генерировать чистую, идиосинкразическую альфу .
- Удержание позиций: Несмотря на использование ИИ, фонд торгует медленно. Средний срок владения акциями составляет 3–4 месяца .
🛡️ Устойчивость и будущее AI-фондов 38:18
Ричард Крейб считает, что в периоды рыночного стресса Numerai имеет преимущество. Когда факторы (например, моментум) рушатся, нейтральный фонд этого просто не замечает . В случае низкой доходности «наказываются» в первую очередь не инвесторы, а дата-сайентисты, чьи токены сгорают . Это заставляет сообщество мгновенно адаптироваться и искать новые архитектуры моделей.
Заглядывая вперед, Крейб видит потенциал в использовании больших языковых моделей (LLM) для создания новых факторов (features) на основе новостей и аналитики . Он уверен, что наступает эра «третьего поколения» хедж-фондов, где ИИ является не просто инструментом, а фундаментом всей структуры.
👤 Личные уроки и вызовы 46:52
Самым сложным периодом для Крейба стал 2018 год, когда упал крипторынок, фонда не показывал доходности, а внутри команды начались конфликты . Один из инвесторов даже предложил ему закрыть дело и заняться чем-то другим. Крейб признается, что эта попытка «дать разрешение на уход» его невероятно разозлила и заставила работать еще упорнее .
Главный жизненный урок, который Крейб усвоил как лидер: управление людьми — это самостоятельный навык, который нельзя свести только к математическим формулам .
