Экономика и венчур. О чем писали в блогах - Wealth Navigator

Экономика и венчур. О чем писали в блогах

Сэм Альтман – о достижениях, ошибках и перспективах. Джон Кохрейн – о том, сколько те-ряет американская экономика из-за несовершенного регулирования. Как AQR Capital Management доверила искусственному интеллекту составление инвестиционных портфелей и когда стейблкойнами можно будет расплатиться за кофе.

Какие инновации кроме ИИ, биотехнологий и криптовалюты могут принести перемены и возможности в 2025 году? Своими прогнозами поделились партнеры a16z. По их мнению, новая волна потребности в атомной энергии будет связана со спросом со стороны ИИ. Инженеры разной специализации в ближайшие 10 лет заместят «традиционных» программистов. Устройства с расширенной реальностью станут инструментом, который позволит разработчикам создавать приложения для реального мира. Данные наблюдения из космоса все чаще станут использоваться в реальном бизнесе.

Сэм Бронер

Интерес к стейблкойну и взаимным расчетам (peer-to-peer) как альтернативе кредитным картам будет расти, считает инвестпартнер криптокоманды a16z Сэм Бронер. Первыми на них могут переключиться небольшие предприятия с сильными брендами и лояльными клиентами – рестораны, кофейни, магазины «за углом». Защита кредиток от мошеннических операций не приносит таким бизнесам никакой пользы, а стоимость транзакций чувствительна: 30 центов за стакан кофе – достаточно существенная потеря маржи.

Если стейблкойны действительно ускорят развитие банковской истории, предприятия сделают попытку устранить посредников в платежных системах и добавить 2% непосредственно к своей собственной прибыли. Также они начнут искать новые решения проблем, с которыми сталкиваются платежные системы, например идентификация, защита от кибермошенничества.

Цена регулирования

Джон Кохрейн
© stanford.edu

Во сколько обходится американской экономике нездоровое регулирование? Таким вопросом задается известный американский экономист Джон Кохрейн. Он обращается к опыту Аргентины, где министр преобразований Федерико Штурценеггер прикинул приблизительную формулу: после отмены регулирования цены снижаются примерно на 30%. Так было с текстилем, логистическими услугами, некоторыми сельскохозяйственными продуктами. Отмена контроля за арендной платой в Аргентине снизила ее примерно на столько же.

Снижение цен на 30% говорит о том, что экономическая выгода от дерегуляции составляет как минимум 30% от текущего дохода. Реальный ВВП – это произведение цены и количества. Так что, даже если количество товара не изменится, у людей прибавится денег, которые можно будет потратить на другие цели. Если цены на аренду, ткани и логистику снизятся на 30%, предприниматели, которые платят за аренду, производители одежды и все, кто отправляет товары грузовиками, смогут расширить свой бизнес. 30% – это много, это 10 лет дополнительного роста на 3% в год, отмечает автор. Это намного больше, чем ожидают большинство экономистов.

Кохрейн вспоминает, как несколько лет назад ему досталось за предложение улучшить экономические показатели США (и без того высокие), устранив оставшиеся препятствия для бизнеса. Бизнес в США зарегулирован меньше, чем в остальных странах. Но, возможно, нам стоит взглянуть на недорогой китайский импорт и вместо обычных криков и оправданий типа «субсидии, нечестно, избыточное производство, валютные манипуляции» осознать, что это некоторым образом отражает наши нормативные препятствия, призывает Кохрейн. По его мнению, некоторые регуляторные меры важны, но не все.

Почему экономисты не уделяют больше внимания «умному» регулированию? Это гораздо сложнее контрпродуктивных контрольных мер. Как герой анекдота ищет потерянные ключи под фонарем, а не там, где потерял их, так и экономисты концентрируют внимание на том, что можно посчитать. А измерить экономический ущерб от регулирования очень сложно. Как и посчитать все товары и услуги, которые бизнес мог бы создать, если бы его не душило регулирование.

Сэм Альтман вспоминает

Сэм Альтман
© TechCrunch, CC BY 2.0

ChatGPT в конце 2024‑го исполнилось два года. В этой связи гендиректор OpenAI Сэм Альтман в своем блоге вспоминает главные вехи разработки ИИ-бота и последствия, к которым привело его появление. По его словам, восемь лет назад основатели OpenAI хотели оставить след в истории и верили, что их работа принесет огромную общественную пользу.

С созданием ChatGPT начался такой рост, какого мы раньше не видели – ни в самой OpenAI, ни в индустрии, ни в мире. Потенциал роста, который заметен уже сейчас, скоро будет еще больше, обещает Альтман. Были и ошибки, признает он. Нет другого способа научить людей, как строить компанию с нуля, кроме как делать это. Ошибки исправляются по мере продвижения, нет никаких учебников или инструкций, когда ты создаешь что-то впервые.

Альтман вспоминает один из самых драматичных эпизодов своей карьеры: «Чуть больше года назад в пятницу меня неожиданно уволили прямо во время видеозвонка. А сразу после правление опубликовало об этом сообщение в блоге. Я находился в номере отеля в Лас-­Вегасе. За публичным увольнением без предупреждения последовало несколько сумасшедших часов и дней». Альтман называет это большим провалом в управлении, но не снимает вины и с себя: «Хотелось бы верить, что сегодня я лучший и более вдумчивый лидер, чем год назад. А хорошее управление требует большого доверия».

Количество активных пользователей ChatGPT прирастает на 300 млн в неделю. Многие из тех, кто скептически относился к ИИ, стали его верными сторонниками, пишет Альтман. «Девять лет назад мы не представляли, что у нас получится, и даже сейчас мы знаем это приблизительно. В развитии ИИ было много взлетов и падений, в будущем мы ожидаем их еще больше. В начале мы не предполагали строить продуктовую компанию и рассчитывали заниматься исключительно исследованиями. И мы не планировали, что понадобится такой сумасшедший капитал».

Альтман ожидает, что в 2025 году первые агенты ИИ станут частью «рабочей силы» и это существенно изменит объемы производства.

Как ИИ собирает портфель

Клиффорд Скотт Эснесс

Глобальная инвесткомпания AQR Capital Management активно применяет ИИ в своей деятельности. Технология комбинирует разные факторы и определяет их вес, таким образом распределяя активы. Ранее окончательное решение в этом вопросе было за первыми лицами AQR. Основатель компании и управляющий инвестициями Клиффорд Скотт Эснесс в интервью Bloomberg признался, что ИИ придет на его место. Искусственный интеллект, по определению Эснесса, «раздражающе лучше» человека.

В частности, ИИ занимается языковым анализом корпоративных сообщений, реагируя на позитивные сигналы, например «увеличение». Раньше это делали количественные инвесторы. AQR также использует ИИ, чтобы генерировать торговые сигналы и повышать производительность, ускоряя процесс кодинга.

«Могут ли машины формировать лучшие портфели акций» – так называется свежее исследование из серии Alternative Thinking, которую выпускает AQR. Работа подвергает сомнению принцип ограниченности, который предполагает, что для инвестиций лучше подходят небольшие простые модели, поскольку финансы слабо предсказуемы и имеют малый объем наблюдений за временными рядами.

Как показало предыдущее исследование AQR, ожидаемая доходность, вероятно, нелинейна в отношении основных переменных предсказателей (то есть сигналов), поэтому простые рыночные модели не слишком показательны. При использовании таких моделей для формирования портфеля вне поля зрения остаются нелинейные связи между переменными-­предикторами и доходностью. Напротив, сложные модели могут учитывать эту нелинейность во взаимосвязях между прогнозными переменными и будущей доходностью активов, обеспечивая лучшие рыночные результаты.

Улучшение показателей происходит при включении небольшого количества факторов, которые с точки зрения финансовой теории должны быть напрямую связаны с доходностью акций. В числе значимых факторов рассматриваются стоимость, отраслевая специфика, модель Фама – Френча (размер компании, соотношение балансовой стоимости к рыночной, рентабельность собственного капитала, инвестиции). Таким образом, более сложные модели доходности должны обеспечивать лучшую эффективность стратегии выбора акций.

Еще один вывод исследователей AQR: методы машинного обучения могут быть полезны и при определении подходящего времени для существенного увеличения или уменьшения экспозиции на рынок акций.