Agenci AI JPMorgan pokonali w testach klasyczny portfel 60/40

JPMorgan Chase opublikował wyniki wewnętrznego badania, w którym agenci AI decydujący o alokacji kapitału pokonali w testach historycznych zarówno klasyczny portfel 60/40, jak i własny model banku oparty na regułach. To jeden z pierwszych dużych banków, który publicznie pokazuje, że agentowe systemy AI radzą sobie z zarządzaniem aktywami lepiej niż sprawdzone od dekad strategie.

Jak działają agenci

Zespół cross-asset systematic strategy w JPMorgan zaprojektował system, który klasyfikuje rynek do jednego z czterech reżimów makroekonomicznych na podstawie wzrostu gospodarczego i inflacji: Goldilocks, reflacja, stagflacja oraz risk-off. Agenci AI mieli za zadanie decydować, jak rozłożyć kapitał między klasy aktywów w każdym z tych scenariuszy.

W okresach silnego wzrostu agenci zwiększali ekspozycję na akcje, a gdy perspektywy gospodarcze się pogarszały, przenosili kapitał w stronę obligacji i instrumentów o stałym dochodzie. Taka logika przypomina klasyczne zarządzanie makro, ale decyzje o wadze poszczególnych aktywów podejmował model językowy, a nie zespół analityków według sztywnych reguł.

Liczby z backtestu

Kluczowy wynik to przewaga 0,7 punktu procentowego rocznego zwrotu najlepszego agenta nad portfelem złożonym w 60 procentach z akcji i w 40 procentach z obligacji - strategią, która od dekad jest punktem odniesienia dla funduszy emerytalnych i doradców inwestycyjnych na całym świecie. Równie istotna jest niższa zmienność, bo agent osiągnął ten wynik przy zmienności mniejszej o 2,8 punktu procentowego rocznie.

Wskaźniki Sharpe'a, które mierzą zwrot skorygowany o ryzyko, wyniosły dla agentów od 0,74 do 0,95, podczas gdy portfel 60/40 osiągnął w tym samym okresie 0,61. Wszystkie osiem wariantów agentów, różniących się m.in. modelem bazowym i parametrami, pobiło zarówno benchmark rynkowy, jak i wewnętrzny model regime-based samego JPMorgan.

Zastrzeżenia banku

JPMorgan wyraźnie zaznacza, że wyniki pochodzą z symulacji historycznych, a nie z rzeczywistego inwestowania na żywo, i przestrzega przed traktowaniem ich jako dowodu, że AI będzie konsekwentnie pokonywać rynek w przyszłości. Historyczne dane rynkowe różnią się od warunków bieżących, a agenci trenowani i testowani na przeszłości mogą nie radzić sobie równie dobrze w nowych, nieprzewidzianych scenariuszach makroekonomicznych.

Wyniki oparte są na symulacjach historycznych, a nie na rzeczywistym inwestowaniu, i nie powinny być traktowane jako dowód, że sztuczna inteligencja może konsekwentnie pokonywać rynek - zespół cross-asset systematic strategy, JPMorgan

Co to znaczy dla branży finansowej

Badanie JPMorgan wpisuje się w szerszy trend agentowego inwestowania, w którym duże instytucje finansowe testują modele językowe nie tylko jako narzędzia analityczne, ale jako podmioty podejmujące realne decyzje alokacyjne. Wcześniej podobne eksperymenty prowadziły mniejsze platformy fintech, ale zaangażowanie jednego z największych banków świata nadaje tematowi inny ciężar gatunkowy.

Dla zarządzających funduszami i doradców inwestycyjnych w Polsce wynik jest sygnałem, że agentowe modele AI przestają być ciekawostką, a stają się realnym punktem odniesienia przy projektowaniu strategii alokacji aktywów. Polskie instytucje finansowe, w tym fundusze emerytalne i TFI, coraz częściej analizują podobne narzędzia, choć wdrożenia produkcyjne pozostają na razie ostrożne z uwagi na wymogi regulacyjne i ryzyko błędów modeli.

JPMorgan nie ujawnił, czy i kiedy planuje wdrożyć agentów AI w rzeczywistym zarządzaniu kapitałem klientów. Bank podkreśla, że badanie ma charakter eksploracyjny, a decyzje o ewentualnym wdrożeniu będą wymagały dalszych testów w warunkach rynkowych odbiegających od danych historycznych, na których agenci byli oceniani.

Źródła: JPMorgan Builds AI Agents That Beat 60/40 Portfolio in Backtests (bloomberg.com), JPMorgan's AI agents beat 60/40 portfolio, its own rule-based regime in backtests (seekingalpha.com)