Occam’ın Usturası, sosyal bilimlerin köşe taşlarından biridir; finansal iktisatçılar içinse neredeyse bir inanç meselesidir. İlke, 14. yüzyılda yaşamış bir keşiş olan William of Ockham’dan adını alır. Temel olarak, herhangi bir olguyu açıklamanın en iyi yolunun en basit açıklama olduğunu savunur. Bugünün finansal analistleri ise, aşırı uyum (overfitting) korkusuyla yaşar: Yani, mevcut verilere çok iyi oturan ama geleceği kötü tahmin eden, aşırı karmaşık modeller üretmekten çekinirler. Ancak şimdi Ockham’ın usturası sorgulanıyor. Yeni araştırmalar, büyük makine öğrenmesi modellerinde sadeliğin abartıldığı, karmaşıklığın aslında üstün olabileceğini öne sürüyor. Eğer bu doğruysa, modern yatırım yöntemleri kökten değişebilir.
Tartışma 2021’de başladı. Yale Üniversitesi’nden Bryan Kelly ve Kangying Zhou ile Lozan’daki İsviçre Federal Teknoloji Enstitüsü’nden Semyon Malamud, “The Virtue of Complexity in Return Prediction” (Getiri Tahmininde Karmaşıklığın Erdemi) başlıklı bir makale yayımladı. Bir çalışmada, sadece 12 aylık veriyi 12.000 farklı “parametre”yle analiz ettiler. Bu kadar parametre kullanmak—Occam’ın usturasının önerdiğinin tam tersi—geleneksel olarak aşırı uyum riskini artırır diye düşünülürdü. Fakat karmaşıklık, aksine, modelin geleceği öngörmesine yardımcı oldu. Yazarlar şu soruyu sordu: “Occam’ın usturası aslında Occam’ın yanılgısı mı?”
Bu akademik bir tartışma, ama sonuçlarının etkisi büyük olabilir. Kelly aynı zamanda AQR’de (niceliksel yatırım fonu) portföy yöneticisi. AQR, eskiden rakiplerine kıyasla daha geleneksel ve sade yöntemleriyle biliniyordu. Ancak şimdi firma, karmaşıklığın erdemlerini benimsiyor. Kelly’ye göre araştırmacılar, veriyi aşırı uydurmaktan korkarken, yeterince iyi uyduramamayı (underfitting) fazla göz ardı ettiler.
Küçük veri setleriyle daha iyi tahmin yapabilmek son derece kârlı olabilir. Birçok finansal araştırma, küçük örneklem büyüklükleri ve deney yapma zorluğu yüzünden sıkışıp kalıyor. Daha fazla veri toplamak çoğu zaman beklemeyi gerektiriyor, bazı alanlarda ise veri inanılmaz derecede kıt. Piyasa çöküşleri, banka kaçışları veya devlet temerrütleri gibi aşırı olayları incelerken araştırmacıların ellerinde modern tarihten yalnızca birkaç örnek bulunuyor. Avantaj arayışındaki hedge fonları, milyarlarca doları uydu görüntülerinden Çin demiryolu trafiğine, sosyal medyadan yatırımcı duyarlılığına kadar her türlü “alternatif veri”ye harcıyor.
Son dönemde karmaşıklık üzerine tartışma hararetlendi. Kelly ve ortakları, yoğun bir şüphecilikle karşı karşıya kaldı. Oxford Üniversitesi’nden Álvaro Cartea, Qi Jin ve Yuantao Shi, eğer veriler kötü toplanmış, hatalı ya da gürültülü ise karmaşıklığın avantajlarının ortadan kalkabileceğini savundu. Chicago Üniversitesi’nden Stefan Nagel ise, çok küçük veri setlerinde karmaşık görünen modellerin aslında momentum stratejilerini taklit ettiğini ve başarılarının “şans eseri” olduğunu ileri sürdü. Kelly ve Malamud ise ayrıntılı bir yanıt makalesiyle karşılık verdi.
Ockham’ın ilkesine bir ağıt yakmak için henüz erken. Ancak şüpheciler bile büyük ve karmaşık modellerin zaman zaman basit olanlardan daha iyi tahminler üretebileceği fikrini tamamen reddetmiyor—sadece bunun her zaman geçerli olmayabileceğini söylüyor. Öte yandan, karmaşıklığın gerçekten bir erdem olduğu kabul edilirse, yatırımcıların işleyişinde devrim yaşanabilir. En iyi makine öğrenimi mühendislerini işe almak her zamankinden daha önemli olacak. Cartea ve ekibinin haklı çıkması halinde, veriyi toplamak ve temizlemek de aynı derecede kritik hale gelecek. Teknoloji şirketlerinin süper yıldız yazılımcılara ödediği milyar dolarlık maaş paketleri yatırım fonlarında da görülmeye başlayabilir.
Yatırım firmaları ayrıca ölçekten daha fazla fayda sağlayacak. Modelleri eğitmek ve çalıştırmak için gereken hesaplama gücü çok pahalı, bu da büyük hedge fonlarını küçük rakiplerden koruyan bir “hendek” (moat) işlevi görebilir. Büyük oyuncular, daha geniş varlık sınıflarında daha fazla deney yapabilecek. Küçükler ise yetişmekte zorlanabilir.
Azalan rekabet tek risk değil. İnsanlar, en gelişmiş makine öğrenimi modellerinin ne yaptığını anlamakta hâlâ geriden geliyor. Yatırımcılar giderek daha fazla kara kutu algoritmalara bağımlı hale gelebilir. Küçük modeller, yalnızca kolay uygulanabilir değil, aynı zamanda yatırımcıların onları anlamasını ve üzerinde değişiklik yapmasını da kolaylaştırır. Para kazandıkları sürece kimse şikâyet etmeyecek. Ama eğer bu yeni modellerde işler ters giderse—sıradan bir düşük performanstan, tüm yatırım stratejilerinin çökmesine kadar—taraftarları, keşke karmaşıklığı kesip atacak bir araç olsaydı diye hayıflanabilirler.
