Hvad vi kan lære om os selv ved at studere finansielle handelsbots

I 2019, verden bekymrede sig over, at algoritmer nu kender os bedre, end vi kender os selv. Intet koncept fanger dette bedre end overvågningskapitalisme, et udtryk opfundet af den amerikanske forfatter Shoshana Zuboff for at beskrive en dyster ny æra, hvor folk som Facebook og Google leverer populære tjenester, mens deres algoritmer forsømmer vores digitale spor.

Overraskende nok, Zuboffs bekymring strækker sig ikke til de algoritmer på de finansielle markeder, der har erstattet mange af menneskene på handelsgulve. Automatiseret algoritmisk handel tog fart omkring begyndelsen af ​​det 21. århundrede, først i USA, men snart også i Europa.

En vigtig drivkraft var højfrekvent handel, som kører med blændende hastigheder, ned til milliardtedele af et sekund. Det gav investorer udsigt til en fordel i forhold til deres rivaler, samtidig med at det hjælper med at give likviditet til et marked ved at sikre, at der altid var nogen, der var villige til at købe og sælge til en bestemt pris. Højfrekvent handel står nu bag mere end halvdelen af ​​volumen på både aktie- og futuresmarkedet. På andre markeder, såsom udenlandsk valuta, algoritmer har en mindre, men stadig betydelig tilstedeværelse, uden tegn på, at de vil aftage i fremtiden.

Enheders laster

Mennesker programmerer stadig algoritmerne og designer deres handelsstrategier, selvom stigningen i dyb læring truer selv denne rolle. Men i det øjeblik algoritmerne går live på markederne, de handler på egen hånd uden menneskelig indblanding, danser med hinanden på svimlende og ofte uventede måder.

Ved første øjekast, de har lidt til fælles med os. De kan ikke tænke eller føle, og på trods af hypen omkring maskinlæring, det er stadig omstridt og kompliceret at beskrive dem som intelligente. Ligesom menneskehandlere, imidlertid, de træffer beslutninger, observere andre træffe beslutninger, og tilpasse deres adfærd som reaktion.

Ved hastigheder mange gange hurtigere end mennesker sandsynligvis nogensinde vil mønstre, disse algoritmer danner let forventninger til hinandens forventninger, når de afgiver deres købs- og salgsordrer.

For eksempel, en algoritme kan forsøge at manipulere en andens forventninger om prisbevægelser ved at sende et stort antal ordrer til enten at købe eller sælge et bestemt aktiv. Den første algoritme vil derefter hurtigt annullere sine ordrer, forhåbentlig narret sin rival til at foretage det forkerte væddemål om, hvilken vej markedet er på vej.

Interessant nok, sociologer anser denne form for gensidig forventning for at være et centralt træk ved, hvad det betyder for mennesker at være social. De har længe set markeder som yderst sociale arenaer. I handelsetagens storhedstid, læse andre handlendes sociale signaler korrekt - en grimase eller et grin, ængstelige toner, selv larm på handelsgulvet - ofte stavet forskellen mellem rigdom og katastrofe.

Men hvis maskiner kan være sociale, hvor ens eller anderledes er det i forhold til hvordan mennesker virkelig socialiserer? Der er tydelige forskelle, selvfølgelig. Mens fortidens menneskehandlere ofte kendte hinanden godt, og hang ofte ud sammen efter arbejde, algoritmer handler anonymt. Når de sender ordrer om at købe eller sælge aktiver, ingen andre handlende ved, om det kommer fra en mand eller en maskine.

Ja, det er netop derfor, de er programmeret til at danne forventninger til hinanden. Ansigtssignaler er ikke længere tilgængelige, men hele strategier er blevet udviklet, der søger at finde ud af, om et antal ordrer kan være blevet afgivet af en og samme algoritme - og derefter forsøge at forudsige, hvad dets næste træk kan være.

For at undgå sådanne forsøg, Algoritmer er ofte designet til ikke at blive genkendt som algoritmer af andre algoritmer. Som den skotske sociolog Donald MacKenzie har udtrykt det, de kan engagere sig i dissimuleringsstrategier og/eller søge at give en særlig præsentation af deres "selv" offentligt. Disse er igen egenskaber, som sociologer længe har betragtet som nøgleaspekter af storbylivet.

Lavine!

Sammen med kolleger, Jeg har brugt de sidste mange år i store finansielle knudepunkter med at interviewe handlende, programmører, regulatorer, udveksle embedsmænd og andre finansprofessionelle om disse handelsalgoritmer. Dette har trukket nogle andre interessante ligheder mellem menneskelige og automatiserede handlende frem.

Programmører indrømmer gerne, at når deres algoritmer begynder at interagere med andre, de bliver revet med og handler uforudsigeligt, som om de var i en pøbel. Sociologer siden slutningen af ​​det 19. århundrede har undersøgt, hvordan mennesker bliver fascineret af folkemængder og lader deres autonomi glide i "sociale laviner, "men vi har indtil videre stort set ignoreret det faktum, at finansielle maskiner gør noget lignende.

"Flash crashet" den 6. maj 2010 illustrerer bedst, hvad jeg mener her. På fire et halvt minut, den vanvittige interaktion mellem fuldt automatiserede handelsalgoritmer satte de amerikanske markeder i et dyk, generere omkring 1 billion USD (768 milliarder pund) i tab, indtil handelen hurtigt blev suspenderet.

De fleste af disse involverede handler blev senere annulleret som "klart fejlagtige." Bestemt ingen erhvervsdrivende eller programmør havde planlagt at skabe dette massive prisskift, men årtiers sociologisk forskning fortæller os, at denne form for adfærd forventes i store grupper. Vi er nødt til at forstå, hvordan vores finansielle algoritmer interagerer i samspil, før vores egne værktøjer bliver vores undergang.

Selvfølgelig, ikke alle former for social interaktion er beundringsværdige eller gavnlige. Ligesom mennesker, algoritmer interagerer med hinanden på måder, der spænder fra omsorgsfuld og fredelig til kold og voldelig:fra at levere likviditet og opretholde markedsstabilitet til at lave manipulerende ordrer og udløse vilde handelsaktiviteter.

At få styr på disse interaktioner er ikke kun nøglen til at forstå moderne handel og forsøge at forhindre fremtidige flash-nedbrud. Algoritmer taler med hinanden på flere og flere områder i dag. At forstå, hvordan de opfører sig som folkemængder, vil forhåbentlig kaste lys i områder, hvor de lige er begyndt at komme til deres ret – tænk selvkørende trafiksystemer eller automatiseret krigsførelse, for eksempel. Det kan endda advare os om laviner, der ligger og venter, også.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.