Professori Juho Kanniaisen ryhmä kehittää johtavia koneoppimismalleja finanssimarkkinoille
“Me kehitämme erittäin nopeita koneoppimismalleja äärimmäisen vaikeaan ympäristöön. Rahoitusmarkkinoilla minkään ei periaatteessa pitäisi olla ennustettavaa – paitsi aivan kaikkein lyhyimmillä aikaskaaloilla, millisekunnitasolla. Juuri sinne me pureudumme”, Kanniainen tiivistää.
Tutkimusryhmä yhdistää teorian ja käytännön
Kanniaisen johtamassa tutkimusryhmässä työskentelee tällä hetkellä neljä postdoc-tutkijaa sekä pari väitöskirjatutkijaa.
“Kaikki puhuvat tekoälystä, mutta sen ytimessä on koneoppiminen – algoritmit ja mallit, joilla se äly rakennetaan. Yliopistojen tehtävä on nimenomaan kehittää näitä menetelmiä,” Kanniainen toteaa.
Ryhmä toimii tiiviissä yhteistyössä keväällä Tampereen yliopiston uutena koneoppimisen professorina aloittaneen Alexandros Iosifidiksen kanssa.
"On upeaa, että saimme Alexandrosin tänne Tampereelle, toteaa Kanniainen.
“Meillä yhdistyy todella vahva teoreettinen koneoppiminen ja soveltava rahoitusmarkkinoiden datatiede. Alexandros on siellä koneoppimisen aivan ytimessä, minä enemmän sen soveltavassa päässä. Yhdessä siitä syntyy jotain, mihin kumpikaan ei yksin pystyisi.”
Kansainvälistä yhteistyötä on tehty jo lähes vuosikymmenen ajan, ja se on nostanut tamperelaisen tutkimuksen alalla maailmanlaajuiseen näkyvyyteen.
Ennustamista millisekunneissa – “tarjouskirjadatan” ytimessä
Tutkimuksen tunnetuin osa liittyy niin sanottuun limit order book -dataan, eli reaaliaikaiseen tarjouskirjatietoon: osto- ja myyntitarjouksiin sekä niiden muutoksiin ja toteutuksiin – ja kuinka nopeasti kaikki tämä tapahtuu.
“Pörsseissä liikkuu valtava määrä viestejä sekunnin miljardisosien tarkkuudella. Kaupankäyntirobotit reagoivat toistensa toimintaan sekunnin murto-osissa, ja siitä syntyy ketjureaktioita. Kun ollaan tarpeeksi lyhyessä aikaskaalassa, siellä on oikeasti ennustettavuutta.”
Kanniainen havainnollistaa ilmiön äärimmäisyyttä vuoden 2010 Yhdysvaltojen tietoliikenne-investoinnilla:
“Chicago–New York City -välille rakennettiin uusi kaapeli, jotta säästettiin neljä millisekuntia. Hinta oli noin 300 miljoonaa dollaria. Meidän näkökulmamme on toinen: nopeuden sijasta tuodaan ennustettavuutta.”
Tätä varten ryhmä on kansainvälisessä yhteistyössä kehittänyt useita maailman tarkimpia koneoppimismalleja tarjouskirjadatan ennustamiseen. Niiden avulla voidaan arvioida esimerkiksi hintaliikkeen suuntaa vain hetkiä etukäteen – mutta juuri sen verran, että sillä on merkitystä automatisoidussa kaupankäynnissä.
“Tutkimuksellamme on sekä yhteiskunnallista että käytännön merkitystä. Menetelmämme avulla voidaan vähentää markkinatakauksen riskiä, jolla on positiivisia vaikutuksia markkinoiden likviditeettiin. Lisäksi avoin tutkimus hyödyttää erityisesti pieniä ja keskisuuria kaupankäyntiyrityksiä, jotka pyrkivät kilpailemaan suurten vipurahastojen kanssa.”
Toinen tutkimussuunta: sisäpiiritiedon leviäminen verkostoissa
Toinen keskeinen tutkimuslinja koskee tiedon leviämistä osakemarkkinoilla sosiaalisten verkostojen kautta. Kanniainen ja hänen ryhmänsä tutkivat erityisesti sisäpiiriläisten välisiä kytkentöjä:
"Hallitusjäsenyyksien kautta syntyy yllättävän tiheä sosiaalinen verkosto. Aiemmassa tutkimuksessa on havaittu, että sisäpiiritieto voi oikeasti liikkua näitä verkostoja pitkin.”
Tutkijoilla on käytössään poikkeuksellisen kattava suomalainen aineisto, jossa suurelle osalle sisäpiiriläisistä tunnetaan paitsi heidän omat osakekaupat niin myös kaikki heidän tekemänsä arvopaperikaupat eri osakkeilla.
“Tavoite on tunnistaa, näkyykö ennen osavuosikatsausta tai tulosjulkistusta poikkeavaa kaupankäyntiä henkilön sosiaalisessa lähipiirissä. Tähän kehitämme uusia koneoppimismalleja.”
Kolmantena, hieman vanhempana tutkimuslinjana on edelleen myös finanssimatematiikka ja johdannaisten hinnoittelumallit sekä perinteinen aikasarja-analyysi.
Tutkimuksesta kohti käytäntöä – tekoälyä rahoitusmarkkinoiden ytimeen
Kanniaisen tutkimus ei ole tarkoitettu yksityissijoittajien työkaluksi.
“Meidän mallimme ovat ammattilaiskäyttöön: markkinatakaukseen, automatisoituun kaupankäyntiin, viranomaisvalvontaan ja riskienhallintaan. Yksityissijoittaja ei saa näistä suoraa hyötyä.”
Tätä taustaa vasten tutkimuksen kaupallistaminen on luonteva seuraava askel. Käynnissä on laaja Research to Business -hanke, jota rahoittaa Business Finland. Tavoitteena on siirtää huippututkimuksessa kehitetyt mallit markkinoille.
Sovelluskohteita ovat muun muassa:
markkinatakaus ja automatisoitu kaupankäynti
valvontaviranomaisten markkinaseuranta
suurten toimeksiantojen tehokas toteutus
“Kyse ei ole ChatGPT-tyyppisistä ratkaisuista, vaan erittäin nopeista, erikoistuneista malleista, joiden onnistunut käyttö näkyy suoraan yritysten tuloksessa.”
Oma polku alalle löytyi mutkan kautta
Kanniainen ei alun perin tähdännyt finanssimarkkinadatan tutkijaksi.
“Ajautumisteoria pätee aika hyvin. Opiskelin aluksi systeemiteoriaa, mutta paperikoneiden pariin en halunnut. Talous alkoi kiinnostaa, ja menin matematiikka ja menetelmät edellä.”
Väitöskirja syntyi finanssimatematiikasta, ja vuosien myötä tutkimus on siirtynyt yhä vahvemmin datavetoiseen, koneoppimiseen nojaavaan suuntaan.
Opiskelu Tampereella tähtää huippuosaamiseen
Kanniaisen mukaan kvantitatiivisen rahoituksen pariin ei yleensä tulla perinteistä taloustieteen reittiä.
“Valtaosalla kvanttimaailmassa työskentelevistä ei ole taloustieteen taustaa. Ennen he olivat matemaatikkoja ja fyysikkoja, nykyään yhä useammin tietojenkäsittelytieteilijöitä ja datatieteen -osaajia.”
Hän kannustaa opiskelijoita panostamaan matematiikkaan, tilastotieteeseen, ohjelmointiin, koneoppimiseen ja datatieteeseen.
“Kun siihen yhdistää finanssimatematiikan, sillä pärjää jo pitkälle. Meidän entisiä opiskelijoita on laajasti pankkien ja sijoitusyhtiöiden kvanttitiimeissä Suomessa ja maailmalla.”
Kirjoittaja: Riitta Yrjönen
