Вместо того чтобы ждать выхода статистики о сельскохозяйственном производстве, кванты изучают продажи сельскохозтехники или спутниковые снимки урожайности. Коносаменты на грузовые контейнеры могут дать представление о глобальных сдвигах. Систематические трейдеры могут даже получить информацию, по каким проходам покупатели двигаются и у каких полок останавливаются, выбирая покупки, на основе данных, переданных их смартфонами. Если вы анализируете популярность нового продукта – просмотрите обзоры Amazon. В настоящее время разрабатываются алгоритмы для анализа сведений об уполномоченных и других сотрудниках Управления по санитарному надзору за качеством пищевых продуктов и медикаментов, чтобы предсказать вероятность одобрения нового препарата.

Чтобы исследовать открывающиеся возможности, хедж-фонды начали нанимать сотрудников нового типа – аналитиков данных, или «охотников за данными», – которые сосредоточены на поиске иных источников данных. Во многом их работа похожа на то, что Сандор Штраус сделал для Renaissance в середине 1980-х годов. Вся информация идет в обработку, чтобы лучше понять текущее состояние и траекторию экономики, а также перспективы различных компаний. Более предприимчивые инвесторы могут даже использовать ее для подготовки к потенциальному кризису, если, допустим, они увидят серию необычных поставок пиццы в Пентагоне в разгар международного инцидента.

Экспоненциальный рост вычислительных мощностей компьютеров и возможностей хранения дал систематическим трейдерам новые возможности для анализа всех этих данных. Согласно Singularity Hub, к 2025 году за 1000 долларов, вероятно, можно будет купить компьютер с такой же вычислительной мощностью, как у человеческого мозга. Уже сейчас хедж-фонд Two Sigma создал вычислительную систему мощностью более 100 терафлопс. Это означает, что она может обрабатывать 100 триллионов вычислений в секунду, используя более 11 петабайт памяти, что в пять раз больше объема данных, хранящихся во всех академических библиотеках США. (9) Вся эта мощь позволяет квантам находить и тестировать гораздо больше предсказательных сигналов, чем когда-либо прежде.

«Вместо попыток найти сигналы, используя креативность и мыслительную деятельность, – говорит компьютерный специалист Renaissance, – теперь вы можете просто добавить класс формул в механизм машинного обучения и протестировать миллионы различных возможностей».

Спустя годы после того, как команда Саймонса стала использовать методы машинного обучения в Renaissance, другие кванты начали использовать эти подходы. Renaissance предвосхитил трансформацию в принятии решений, которая охватит практически все сферы деятельности. Все больше компаний и частных лиц внедряют и используют модели, которые постоянно учатся на собственных успехах и неудачах. Как отметил инвестор Мэтью Гренейд, доминирующими становятся Amazon, Tencent, Netflix и другие компании, полагающиеся на динамичные, постоянно меняющиеся модели. Чем больше данных поступает в машины, тем умнее они становятся.