Хөрөнгийн зах зээлийг хиймэл оюун ухаан таамаглаж чадах уу?

Танилцуулга

Хөрөнгийн зах зээлийг урьдчилан таамаглах нь дэлхийн өнцөг булан бүрээс институциональ болон жижиглэнгийн хөрөнгө оруулагчдын хайж байсан санхүүгийн "ариун саруул" байсаар ирсэн. Хиймэл оюун ухаан (AI) болон машин сургалтын (ML) сүүлийн үеийн дэвшлийн ачаар эдгээр технологиуд хувьцааны үнийг урьдчилан таамаглах нууцыг тайлсан болов уу гэж олон хүн гайхдаг. AI хөрөнгийн зах зээлийг урьдчилан таамаглаж чадах уу? Энэхүү цагаан ном нь энэхүү асуултыг дэлхийн өнцөг булан бүрээс авч үзэж, хиймэл оюун ухаанд суурилсан загварууд зах зээлийн хөдөлгөөнийг хэрхэн урьдчилан таамаглах оролдлого, эдгээр загваруудын онолын үндэслэл, тэдэнд тулгардаг бодит хязгаарлалтуудыг тодорхойлсон. санхүүгийн зах зээлийн таамаглалын хүрээнд хийж чадах , чадахгүй талаар шуугиан дэгдээхээс илүү судалгаанд үндэслэсэн бодитой дүн шинжилгээг толилуулж байна

Санхүүгийн онолын хувьд урьдчилан таамаглах сорилтыг үр ашигтай зах зээлийн таамаглал (EMH) . EMH (ялангуяа "хүчтэй" хэлбэрээрээ) хувьцааны үнэ нь ямар ч үед байгаа бүх мэдээллийг бүрэн тусгадаг гэж үздэг бөгөөд энэ нь ямар ч хөрөнгө оруулагч (бүр дотоод хүмүүс ч гэсэн) байгаа мэдээллээр арилжаа хийснээр зах зээлээс тогтвортой амжилт гаргаж чадахгүй гэсэн үг юм ( Мэдрэлийн сүлжээнд суурилсан өгөгдөлд суурилсан хувьцааны таамаглалын загварууд: тойм ). Энгийнээр хэлбэл, зах зээл өндөр үр ашигтай, үнэ санамсаргүй байдлаар ирээдүйн үнийг нарийн таамаглах нь бараг боломжгүй юм. Энэ онолыг үл харгалзан зах зээлийг ялах сонирхол нь урьдчилан таамаглах дэвшилтэт аргуудын талаар өргөн хүрээний судалгаа хийхэд түлхэц өгсөн. Асар их хэмжээний өгөгдлийг боловсруулж, хүмүүсийн алдаж болзошгүй нарийн хэв маягийг тодорхойлох чадварынхаа ачаар хиймэл оюун ухаан болон машин сургалт нь энэхүү эрэл хайгуулын гол цөм болсон ( Хөрөнгийн зах зээлийн таамаглалд зориулж машин сургалтыг ашиглах... | FMP ).

Энэхүү цагаан баримт бичигт хөрөнгийн зах зээлийг урьдчилан таамаглахад ашигладаг хиймэл оюун ухааны аргуудын иж бүрэн тоймыг өгч, тэдгээрийн үр нөлөөг үнэлдэг. алдартай загваруудын онолын үндэслэлийг судалж эдгээр загварт зориулсан өгөгдөл, сургалтын үйл явцын хязгаарлалт, сорилтуудыг . Одоогийн байдлаар олж авсан холимог үр дүнг харуулахын тулд бодит судалгаа, жишээг оруулсан болно. Эцэст нь, бид хөрөнгө оруулагчид болон дадлагажигчдад бодитой хүлээлттэй байгаагаар дүгнэж байна: AI-ийн гайхалтай чадварыг хүлээн зөвшөөрч, санхүүгийн зах зээл ямар ч алгоритмаар бүрэн арилгах боломжгүй урьдчилан таамаглах боломжгүй түвшинг хадгалж байгааг хүлээн зөвшөөрч байна.

Хөрөнгийн зах зээлийн таамаглал дахь хиймэл оюун ухааны онолын үндэс

Орчин үеийн хиймэл оюун ухаанд суурилсан хувьцааны таамаглал нь статистик, санхүү, компьютерийн шинжлэх ухааны олон арван жилийн судалгаан дээр суурилдаг. Уламжлалт загвараас хамгийн сүүлийн үеийн хиймэл оюун ухаан хүртэлх хандлагын хүрээг ойлгох нь ашигтай.

• Уламжлалт цаг хугацааны цуврал загварууд: Эрт хувьцааны урьдчилсан таамаглал нь өнгөрсөн үеийн үнийн хэв маягаар ирээдүйг төсөөлж болох статистик загварт тулгуурласан. ARIMA (Auto-Regressive Integrated Moving Average) болон ARCH/GARCH зэрэг загварууд нь цаг хугацааны цуврал өгөгдлийн шугаман чиг хандлага, хэлбэлзлийн кластерийг тогтооход чиглэдэг ( Мэдрэлийн сүлжээнд суурилсан өгөгдөлд суурилсан хувьцааны урьдчилсан таамаглалын загварууд: тойм ). Эдгээр загварууд нь стационар ба шугаман байдлын таамаглалын дагуу үнийн түүхэн дарааллыг загварчлах замаар урьдчилан таамаглах суурь үзүүлэлтийг өгдөг. Ашигтай хэдий ч уламжлалт загварууд нь бодит зах зээлийн нарийн төвөгтэй, шугаман бус хэв маягтай байнга тэмцдэг бөгөөд энэ нь практикт таамаглах нарийвчлалыг хязгаарлахад хүргэдэг ( Мэдрэлийн сүлжээнд суурилсан өгөгдөлд суурилсан хувьцааны таамаглалын загварууд: тойм ).

• Машин сургалтын алгоритмууд: өгөгдлөөс шууд хэв маягийг сурах замаар урьдчилан тодорхойлсон статистикийн томъёоноос давж гардаг . дэмжлэг үзүүлэх вектор машин (SVM) , санамсаргүй ой , градиент нэмэгдүүлэх зэрэг алгоритмуудыг ашигласан. Тэд техникийн үзүүлэлтүүд (жишээ нь, хөдөлж буй дундаж үзүүлэлт, арилжааны хэмжээ), үндсэн үзүүлэлтүүд (жишээ нь, орлого, макро эдийн засгийн өгөгдөл) хүртэлх өргөн хүрээний оролтын шинж чанаруудыг багтааж, тэдгээрийн хоорондын шугаман бус харилцааг олох боломжтой. Жишээлбэл, санамсаргүй ой эсвэл градиентийг нэмэгдүүлэх загвар нь энгийн шугаман загварт алдаж болзошгүй харилцан үйлчлэлийн талаар олон арван хүчин зүйлийг нэгэн зэрэг авч үзэх боломжтой. Эдгээр ML загварууд нь өгөгдлийн нарийн төвөгтэй дохиог илрүүлэх замаар урьдчилан таамаглах нарийвчлалыг даруухан сайжруулах чадварыг харуулсан ( Хөрөнгийн зах зээлийн таамаглалд зориулж машин сургалтыг ашиглах... | FMP ). Гэсэн хэдий ч, тэдгээр нь хэт тохирохоос зайлсхийхийн тулд болгоомжтой тааруулах, хангалттай өгөгдөл шаарддаг (дохио гэхээсээ илүү суралцах чимээ).

• Гүн суралцах (мэдрэлийн сүлжээ): Хүний тархины бүтцээс санаа авсан гүн мэдрэлийн сүлжээ нь Эдгээрийн дотроос давтагдах мэдрэлийн сүлжээ (RNN) болон тэдгээрийн хувилбар болох Урт богино хугацааны санах ой (LSTM) сүлжээнүүд нь хувьцааны үнийн цуврал гэх мэт дарааллын өгөгдөлд тусгайлан зориулагдсан байдаг. LSTM нь өнгөрсөн мэдээллийн санах ойг хадгалж, цаг хугацааны хамаарлыг барьж чаддаг тул зах зээлийн өгөгдлийн чиг хандлага, мөчлөг эсвэл бусад цаг хугацаанаас хамааралтай хэв маягийг загварчлахад тохиромжтой. LSTM болон бусад гүнзгий суралцах загварууд нь санхүүгийн өгөгдөлд энгийн загварт алддаг нарийн төвөгтэй шугаман бус харилцааг Гүнзгий суралцах бусад арга барилд Convolutional Neural Networks (CNNs) (заримдаа техникийн үзүүлэлт "зураг" эсвэл кодлогдсон дараалалд ашиглагддаг), Трансформаторууд (өөр өөр цаг хугацааны алхмууд эсвэл өгөгдлийн эх сурвалжуудын ач холбогдлыг үнэлэхийн тулд анхаарал хандуулах механизмыг ашигладаг), тэр ч байтугай График мэдрэлийн сүлжээ (GNNs) (зах зээлийн график дахь хувьцааны хоорондын харилцааг загварчлах) орно. Эдгээр дэвшилтэт мэдрэлийн сүлжээнүүд нь зөвхөн үнийн мэдээлэл төдийгүй мэдээний текст, сошиал медиа мэдрэмж гэх мэт өөр мэдээллийн эх сурвалжийг шингээж, зах зээлийн хөдөлгөөнийг урьдчилан таамаглах боломжтой хийсвэр шинж чанаруудыг судлах боломжтой ( Хөрөнгийн зах зээлийн таамаглалд зориулж машин сургалтыг ашиглах... | FMP ). Гүнзгий суралцах уян хатан байдал нь тодорхой зардалтай байдаг: тэдгээр нь өгөгдөлд өлсгөлөн, тооцоолол их шаарддаг, тайлбарлах чадвар багатай "хар хайрцаг" хэлбэрээр ажилладаг.

• Бататгах сургалт: AI-ийн хувьцааны таамаглалын өөр нэг хил хязгаар нь зөвхөн үнийг урьдчилан таамаглах бус арилжааны оновчтой стратегийг сурах явдал юм. RL-ийн хүрээнд агент (AI загвар) арга хэмжээ авах (худалдан авах, худалдах, барих) болон шагнал (ашиг, алдагдал) авах замаар орчинтой (зах зээл) харилцдаг. Цаг хугацаа өнгөрөхөд агент нь хуримтлагдсан шагналыг хамгийн их байлгах бодлогыг сурдаг. Deep Reinforcement Learning (DRL) нь зах зээлийн томоохон орон зайг зохицуулахын тулд мэдрэлийн сүлжээг бэхжүүлэх сургалттай хослуулдаг. Санхүүгийн RL-ийн сонирхол татахуйц тал нь үнийг тусад нь урьдчилан таамаглахын оронд шийдвэрийн дарааллыг Жишээлбэл, RL агент нь үнийн дохион дээр үндэслэн албан тушаалд хэзээ орох, гарахыг сурч, зах зээлийн нөхцөл байдал өөрчлөгдөхөд дасан зохицох боломжтой. RL нь тоон арилжааны тэмцээн болон зарим өмчийн арилжааны системд өрсөлддөг AI загваруудыг сургахад ашиглагдаж ирсэн. Гэсэн хэдий ч RL аргууд нь бас томоохон сорилтуудтай тулгардаг: тэдгээр нь өргөн хүрээний сургалт шаарддаг (арилжааны жилийг дуурайлган хийх), хэрэв болгоомжтой тохируулаагүй бол тогтворгүй байдал эсвэл ялгаатай зан авираас болж зовж шаналж болно, гүйцэтгэл нь зах зээлийн таамагласан орчинд маш мэдрэмтгий байдаг. нарийн төвөгтэй хөрөнгийн зах зээл дээр бэхжүүлэх сургалтыг ашиглахад өндөр тооцооллын зардал, тогтвортой байдлын асуудал зэрэг асуудлуудыг тэмдэглэжээ Эдгээр сорилтуудыг үл харгалзан RL нь шийдвэр гаргах эрлийз системийг ( Deep Reinforcement Learning ашиглан Хөрөнгийн зах зээлийн таамаглал ) бүрдүүлэхийн тулд бусад арга техниктэй (жишээ нь: үнийн таамаглах загвар болон RL-д суурилсан хуваарилалтын стратегийг ашиглах) хослуулсан үед ирээдүйтэй хандлагыг илэрхийлдэг.

Мэдээллийн эх сурвалж ба сургалтын үйл явц

Загварын төрлөөс үл хамааран AI хөрөнгийн зах зээлийн таамаглалын үндэс болдог Загваруудыг илрүүлэхийн тулд зах зээлийн түүхэн өгөгдөл болон бусад холбогдох өгөгдлийн багц дээр ихэвчлэн сургадаг. Нийтлэг өгөгдлийн эх сурвалж ба онцлогууд нь:

• Түүхэн үнэ ба техникийн үзүүлэлтүүд: Бараг бүх загварууд өнгөрсөн үеийн хувьцааны үнэ (нээлттэй, өндөр, бага, хаалттай) болон арилжааны хэмжээг ашигладаг. Эдгээрээс шинжээчид ихэвчлэн техникийн үзүүлэлтүүдийг (хөдөлгөөнт дундаж, харьцангуй хүч чадлын индекс, MACD гэх мэт) орц болгон авдаг. Эдгээр үзүүлэлтүүд нь загвар ашиглаж болох чиг хандлага эсвэл эрч хүчийг тодруулахад тусална. Жишээлбэл, загвар нь дараагийн өдрийн үнийн хөдөлгөөнийг урьдчилан таамаглахын тулд сүүлийн 10 хоногийн үнэ, хэмжээ, мөн 10 өдрийн хөдөлгөөнт дундаж эсвэл хэлбэлзлийн хэмжүүр зэрэг үзүүлэлтүүдийг оруулж болно.

• Зах зээлийн индекс ба эдийн засгийн өгөгдөл: Олон загварт индексийн түвшин, хүүгийн түвшин, инфляци, ДНБ-ий өсөлт болон бусад эдийн засгийн үзүүлэлтүүд гэх мэт зах зээлийн өргөн хүрээний мэдээллийг багтаасан байдаг. Эдгээр макро шинж чанарууд нь хувь хүний ​​хувьцааны гүйцэтгэлд нөлөөлж болох нөхцөл байдлыг (жишээ нь зах зээлийн ерөнхий мэдрэмж эсвэл эдийн засгийн эрүүл мэнд) хангадаг.

• Мэдээ, мэдрэмжийн өгөгдөл: Өсөн нэмэгдэж буй AI системүүд мэдээний нийтлэл, олон нийтийн мэдээллийн хэрэгсэл (Twitter, Stocktwits), санхүүгийн тайлан зэрэг бүтэцгүй өгөгдлийг залгиж байна. BERT зэрэг дэвшилтэт загваруудыг багтаасан байгалийн хэл боловсруулах (NLP) техникийг зах зээлийн мэдрэмжийг хэмжих эсвэл холбогдох үйл явдлыг илрүүлэхэд ашигладаг. Жишээлбэл, хэрэв мэдээний мэдрэмж компани эсвэл салбарын хувьд гэнэт сөрөг болж хувирвал AI загвар нь хувьцааны үнэ буурахыг урьдчилан таамаглаж магадгүй юм. Бодит цагийн мэдээ, олон нийтийн мэдээллийн хэрэгслийг боловсруулснаар хиймэл оюун ухаан нь шинэ мэдээлэлд хүний ​​наймаачдаас илүү хурдан хариу үйлдэл үзүүлж чадна.

• Альтернатив өгөгдөл: Зарим боловсронгуй хеджийн сангууд болон AI судлаачид урьдчилан таамаглах ойлголтыг олж авахын тулд хиймэл дагуулын зураг (дэлгүүрийн урсгал эсвэл үйлдвэрлэлийн үйл ажиллагаанд зориулагдсан), зээлийн картын гүйлгээний өгөгдөл, вэб хайлтын чиг хандлага гэх мэт өөр мэдээллийн эх сурвалжийг ашигладаг. Эдгээр уламжлалт бус өгөгдлийн багц нь заримдаа хувьцааны гүйцэтгэлийн тэргүүлэх үзүүлэлт болж чаддаг ч загварчлалын сургалтын нарийн төвөгтэй байдлыг бий болгодог.

Хувьцааны таамаглалд зориулж хиймэл оюун ухааны загварыг сургах нь түүнд энэхүү түүхэн өгөгдлийг оруулах, таамаглах алдааг багасгахын тулд загварын параметрүүдийг тохируулах явдал юм. сургалтын багц (жишээ нь, хэв маягийг сурах хуучин түүх) болон тест/баталгаажуулалтын багц (харагдаагүй нөхцөл байдлын гүйцэтгэлийг үнэлэх сүүлийн үеийн өгөгдөл) гэж хуваадаг Зах зээлийн өгөгдлийн дэс дараалсан шинж чанарыг харгалзан "ирээдүй рүү харах"-аас зайлсхийхэд анхаардаг - жишээлбэл, загваруудыг бодит арилжаанд хэрхэн гүйцэтгэхийг загварчлахын тулд сургалтын хугацаа дууссаны дараа үеийн өгөгдөл дээр үнэлдэг. хөндлөн баталгаажуулалтын аргуудыг (урагшаар баталгаажуулах гэх мэт) ашигладаг.

Түүнчлэн, дадлагажигчид мэдээллийн чанар, урьдчилсан боловсруулалтын асуудлыг шийдвэрлэх ёстой. Өгөгдөл дутмаг, хэт өндөр үзүүлэлтүүд (жишээ нь, хувьцааны хуваагдал эсвэл нэг удаагийн үйл явдлаас үүдэлтэй гэнэтийн өсөлт), зах зээл дээрх дэглэмийн өөрчлөлтүүд бүгд загварын сургалтанд нөлөөлж болно. Оролтын өгөгдөлд хэвийн болгох, тайрах, улиралгүй болгох гэх мэт аргуудыг хэрэглэж болно. Зарим дэвшилтэт аргууд нь үнийн цувралыг бүрэлдэхүүн хэсгүүдэд (чиг хандлага, мөчлөг, чимээ шуугиан) задалж, тэдгээрийг тусад нь загварчилдаг (вариацын горимын задралыг мэдрэлийн тортой хослуулсан судалгаанаас харж болно ( Гүн гүнзгийрүүлсэн сургалтыг ашиглан хөрөнгийн зах зээлийн таамаглал )).

Өөр өөр загваруудад сургалтын шаардлага өөр өөр байдаг: гүнзгий суралцах загварууд нь хэдэн зуун мянган өгөгдлийн цэгүүдийг шаарддаг бөгөөд GPU хурдатгалын үр шимийг хүртдэг бол логистикийн регресс гэх мэт энгийн загварууд нь харьцангуй жижиг өгөгдлийн багцаас суралцах боломжтой. Бататгах сургалтын загварууд нь симулятор эсвэл харилцах орчинг шаарддаг; Заримдаа түүхэн өгөгдлийг RL агент руу дахин тоглуулах эсвэл зах зээлийн симуляторуудыг туршлага бий болгоход ашигладаг.

Эцэст нь, сургалтанд хамрагдсаны дараа эдгээр загварууд нь урьдчилан таамаглах функцийг бий болгодог - жишээлбэл, маргаашийн таамагласан үнэ, хувьцааны үнэ өсөх магадлал эсвэл санал болгож буй үйлдэл (худалдан авах/худалдах) байж болно. Дараа нь бодит мөнгө эрсдэлд орохоос өмнө эдгээр таамаглалыг арилжааны стратегид (байрлалын хэмжээ, эрсдэлийн удирдлагын дүрэм гэх мэт) нэгтгэдэг.

Хязгаарлалт ба сорилтууд

AI загварууд нь гайхалтай боловсронгуй болсон ч хөрөнгийн зах зээлийг таамаглах нь угаасаа хэцүү ажил хэвээр байна . Дараах нь хиймэл оюун ухаан нь зах зээл дээр баталгаатай мэргэ төлөгч болоход саад болж буй гол хязгаарлалт, саад бэрхшээлүүд юм.

• Зах зээлийн үр ашиг ба санамсаргүй байдал: Өмнө дурьдсанчлан, үр ашигтай зах зээлийн таамаглал нь үнэ нь аль хэдийн мэдэгдэж буй мэдээллийг тусгадаг тул аливаа шинэ мэдээлэл нь нэн даруй тохируулга үүсгэдэг гэж үздэг. Практикийн хувьд энэ нь үнийн өөрчлөлт нь ихэвчлэн гэнэтийн мэдээ эсвэл санамсаргүй хэлбэлзлээс үүдэлтэй гэсэн үг юм. Үнэн хэрэгтээ, олон арван жилийн судалгаагаар богино хугацааны хувьцааны үнийн хөдөлгөөн нь санамсаргүй алхалттай төстэй болохыг олж тогтоосон ( Мэдрэлийн сүлжээнд суурилсан өгөгдөлд тулгуурласан хувьцааны урьдчилсан таамаглалын загварууд: тойм ) - өчигдрийн үнэ маргаашийн үнэд төдийлөн нөлөөлөхгүй, ямар ч боломжоос илүү. Хэрэв хувьцааны үнэ үндсэндээ санамсаргүй эсвэл "үр ашигтай" байвал ямар ч алгоритм өндөр нарийвчлалтайгаар урьдчилан таамаглаж чадахгүй. Нэгэн судалгааны судалгаагаар "санамсаргүй алхалтын таамаглал ба зах зээлийн үр ашигтай таамаглал нь үндсэндээ ирээдүйн хувьцааны үнийг системтэйгээр, найдвартай урьдчилан таамаглах боломжгүй гэдгийг харуулж байна" гэж ( Машинжуулалтыг ашиглан S&P 500 хувьцааны харьцангуй өгөөжийг урьдчилан таамаглах | Санхүүгийн инноваци | Бүрэн текст ). Энэ нь хиймэл оюун ухааны таамаглал үргэлж ашиггүй гэсэн үг биш, гэхдээ энэ нь үндсэн хязгаарлалтыг онцолж байна: зах зээлийн ихэнх хөдөлгөөн нь хамгийн сайн загвар хүртэл урьдчилан таамаглаж чадахгүй чимээ шуугиан байж магадгүй юм.

• Дуу чимээ ба урьдчилан таамаглах боломжгүй гадны хүчин зүйлүүд: Хувьцааны үнэд олон хүчин зүйл нөлөөлдөг бөгөөд тэдгээрийн ихэнх нь экзоген, урьдчилан таамаглах боломжгүй байдаг. Геополитикийн үйл явдлууд (дайн, сонгууль, зохицуулалтын өөрчлөлтүүд), байгалийн гамшиг, тахал өвчин, корпорацийн гэнэтийн дуулиан, тэр ч байтугай вирусын сүлжээний цуурхал зэрэг нь зах зээлийг гэнэт хөдөлгөж чадна. Эдгээр нь загвар өмсөгчид сургалтын өмнөх өгөгдөлтэй байж чадахгүй (учир нь урьд өмнө нь байгаагүй) эсвэл ховор цочрол хэлбэрээр тохиолддог үйл явдлууд юм. Жишээлбэл, 2010-2019 оны түүхэн өгөгдөл дээр бэлтгэгдсэн хиймэл оюун ухааны ямар ч загвар нь 2020 оны эхээр COVID-19-ийн сүйрэл эсвэл хурдан сэргэлтийг урьдчилан таамаглах боломжгүй байсан. Санхүүгийн хиймэл оюун ухааны загварууд дэглэм солигдох үед эсвэл онцгой үйл явдал үнийг хөдөлгөх үед тэмцдэг. Нэг эх сурвалжийн тэмдэглэснээр, геополитикийн үйл явдлууд эсвэл эдийн засгийн гэнэтийн мэдээллүүд зэрэг хүчин зүйлүүд нь таамаглалыг бараг тэр даруй хуучирдаг ( Хөрөнгийн зах зээлийн таамаглалд зориулж машин сургалтыг ашиглах... | FMP ) ( Хөрөнгийн зах зээлийн таамаглалд зориулж машин сургалтыг ашиглах... | FMP ). Өөрөөр хэлбэл, урьдчилан тооцоолоогүй мэдээ нь алгоритмын таамаглалыг үргэлж үгүйсгэж , тодорхойгүй байдлын түвшинг бууруулж чаддаг.

• Хэт тохируулга ба ерөнхий ойлголт: хэт тохируулгад өртөмтгий байдаг бөгөөд энэ нь үндсэн ерөнхий хэв маягаас илүүтэйгээр сургалтын өгөгдөл дэх "чимээ" эсвэл гажуудлыг хэт сайн сурч магадгүй гэсэн үг юм. Хэт тохируулсан загвар нь түүхэн өгөгдөл дээр гайхалтай гүйцэтгэлтэй байж болох юм (тэр ч байтугай гайхалтай өгөөж, түүврийн өндөр нарийвчлалыг харуулсан) гэхдээ дараа нь шинэ өгөгдөл дээр маш их бүтэлгүйтдэг. Энэ бол тоон санхүүгийн нийтлэг алдаа юм. Жишээлбэл, нарийн төвөгтэй мэдрэлийн сүлжээ нь санамсаргүй байдлаар (сүүлийн 5 жилийн жагсаалын өмнө тохиолдсон индикаторын кроссоверуудын тодорхой хослол гэх мэт) өнгөрсөн хугацаанд бий болсон хуурамч хамаарлыг олж авах боломжтой боловч эдгээр харилцаа цаашид үргэлжлэхгүй байж магадгүй юм. Практик жишээ: Өнгөрсөн жилийн хувьцааны ялагч үргэлж өсөх болно гэж таамагласан загвар зохион бүтээж болно - энэ нь тодорхой хугацаанд таарч магадгүй, гэхдээ зах зээлийн горим өөрчлөгдвөл энэ загвар эвдэрнэ. Хэт тааруулах нь түүврээс гадуурх гүйцэтгэл муутай болоход хүргэдэг бөгөөд энэ нь хөгжлөөрөө гайхалтай харагдаж байгаа хэдий ч шууд арилжаа дахь загварын таамаглал нь санамсаргүйгээс илүү байж чадахгүй гэсэн үг юм. Хэт тааруулахаас зайлсхийхийн тулд тогтмол болгох, загварын нарийн төвөгтэй байдлыг хянах, бат бөх баталгаажуулалтыг ашиглах зэрэг арга техникийг шаарддаг. Гэсэн хэдий ч AI загваруудад хүч өгдөг маш нарийн төвөгтэй байдал нь тэднийг энэ асуудалд эмзэг болгодог.

• Өгөгдлийн чанар ба хүртээмж: "Хог нь орж, хог нь гадагшилна" гэсэн зүйр үг хувьцааны таамаглал дахь хиймэл оюун ухаанд хүчтэй хамаатай. Өгөгдлийн чанар, тоо хэмжээ, хамаарал нь загварын гүйцэтгэлд ихээхэн нөлөөлдөг. Хэрэв түүхэн өгөгдөл хангалтгүй (жишээ нь, хэдхэн жилийн хувьцааны үнийн талаар гүнзгий сүлжээг сургах гэж оролдох) эсвэл төлөөлөх чадваргүй (жишээлбэл, уналтын хувилбарыг урьдчилан таамаглахын тулд ихээхэн өсөлттэй үеийн өгөгдлийг ашиглах) бол загвар нь ерөнхийдөө сайн болохгүй. нэг талыг барьсан эсвэл амьд үлдэх боломжтой байж болно (жишээлбэл, хувьцааны индексүүд цаг хугацааны явцад муу гүйцэтгэлтэй компаниудыг унагадаг тул түүхэн индексийн өгөгдөл нь өсөх хандлагатай байж болно). Өгөгдлийг цэвэрлэх, засах нь энгийн ажил биш юм. Нэмж дурдахад, мэдээллийн өөр эх сурвалж нь үнэтэй эсвэл олж авахад хэцүү байж болох бөгөөд энэ нь жижиглэнгийн хөрөнгө оруулагчдад илүү өргөн хүрээтэй мэдээлэл өгөхгүй байхын зэрэгцээ байгууллагын тоглогчдод давуу тал өгөх болно. Давтамжийн асуудал бас бий : өндөр давтамжийн арилжааны загварууд нь асар том хэмжээтэй, тусгай дэд бүтэц шаардсан тоо тус бүрээр өгөгдөл шаарддаг бол бага давтамжтай загварууд өдөр тутмын эсвэл долоо хоног тутмын өгөгдлийг ашиглаж болно. Мэдээллийг цаг тухайд нь (жишээ нь, харгалзах үнийн мэдээлэлтэй мэдээ) болон хэтийн төлөвөөс ангид байлгах нь байнгын сорилт юм.

• Загварын ил тод байдал ба тайлбарлах чадвар: AI-ийн олон загварууд, ялангуяа гүнзгий суралцах загварууд нь хар хайрцаг . Тэд амархан тайлбарлах шалтгаангүйгээр таамаглал эсвэл арилжааны дохиог тасалдуулж магадгүй юм. Энэхүү ил тод байдлын хомсдол нь хөрөнгө оруулагчдад, ялангуяа оролцогч талуудад шийдвэрээ зөвтгөх эсвэл дүрэм журмыг дагаж мөрдөх шаардлагатай институцийн хувьд асуудал үүсгэдэг. Хэрэв хиймэл оюун ухаантай загвар нь хувьцааны ханш унана гэж таамаглаж, зарахыг зөвлөж байгаа бол багцын менежер үндэслэлийг ойлгохгүй байвал эргэлзэж магадгүй юм. AI-ийн шийдвэрийн тунгалаг байдал нь загварын үнэн зөв эсэхээс үл хамааран итгэлцэл, үрчлэлтийг бууруулдаг. Энэхүү сорилт нь санхүүгийн хувьд тайлбарлах боломжтой хиймэл оюун ухааныг судлахад түлхэц өгч байгаа ч загварын нарийн төвөгтэй/нарийвчлал, тайлбарлах чадвар хоёрын хооронд зөрчилдөөн байдаг нь үнэн юм.

• Дасан зохицох зах зээл ба өрсөлдөөн: дасан зохицох чадвартай гэдгийг анхаарах нь чухал . Урьдчилан таамаглах хэв маягийг олж илрүүлсний дараа (AI эсвэл ямар нэгэн аргаар) олон худалдаачид ашиглавал энэ нь ажиллахаа больж магадгүй юм. Жишээлбэл, хэрэв хиймэл оюун ухаантай загвар нь хувьцааны өсөлтөөс өмнө тодорхой дохио байдгийг олж мэдвэл арилжаачид тэр дохиогоор эрт ажиллаж эхлэх бөгөөд ингэснээр боломжоо алдах болно. Үндсэндээ зах зээл нь мэдэгдэж буй стратегийг хүчингүй болгохын тулд хувьсан өөрчлөгдөж болно . Өнөөдөр олон худалдааны пүүс, сангууд AI болон ML ашигладаг. Энэ өрсөлдөөн нь аливаа ирмэг нь ихэвчлэн жижиг, богино настай байдаг гэсэн үг юм. Үүний үр дүнд AI загварууд өөрчлөгдөж буй зах зээлийн динамикийг дагаж мөрдөхийн тулд байнга давтан сургах, шинэчлэх шаардлагатай болдог. Өндөр хөрвөх чадвартай, төлөвшсөн зах зээлд (АНУ-ын томоохон хувьцаанууд гэх мэт) олон боловсронгуй тоглогчид ижил дохиог хайж байгаа нь давуу талыг хадгалахад маш хэцүү болгодог. Үүний эсрэгээр, үр ашиг багатай зах зээл эсвэл үндсэн хөрөнгийн хувьд хиймэл оюун ухаан түр зуурын үр ашиггүй байдлыг олж мэдэх боловч эдгээр зах зээл шинэчлэгдэх тусам ялгаа арилах болно. Зах зээлийн энэхүү динамик шинж чанар нь үндсэн сорилт юм: "тоглоомын дүрэм" нь тогтмол биш тул өнгөрсөн жил ажиллаж байсан загварыг ирэх жил шинэчлэх шаардлагатай байж магадгүй юм.

• Бодит ертөнцийн хязгаарлалт: AI загвар нь үнийг зохих нарийвчлалтайгаар таамаглаж чаддаг байсан ч таамаглалыг ашиг болгон хувиргах нь бас нэг сорилт юм. шимтгэл, гулсах, татвар зэрэг гүйлгээний зардал гардаг Загвар нь үнийн олон жижиг хөдөлгөөнийг зөв урьдчилан таамаглаж болох боловч арилжааны зах зээлийн нөлөөлөл болон хураамжаар ашиг нь арилж болно. Эрсдэлийн менежмент нь бас чухал юм - ямар ч таамаглал 100% баталгаатай байдаггүй тул хиймэл оюун ухаанд суурилсан аливаа стратеги нь болзошгүй алдагдлыг (алдагдлыг зогсоох захиалга, багцын төрөлжүүлэх гэх мэт) тооцох ёстой. Институциуд хиймэл оюун ухаан нь буруу байж болзошгүй таамаглал дээр фермийг бооцоо тавихгүй байхын тулд AI таамаглалыг илүү өргөн эрсдэлийн хүрээнд нэгтгэдэг. Эдгээр практик санаанууд нь хиймэл оюун ухааны онолын давуу тал нь бодит ертөнцийн үрэлтийн дараа ашигтай байх ёстой гэсэн үг юм.

Дүгнэж хэлэхэд, хиймэл оюун ухаан асар их чадвартай боловч эдгээр хязгаарлалт нь хөрөнгийн зах зээлийг хэсэгчлэн урьдчилан таамаглах боломжтой, зарим талаар урьдчилан таамаглах боломжгүй систем хэвээр байгааг . AI загварууд нь өгөгдлийг илүү үр дүнтэй шинжлэх, магадгүй нарийн таамаглах дохиог илрүүлэх замаар хөрөнгө оруулагчдын таамаглалыг бууруулж чадна. Гэсэн хэдий ч үр ашигтай үнэ, чимээ шуугиантай өгөгдөл, урьдчилан таамаглаагүй үйл явдал, практик хязгаарлалтыг хослуулсан нь хамгийн сайн хиймэл оюун ухаан хүртэл заримдаа алдаатай байдаг - ихэнхдээ урьдчилан таамаглах аргагүй байдаг.

AI загваруудын гүйцэтгэл: Нотлох баримт юу хэлж байна вэ?

Хэлэлцсэн ахиц дэвшил, сорилт бэрхшээлийг харгалзан бид судалгаа, бодит ертөнц дэх хиймэл оюун ухааныг хувьцааны таамаглалд ашиглах оролдлогуудаас юу сурсан бэ? Өнөөдрийг хүртэл үр дүн нь холимог бөгөөд ирээдүйтэй амжилт , алдаа дутагдлыг .

• Хиймэл оюун ухаан давж гарах боломжийн тохиолдлууд: AI загварууд тодорхой нөхцөлд санамсаргүй таамаглалыг даван туулж чадна гэдгийг хэд хэдэн судалгаа харуулсан. Жишээлбэл, 2024 оны судалгаагаар Вьетнамын хөрөнгийн зах зээл дэх чиг хандлагыг Хөрөнгийн зах зээл дээрх хувьцааны үнийн хандлагыг урьдчилан таамаглахад машин сургалтын алгоритмуудыг ашиглах нь - Вьетнамын тохиолдол | Хүмүүнлэг, нийгмийн шинжлэх ухааны харилцаа холбоо ). Энэ нь тухайн зах зээлд (хөгжиж буй эдийн засаг) загвар нь LSTM-ийн олж мэдсэн үр ашиггүй байдал эсвэл техникийн хүчтэй чиг хандлагатай байсан учраас загвар нь тогтвортой хэв маягийг барьж чадсан гэдгийг харуулж байна. 2024 онд хийсэн өөр нэг судалгаа нь илүү өргөн хүрээг хамарсан: судлаачид бүх S&P 500 хувьцааны (илүү үр ашигтай зах зээл) богино хугацааны өгөөжийг урьдчилан таамаглахыг оролдсон. Тэд үүнийг Random Forests, SVM, LSTM зэрэг алгоритмуудыг ашиглан дараагийн 10 хоногт хувьцаа нь индексээс 2%-иар илүү гарах эсэхийг урьдчилан таамаглах ангиллын асуудал гэж тодорхойлсон. Үр дүн: LSTM загвар нь бусад ML загварууд болон санамсаргүй суурь үзүүлэлтээс хоёуланг нь давсан бөгөөд энэ нь зүгээр нэг аз биш гэдгийг харуулах хангалттай статистикийн ач холбогдолтой үр дүн байв ( Машинжуулалтыг ашиглан S&P 500 хувьцааны харьцангуй өгөөжийг урьдчилан таамаглах | Санхүүгийн инноваци | Бүрэн текст ). санамсаргүй алхах таамаглалд магадлал нь "бага юм" гэж дүгнэсэн нь тэдний ML загварууд бодит таамаглах дохиог олсон болохыг харуулж байна. Эдгээр жишээнүүд нь хиймэл оюун ухаан нь хувьцааны хөдөлгөөнийг урьдчилан таамаглахад давуу тал (даруухан ч гэсэн) өгдөг хэв маягийг үнэхээр тодорхойлж чаддаг болохыг харуулж байна, ялангуяа их хэмжээний өгөгдөл дээр туршиж үзэхэд.

• Аж үйлдвэрт ашиглах онцлох тохиолдлууд: Эрдмийн судалгаанаас гадна эрсдэлээс хамгаалах сангууд болон санхүүгийн байгууллагууд хиймэл оюун ухааныг арилжааны үйл ажиллагаандаа амжилттай ашиглаж байгаа тухай мэдээллүүд байдаг. Зарим өндөр давтамжийн худалдааны пүүсүүд зах зээлийн бичил бүтцийн хэв маягийг секундын дотор таньж, хариу үйлдэл үзүүлэхийн тулд хиймэл оюун ухааныг ашигладаг. багцын хуваарилалт , эрсдэлийг урьдчилан таамаглах хиймэл оюун ухааны загвартай байдаг бөгөөд энэ нь нэг хувьцааны үнийг үргэлж урьдчилан таамагладаггүй ч зах зээлийн талуудыг (тогтворгүй байдал, хамаарал гэх мэт) урьдчилан таамаглахад оролцдог. Арилжааны шийдвэр гаргахдаа машин сургалтыг ашигладаг хиймэл оюун ухаанд тулгуурласан сангууд (ихэвчлэн "хэмжээний сан" гэж нэрлэдэг) байдаг - зарим нь тодорхой хугацаанд зах зээлээс давж гарсан боловч ихэнхдээ хүний ​​болон машины оюун ухааныг хослуулан ашигладаг тул үүнийг хиймэл оюун ухаантай холбоход хэцүү байдаг. мэдрэмжийн шинжилгээ хийх ашиглах явдал юм : жишээлбэл, хувьцааны үнэ хэрхэн өөрчлөгдөхийг урьдчилан таамаглахын тулд мэдээ болон Twitter-ийг сканнердах. Ийм загварууд нь 100% үнэн зөв биш байж болох ч мэдээний үнийг арилжаачдад бага зэрэг эхлүүлэх боломжийг олгодог. Пүүсүүд хиймэл оюун ухааны амжилттай стратегийн нарийн ширийн зүйлийг ихэвчлэн оюуны өмч гэж нягт нямбай хамгаалж байдаг тул олон нийтийн эзэмшилд байгаа нотлох баримтууд хоцрох, эсвэл анекдот байх хандлагатай байдаг гэдгийг тэмдэглэх нь зүйтэй.

• Гүйцэтгэл муутай, бүтэлгүйтсэн тохиолдлууд: Амжилтын түүх болгонд анхааруулах үлгэрүүд байдаг. Нэг зах зээл эсвэл цаг хугацааны хувьд өндөр нарийвчлалтай гэж үзсэн олон эрдэм шинжилгээний судалгааг нэгтгэж чадаагүй. Сонирхолтой туршилт нь Энэтхэгийн хөрөнгийн зах зээлийн таамаглалын амжилттай судалгааг (техникийн үзүүлэлтүүд дээр ML-ийг ашиглан өндөр нарийвчлалтай) АНУ-ын хувьцаанууд дээр давтах гэж оролдсон. Хуулбарлах нь урьдчилан таамаглах чухал хүчийг - үнэн хэрэгтээ хувьцааны үнэ маргааш өсөх болно гэж үргэлж таамаглах гэнэн стратеги нь нарийн төвөгтэй ML загваруудаас илүү нарийвчлалтай ажилласан. Зохиогчид өөрсдийн үр дүн нь "санамсаргүй алхах онолыг дэмждэг" бөгөөд энэ нь хувьцааны хөдөлгөөнийг урьдчилан таамаглах аргагүй байсан бөгөөд ML загвар нь тус болохгүй гэсэн үг юм. Энэ нь зах зээл болон хугацаанаас хамааран үр дүн нь эрс ялгаатай болохыг онцолж байна. Үүний нэгэн адил, олон тооны Kaggle тэмцээн, тоон судалгааны уралдаанууд нь загварууд нь өнгөрсөн үеийн өгөгдөлд сайн нийцэж чаддаг ч шинэ нөхцөл байдалд тулгарвал шууд арилжааны гүйцэтгэл нь ихэвчлэн 50% нарийвчлалтай (чиглэлийг урьдчилан таамаглахад) хүртэл буурдаг болохыг харуулсан. 2007 оны тоо хэмжээний сангийн задрал, 2020 оны тахлын цочролын үед хиймэл оюун ухаанд суурилсан сангуудад тулгарч байсан хүндрэл зэрэг жишээнүүд нь зах зээлийн горим өөрчлөгдөхөд хиймэл оюун ухааны загварууд гэнэт ганхаж болзошгүйг харуулж байна. Амьд үлдэх тал дээр өрөөсгөл ойлголт нь бас нэг хүчин зүйл болдог - бид AI-ийн амжилтын талаар бүтэлгүйтлээс илүү олон удаа сонсдог, гэхдээ хөшигний ард олон загвар, сангууд өөрсдийн стратеги ажиллахаа больсон тул чимээгүйхэн бүтэлгүйтэж, хаагддаг.

• Зах зээл дээрх ялгаа: төлөвшил, үр ашгаас хамаарна . Харьцангуй үр ашиг багатай эсвэл шинээр гарч ирж буй зах зээлд AI загваруудад илүү нарийвчлалтай хүрэх боломжийг олгодог (шинжээчдийн хамрах хүрээ бага, хөрвөх чадварын хязгаарлалт эсвэл зан үйлийн хэв маягийн улмаас) илүү ашиглах боломжтой загвар байж болно. Вьетнамын зах зээлийн LSTM-ийн 93 хувийн нарийвчлалтай судалгаа нь үүний жишээ байж болох юм. Үүний эсрэгээр, АНУ зэрэг өндөр үр ашигтай зах зээлд эдгээр хэв маягийг хурдан арбитраар шийдвэрлэж болно. Вьетнамын хэрэг болон АНУ-ын хуулбар судалгааны хоорондох холимог үр дүн нь энэ зөрүүг харуулж байна. Дэлхий даяар энэ нь хиймэл оюун ухаан одоогоор тодорхой зах зээл эсвэл хөрөнгийн ангилалд илүү сайн урьдчилан таамаглах гүйцэтгэлийг гаргаж чадна гэсэн үг юм (жишээлбэл, зарим нь түүхий эдийн үнэ эсвэл криптовалютын чиг хандлагыг янз бүрээр таамаглахад хиймэл оюун ухаан ашигласан байдаг). Цаг хугацаа өнгөрөх тусам бүх зах зээл илүү үр дүнтэй болохын хэрээр урьдчилан таамаглахад хялбар ялалтын цонх нарийсдаг.

• Нарийвчлал ба ашигт ажиллагаа: Урьдчилан таамаглах үнэн зөвийг хөрөнгө оруулалтын ашигт ажиллагаанаас ялгах нь бас чухал юм . Загвар нь хувьцааны өдөр тутмын дээш доош шилжих хөдөлгөөнийг урьдчилан таамаглахад зөвхөн 60% үнэн зөв байж болох юм - энэ нь тийм ч өндөр сонсогдохгүй - гэхдээ эдгээр таамаглалыг ухаалаг арилжааны стратегид ашиглавал нэлээд ашигтай байх болно. Эсрэгээр, загвар нь 90% нарийвчлалтайгаар сайрхаж болох боловч хэрэв буруу гэж үзсэн 10% нь зах зээлийн асар том хөдөлгөөнтэй (мөн их хэмжээний алдагдалтай) давхцаж байвал энэ нь ашиггүй байж болно. AI-ийн хувьцааг урьдчилан таамаглах олон хүчин чармайлт нь чиглэлийн нарийвчлал эсвэл алдааг багасгахад чиглэдэг боловч хөрөнгө оруулагчид эрсдэлийг тохируулсан өгөөжийг анхаарч үздэг. Тиймээс үнэлгээнд зөвхөн түүхий цохилтын хувь хэмжээ бус Шарпын харьцаа, бууралт, гүйцэтгэлийн тууштай байдал зэрэг хэмжүүрүүдийг багтаадаг. Зарим AI загварууд нь албан тушаал, эрсдэлийг автоматаар удирддаг алгоритмын арилжааны системд нэгтгэгдсэн байдаг - тэдгээрийн бодит гүйцэтгэлийг бие даасан таамаглалын статистик мэдээллээс илүүтэйгээр арилжааны өгөөжөөр хэмждэг. Одоогийн байдлаар жилээс жилд найдвартай мөнгө урсдаг бүрэн бие даасан "AI худалдаачин" нь бодит байдлаас илүү шинжлэх ухааны уран зөгнөлт юм, гэхдээ илүү нарийссан програмууд (богино хугацааны зах зээлийн тогтворгүй байдлыг арилжаачид үнийн сонголт хийхэд ашиглаж болох гэх мэт) санхүүгийн хэрэгсэлд байр сууриа олж чадсан.

Нийтдээ баримтаас харахад хиймэл оюун ухаан нь зах зээлийн тодорхой хэв маягийг боломжоос илүү нарийвчлалтайгаар урьдчилан таамаглах боломжтой бөгөөд ингэснээр арилжааны давуу талыг бий болгож чадна. Гэсэн хэдий ч, энэ ирмэг нь ихэвчлэн бага байдаг бөгөөд үүнийг ашиглахын тулд нарийн гүйцэтгэл шаарддаг. Хэн нэгэн асуухад хиймэл оюун ухаан хөрөнгийн зах зээлийг урьдчилан таамаглаж чадах уу? , одоогийн нотолгоонд тулгуурласан хамгийн шударга хариулт нь: AI заримдаа тодорхой нөхцөлд хөрөнгийн зах зээлийн талуудыг урьдчилан таамаглаж чаддаг ч бүх хувьцааны хувьд үүнийг тогтмол хийж чадахгүй . Амжилт нь хэсэгчилсэн бөгөөд нөхцөл байдлаас хамааралтай байдаг.

Дүгнэлт: Хөрөнгийн зах зээлийн таамаглал дахь хиймэл оюун ухааны бодит хүлээлт

AI болон машин сургалт нь санхүүгийн салбарт хүчирхэг хэрэгсэл болсон нь дамжиггүй. Тэд асар их өгөгдлийн багц боловсруулах, далд хамаарлыг илрүүлэх, тэр ч байтугай стратегийг шууд дасан зохицох чадвараараа гарамгай байдаг. Хөрөнгийн зах зээлийг урьдчилан таамаглахын тулд хиймэл оюун ухаан бодитой боловч хязгаарлагдмал ялалтуудыг авчирсан. Хөрөнгө оруулагчид болон институциуд нь хиймэл оюун ухаан нь шийдвэр гаргахад, тухайлбал, урьдчилан таамаглах дохио үүсгэх, багцыг оновчтой болгох, эрсдэлийг удирдах зэрэгт туслана гэж бодитойгоор хүлээж болох боловч ашгийг баталгаажуулдаг болор бөмбөлөг болж чадахгүй.

AI юу
чадах вэ : AI нь хөрөнгө оруулалт хийх аналитик үйл явцыг сайжруулж чадна. Энэ нь олон жилийн зах зээлийн мэдээлэл, мэдээний мэдээлэл, санхүүгийн тайланг хэдхэн секундын дотор шүүж, хүний ​​анзаарахгүй байж болох нарийн хэв маяг, гажуудлыг илрүүлж чаддаг ( Хөрөнгийн зах зээлийн таамаглалд зориулж машин сургалтыг ашиглах нь... | FMP ). Энэ нь олон зуун хувьсагчдыг (техникийн, суурь, мэдрэмж гэх мэт) нэгтгэж, нэгдмэл таамаглал гаргах боломжтой. Богино хугацааны арилжаанд хиймэл оюун ухааны алгоритмууд нь нэг хувьцаа нөгөөгөөсөө илүү гарах эсвэл зах зээл дээр тогтворгүй байдал нэмэгдэх гэж байгааг санамсаргүй нарийвчлалаас арай дээр таамаглаж болно. Эдгээр өсөн нэмэгдэж буй ирмэгүүд нь зөв ашиглавал санхүүгийн бодит ашиг болж хувирдаг. эрсдэлийн менежментэд тусалж чадна - уналтын талаар эрт сэрэмжлүүлгийг тодорхойлох эсвэл хөрөнгө оруулагчдад таамаглалын итгэлийн түвшинг мэдээлэх. стратеги автоматжуулалтад оршдог : алгоритмууд нь арилжааг өндөр хурд, давтамжтайгаар гүйцэтгэх, үйл явдалд 24/7 хариу үйлдэл үзүүлэх, сахилга батыг хэрэгжүүлэх (сэтгэл хөдлөлийн арилжаа хийхгүй) зэрэг нь тогтворгүй зах зээлд ашигтай байдаг.

Хиймэл оюун ухаан юу
чадахгүй вэ (одоохондоо): Зарим хэвлэл мэдээллийн хэрэгслээр шуугиан тарьж байгаа хэдий ч хиймэл оюун ухаан нь зах зээлийг үргэлж ялах эсвэл томоохон эргэлтийн цэгүүдийг урьдчилан таамаглах цогц утгаараа хөрөнгийн зах зээлийг тогтвортой бөгөөд найдвартай урьдчилан таамаглаж Зах зээлд хүний ​​зан байдал, санамсаргүй үйл явдлууд, аливаа статик загварыг үл тоомсорлодог нарийн төвөгтэй санал хүсэлтийн гогцоонууд нөлөөлдөг. AI нь тодорхойгүй байдлыг арилгадаггүй; Энэ нь зөвхөн магадлалыг л авч үздэг. Хиймэл оюун ухаан нь маргааш хувьцаа өсөх магадлал 70% -ийг илтгэж болох бөгөөд энэ нь бас өсөхгүй байх 30% гэсэн үг юм. Арилжаагаа алдах, муу дуудлага хийх нь гарцаагүй. AI нь сургалтын өгөгдлөөс гадуур үнэхээр шинэлэг үйл явдлуудыг (ихэвчлэн "хар хун" гэж нэрлэдэг) урьдчилан таамаглаж чадахгүй. Түүнээс гадна аливаа амжилттай таамагласан загвар нь түүний давуу талыг сулруулж болох өрсөлдөөнийг бий болгодог. Нэг ёсондоо болор бөмбөлөгтэй дүйцэхүйц хиймэл оюун ухаанд зах зээлийн ирээдүйг урьдчилан харах баталгаа байхгүй. Хөрөнгө оруулагчид өөр зүйл хэлэхээс болгоомжлох хэрэгтэй.

Төвийг сахисан, бодитой хэтийн төлөв:
Төвийг сахисан байр сууринаас харахад хиймэл оюун ухаан нь уламжлалт дүн шинжилгээ, хүний ​​ойлголтыг орлуулах биш харин сайжруулах хэрэгсэл гэж үздэг. Практикт олон институциональ хөрөнгө оруулагчид хүний ​​шинжээчид болон портфолио менежерүүдийн саналаас гадна хиймэл оюун ухааны загварыг ашигладаг. Хиймэл оюун ухаан нь тоо, гаралтын таамаглалыг бууруулж болох ч хүмүүс зорилгоо тодорхойлж, үр дүнг тайлбарлаж, стратегийг контекст тохируулан тохируулдаг (жишээ нь, урьдчилан тооцоолоогүй хямралын үед загварыг хүчингүй болгох). AI-д суурилсан хэрэгсэл эсвэл арилжааны робот ашигладаг жижиглэнгийн хөрөнгө оруулагчид сонор сэрэмжтэй байж, хэрэгслийн логик, хязгаарлалтыг ойлгох ёстой. AI зөвлөмжийг сохроор дагаж мөрдөх нь эрсдэлтэй тул үүнийг олон хүмүүсийн дунд нэг оролт болгон ашиглах хэрэгтэй.

Бодит хүлээлтийг бий болгохдоо нэг дүгнэлт хийж болно: AI нь хөрөнгийн зах зээлийг тодорхой хэмжээгээр урьдчилан таамаглаж чадна, гэхдээ тодорхой, алдаагүй биш . зөв дуудлага хийх магадлалыг нэмэгдүүлэх үр ашгийг боломжтой бөгөөд энэ нь өрсөлдөөнт зах зээлд ашиг, алдагдлын хоорондох ялгаа байж болно. Гэсэн хэдий ч энэ нь баталгаажуулж эсвэл хөрөнгийн зах зээлийн тогтворгүй байдал, эрсдэлийг арилгах боломжгүй юм. Нэг хэвлэлд онцлон тэмдэглэснээр, үр ашигтай алгоритмтай байсан ч загварчлагдсан мэдээллээс гадуурх хүчин зүйлсийн улмаас "урьдчилан таамаглах аргагүй" Хөрөнгийн зах зээлийн таамаглалыг ашиглан гүнзгий бэхжүүлэх сургалт ).

Урагшлах зам:
Хөрөнгийн зах зээлийн таамаглалд хиймэл оюун ухааны үүрэг улам бүр нэмэгдэх болно. Үргэлжилж буй судалгаа нь зарим хязгаарлалтыг (жишээлбэл, дэглэмийн өөрчлөлтийг тооцдог загваруудыг боловсруулах эсвэл өгөгдөлд тулгуурласан болон үйл явдалд тулгуурласан дүн шинжилгээг агуулсан эрлийз системийг хөгжүүлэх) судалж байна. зах зээлийн шинэ өгөгдөлд бодит цаг хугацаанд дасан зохицож, статикаар бэлтгэгдсэн загваруудаас илүү өөрчлөгдөж буй орчныг илүү сайн зохицуулж чаддаг, бэхжүүлэх сургалтын агентуудыг сонирхож байна Цаашилбал, хиймэл оюун ухааныг зан үйлийн санхүү эсвэл сүлжээний шинжилгээний аргуудтай хослуулах нь зах зээлийн динамикийн илүү баялаг загваруудыг гаргаж чадна. Гэсэн хэдий ч ирээдүйн хамгийн дэвшилтэт хиймэл оюун ухаан хүртэл магадлал, тодорхойгүй байдлын хүрээнд ажиллах болно.

Дүгнэж хэлэхэд, "AI нь хөрөнгийн зах зээлийг урьдчилан таамаглаж чадах уу?" тийм эсвэл үгүй ​​гэсэн энгийн хариулт байхгүй. Хамгийн зөв хариулт бол: AI нь хөрөнгийн зах зээлийг урьдчилан таамаглахад тусалдаг, гэхдээ энэ нь буруу биш юм. Энэ нь ухаалгаар ашиглавал урьдчилан таамаглах, арилжааны стратегийг сайжруулах хүчирхэг хэрэгслүүдийг санал болгодог боловч зах зээлийн үндсэн урьдчилан таамаглах боломжгүй байдлыг арилгадаггүй. Хөрөнгө оруулагчид хиймэл оюун ухааныг давуу тал болох өгөгдөл боловсруулах, хэв маягийг таних зэрэгт ашиглахын зэрэгцээ сул талуудыг нь мэддэг байх ёстой. Ингэхдээ хүний ​​шүүлт, машины оюун ухаан зэрэг хоёр ертөнцийн хамгийн сайн талыг ашиглаж болно. Хөрөнгийн зах зээл хэзээ ч 100% урьдчилан таамаглах боломжгүй байж болох ч бодитой хүлээлт, хиймэл оюун ухааныг ухаалаг ашигласнаар зах зээлд оролцогчид байнга хөгжиж буй санхүүгийн орчинд илүү мэдээлэлтэй, илүү сахилга баттай хөрөнгө оруулалтын шийдвэр гаргахыг эрмэлзэж чадна.

Үүний дараа уншихыг хүсч болох цагаан цааснууд:

🔗 Хиймэл оюун ухаан орлож чадахгүй ажлын байрууд – мөн хиймэл оюун ухаан ямар ажлыг орлох вэ?
Хиймэл оюун ухаан дэлхийн ажил эрхлэлтийг шинэчилж байгаа тул аль нь ирээдүйтэй, аль нь хамгийн эрсдэлтэйг олж мэдээрэй.

🔗 Хиймэл оюун ухаан хүний ​​оролцоогүйгээр юу хийж чадах вэ?
Практик хувилбарт хиймэл хиймэл оюун ухааны одоогийн хил хязгаар, бие даасан чадварыг ойлгох.

🔗 Генератив AI-г кибер аюулгүй байдалд хэрхэн ашиглах вэ?
Хиймэл оюун ухаан нь урьдчилан таамаглах, бие даасан хэрэгслээр аюул заналаас хэрхэн хамгаалж, кибер тэсвэрлэх чадварыг сайжруулж байгааг олж мэдээрэй.