Хиймэл оюун ухаан хөрөнгийн зах зээлийг урьдчилан таамаглаж чадах уу?

Танилцуулга

Хөрөнгийн зах зээлийг урьдчилан таамаглах нь дэлхий даяарх институцийн болон жижиглэнгийн хөрөнгө оруулагчдын эрэлхийлдэг санхүүгийн "ариун шүтээн" байсаар ирсэн. Хиймэл оюун ухаан (AI) болон машин сургалтын (ML) эдгээр технологиуд хувьцааны үнийг урьдчилан таамаглах нууцыг эцэслэн тайлсан болов уу гэж олон хүн гайхаж байна. Хиймэл оюун ухаан хувьцааны зах зээлийг урьдчилан таамаглаж чадах уу? Энэхүү цагаан баримт бичигт энэ асуултыг дэлхийн өнцөг булан бүрээс авч үзэж, хиймэл оюун ухаанаар удирдуулсан загварууд зах зээлийн хөдөлгөөнийг хэрхэн урьдчилан таамаглахыг оролддог, эдгээр загваруудын ард байгаа онолын үндэс суурь, тэдгээрийн тулгарч буй бодит хязгаарлалтуудыг тоймлон харуулсан болно. Бид санхүүгийн зах зээлийн урьдчилсан таамаглалын хүрээнд хиймэл хийж чадах , юу чадахгүй

Үр ашигтай зах зээлийн таамаглал (ҮЗЗ) онцолдог . ҮЗЗ (ялангуяа "хүчтэй" хэлбэрээрээ) нь хувьцааны үнэ нь тухайн үед байгаа бүх мэдээллийг бүрэн тусгадаг гэж үздэг бөгөөд энэ нь ямар ч хөрөнгө оруулагч (дотоод хүмүүс ч гэсэн) байгаа мэдээллээр арилжаа хийснээр зах зээлээс тогтмол илүү сайн ажиллаж чадахгүй гэсэн үг юм ( Мэдрэлийн сүлжээнд суурилсан өгөгдөлд суурилсан хувьцааны урьдчилсан таамаглалын загварууд: Тойм ). Энгийнээр хэлбэл, хэрэв зах зээл өндөр үр ашигтай бөгөөд үнэ санамсаргүй байдлаар бол ирээдүйн үнийг зөв таамаглах нь бараг боломжгүй байх ёстой. Энэхүү онолоос үл хамааран зах зээлийг ялах хүсэл эрмэлзэл нь дэвшилтэт урьдчилан таамаглах аргуудын талаар өргөн хүрээтэй судалгаа хийхэд түлхэц болсон. Хиймэл оюун ухаан болон машин сургалт нь асар их хэмжээний өгөгдлийг боловсруулж, хүмүүсийн алдаж болзошгүй нарийн хэв маягийг тодорхойлох чадварын ачаар энэхүү эрэл хайгуулын гол цөм болсон ( Хөрөнгийн зах зээлийн урьдчилсан таамаглалд машин сургалтыг ашиглах нь... | FMP ).

Энэхүү цагаан баримт бичигт хөрөнгийн зах зээлийн урьдчилсан таамаглалд ашигладаг хиймэл оюун ухааны техникүүдийн цогц тоймыг өгч, тэдгээрийн үр нөлөөг үнэлдэг. Бид алдартай загваруудын онолын үндэс суурийг өгөгдөл болон сургалтын үйл явцыг хязгаарлалт, бэрхшээлийг онцлон тэмдэглэх болно . Одоогоор олж авсан холимог үр дүнг харуулахын тулд бодит ертөнцийн судалгаа, жишээнүүдийг оруулсан болно. Эцэст нь бид хөрөнгө оруулагчид болон мэргэжилтнүүдийн бодит хүлээлтээр дүгнэж байна: санхүүгийн зах зээл ямар ч алгоритм бүрэн арилгаж чадахгүй урьдчилан таамаглах боломжгүй түвшинг хадгалж байгааг хүлээн зөвшөөрөхийн зэрэгцээ хиймэл оюун ухааны гайхалтай чадварыг хүлээн зөвшөөрөх.

Хөрөнгийн зах зээлийн таамаглал дахь хиймэл оюун ухааны онолын үндэс

Орчин үеийн хиймэл оюун ухаанд суурилсан хувьцааны урьдчилсан таамаглал нь статистик, санхүү, компьютерийн шинжлэх ухааны чиглэлээр олон арван жилийн судалгаан дээр суурилдаг. Уламжлалт загваруудаас эхлээд дэвшилтэт хиймэл оюун ухаан хүртэлх хандлагын хүрээг ойлгох нь ашигтай:

• Уламжлалт Цагийн Цувралын Загварууд: Хувьцааны урьдчилсан мэдээ нь өнгөрсөн үеийн үнийн хэв маягийг ирээдүйг урьдчилан таамаглаж чадна гэж үздэг статистик загварууд дээр суурилдаг байв. ARIMA (Авто-Регрессив Интеграцчилагдсан Хөдөлгөөнт Дундаж) болон ARCH/GARCH нь цагийн цувааны өгөгдөлд шугаман чиг хандлага болон хэлбэлзлийн кластерыг барихад чиглэгддэг ( Мэдээлэлд суурилсан, мэдрэлийн сүлжээнд суурилсан, хувьцааны урьдчилсан мэдээний загварууд: Тойм ). Эдгээр загварууд нь түүхэн үнийн дарааллыг хөдөлгөөнгүй байдал болон шугаман байдлын таамаглалын дор загварчлах замаар урьдчилан таамаглах суурь шугамыг өгдөг. Ашигтай хэдий ч уламжлалт загварууд нь бодит зах зээлийн нарийн төвөгтэй, шугаман бус хэв маягтай тулгардаг тул практикт таамаглалын нарийвчлал хязгаарлагдмал байдаг ( Мэдээлэлд суурилсан, мэдрэлийн сүлжээнд суурилсан, хувьцааны урьдчилсан мэдээний загварууд: Тойм ).

• Машин сургалтын алгоритмууд: өгөгдлөөс шууд хэв маягийг сурснаар урьдчилан тодорхойлсон статистикийн томъёоноос давж гардаг Дэмжлэгийн векторын машинууд (SVM) , санамсаргүй ой мод , градиент нэмэгдүүлэх зэрэг алгоритмуудыг хувьцааны урьдчилсан таамаглалд ашигласан. Эдгээр нь техникийн үзүүлэлтүүдээс (жишээ нь, хөдөлгөөнт дундаж, арилжааны хэмжээ) эхлээд үндсэн үзүүлэлтүүд (жишээ нь, орлого, макро эдийн засгийн өгөгдөл) хүртэлх өргөн хүрээний оролтын шинж чанаруудыг багтааж, тэдгээрийн хоорондох шугаман бус хамаарлыг олж чаддаг. Жишээлбэл, санамсаргүй ой мод эсвэл градиент нэмэгдүүлэх загвар нь энгийн шугаман загвар алдаж болзошгүй харилцан үйлчлэлийг барьж, олон арван хүчин зүйлийг нэгэн зэрэг авч үзэж чаддаг. Эдгээр ML загварууд нь өгөгдөл дэх нарийн төвөгтэй дохиог илрүүлснээр урьдчилан таамаглах нарийвчлалыг бага зэрэг сайжруулах чадварыг харуулсан ( Хөрөнгийн зах зээлийн урьдчилсан таамаглалд машин сургалтыг ашиглах нь... | FMP ). Гэсэн хэдий ч хэт тохируулгаас зайлсхийхийн тулд болгоомжтой тохируулга, хангалттай өгөгдөл шаарддаг (дохионоос илүү дуу чимээ сурах).

• Гүнзгий сургалт (Мэдрэлийн сүлжээ): Хүний тархины бүтцээс санаа авсан гүнзгий мэдрэлийн сүлжээ Давтагдах мэдрэлийн сүлжээ (RNN) болон тэдгээрийн хувилбар болох Урт богино хугацааны санах ой (LSTM) нь хувьцааны үнийн хугацааны цуваа гэх мэт дарааллын өгөгдөлд тусгайлан зориулагдсан байдаг. LSTM нь өнгөрсөн мэдээллийн санах ойг хадгалж, цаг хугацааны хамаарлыг барьж чаддаг тул зах зээлийн өгөгдөл дэх чиг хандлага, мөчлөг эсвэл бусад цаг хугацаанаас хамааралтай хэв маягийг загварчлахад тохиромжтой болгодог. Судалгаанаас харахад LSTM болон бусад гүнзгий сургалтын загварууд нь санхүүгийн өгөгдөл дэх энгийн загварууд алдаж болох нарийн төвөгтэй, шугаман бус харилцааг Convolutional Neural Networks (CNNs) (заримдаа техникийн индикаторын "зураг" эсвэл кодлогдсон дараалалд ашиглагддаг), Transformers (өөр өөр цагийн алхам эсвэл өгөгдлийн эх сурвалжийн ач холбогдлыг жинлэхийн тулд анхаарлын механизмыг ашигладаг), тэр ч байтугай График мэдрэлийн сүлжээ (GNNs) (зах зээлийн график дахь хувьцааны хоорондын харилцааг загварчлах) орно. Эдгээр дэвшилтэт мэдрэлийн сүлжээ нь зөвхөн үнийн мэдээлэл төдийгүй мэдээний текст, олон нийтийн мэдээллийн хэрэгслийн сэтгэгдэл гэх мэт өөр мэдээллийн эх сурвалжуудыг шингээж авах боломжтой бөгөөд зах зээлийн хөдөлгөөнийг урьдчилан таамаглах боломжтой хийсвэр шинж чанаруудыг сурдаг ( Хөрөнгийн зах зээлийн урьдчилсан мэдээнд машин сургалтыг ашиглах нь... | FMP ). Гүнзгий сургалтын уян хатан байдал нь өртөгтэй байдаг: тэдгээр нь өгөгдөлд ихээр өртдөг, тооцоолол шаарддаг бөгөөд ихэвчлэн тайлбарлах чадвар багатай "хар хайрцаг" болж ажилладаг.

• Бэхжүүлэх сургалт: Хиймэл оюун ухааны хувьцааны урьдчилсан таамаглалын өөр нэг чиглэл бол бэхлэлт сургалт (БС) бөгөөд зорилго нь зөвхөн үнийг урьдчилан таамаглахаас гадна оновчтой арилжааны стратеги сурах явдал юм. БС-ийн хүрээнд агент (Хиймэл оюун ухааны загвар) нь арга хэмжээ авах (худалдаж авах, зарах, барих) болон шагнал (ашиг эсвэл алдагдал) авах замаар орчин (зах зээл)-тэй харилцан үйлчилдэг. Цаг хугацаа өнгөрөхөд агент хуримтлагдсан шагналыг хамгийн их байлгах бодлогыг сурдаг. Гүнзгий бэхлэлт сургалт (ДБС) шийдвэрийн дарааллыг авч үзэх, хөрөнгө оруулалтын өгөөжийг шууд оновчтой болгох чадвар юм . Жишээлбэл, БС-ийн агент үнийн дохион дээр үндэслэн хэзээ байр суурьт орох, гарахыг сурч, зах зээлийн нөхцөл байдал өөрчлөгдөхөд дасан зохицож чаддаг. БС-ийг тоон арилжааны тэмцээн болон зарим өмчийн арилжааны системд өрсөлддөг Хиймэл оюун ухааны загваруудыг сургахад ашиглаж ирсэн нь анхаарал татаж байна. Гэсэн хэдий ч RL аргууд нь мөн томоохон бэрхшээлтэй тулгардаг: тэдгээр нь өргөн хүрээтэй сургалт шаарддаг (олон жилийн арилжааг дуурайлган хийдэг), сайтар тохируулаагүй бол тогтворгүй байдал эсвэл зөрүүтэй зан авиртай тулгарч болзошгүй бөгөөд тэдгээрийн гүйцэтгэл нь зах зээлийн таамагласан орчинд маш мэдрэмтгий байдаг. Судлаачид өндөр тооцооллын зардал, тогтвортой байдлын асуудлууд . Эдгээр бэрхшээлүүдээс үл хамааран RL нь ялангуяа эрлийз шийдвэр гаргах системийг (Гүн бэхжүүлэх сургалтыг ашиглан хөрөнгийн зах зээлийн таамаглал ) бий болгохын тулд бусад техникүүдтэй (жишээлбэл, үнийн таамаглалын загвар болон RL дээр суурилсан хуваарилалтын стратеги ашиглах) хослуулсан тохиолдолд ирээдүйтэй арга юм.

Өгөгдлийн эх сурвалж ба сургалтын үйл явц

Загварын төрлөөс үл хамааран өгөгдөл нь хиймэл оюун ухааны хөрөнгийн зах зээлийн таамаглалын гол тулгуур юм . Загваруудыг хэв маягийг илрүүлэхийн тулд ихэвчлэн түүхэн зах зээлийн өгөгдөл болон бусад холбогдох өгөгдлийн багц дээр сургадаг. Нийтлэг өгөгдлийн эх сурвалж болон онцлог шинж чанаруудад дараахь зүйлс орно.

• Түүхэн үнэ ба техникийн үзүүлэлтүүд: Бараг бүх загварууд өнгөрсөн үеийн хувьцааны үнэ (нээлттэй, өндөр, бага, хаалттай) болон арилжааны хэмжээг ашигладаг. Эдгээрээс шинжээчид техникийн үзүүлэлтүүдийг (хөдөлгөөнт дундаж, харьцангуй хүчний индекс, MACD гэх мэт) оролт болгон гаргаж авдаг. Эдгээр үзүүлэлтүүд нь загварын ашиглаж болох чиг хандлага эсвэл эрч хүчийг тодруулахад тусалдаг. Жишээлбэл, загвар нь маргаашийн үнийн хөдөлгөөнийг урьдчилан таамаглахын тулд сүүлийн 10 хоногийн үнэ, эзлэхүүн, түүнчлэн 10 хоногийн хөдөлгөөнт дундаж эсвэл хэлбэлзлийн хэмжүүр зэрэг үзүүлэлтүүдийг оролт болгон авч болно.

• Зах зээлийн индексүүд ба эдийн засгийн өгөгдөл: Олон загварууд нь индексийн түвшин, хүүгийн түвшин, инфляци, ДНБ-ий өсөлт эсвэл бусад эдийн засгийн үзүүлэлтүүд гэх мэт зах зээлийн өргөн хүрээтэй мэдээллийг агуулдаг. 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 болон сэтгэл хөдлөлийн өгөгдөл: Мэдээний нийтлэл, олон нийтийн мэдээллийн хэрэгсэл (Twitter, Stocktwits), санхүүгийн тайлан зэрэг бүтэцгүй өгөгдлийг шингээдэг хиймэл оюун ухааны системүүдийн тоо нэмэгдэж байна. BERT зэрэг дэвшилтэт загваруудыг оролцуулан Байгалийн Хэл Боловсруулалтын (NLP) техникүүдийг зах зээлийн сэтгэл хөдлөлийг хэмжих эсвэл холбогдох үйл явдлуудыг илрүүлэхэд ашигладаг. Жишээлбэл, хэрэв мэдээний сэтгэл хөдлөл компани эсвэл салбарын хувьд гэнэт огцом сөрөг болж хувирвал хиймэл оюун ухааны загвар нь холбогдох хувьцааны үнийн уналтыг урьдчилан таамаглаж болно. Бодит цагийн мэдээ болон олон нийтийн мэдээллийн хэрэгслийн сэтгэл хөдлөлийг хиймэл оюун ухаан нь шинэ мэдээлэлд хүний ​​худалдаачдаас илүү хурдан хариу үйлдэл үзүүлэх боломжтой.

• Өөр өгөгдөл: Зарим нарийн төвөгтэй хедж сан болон хиймэл оюун ухааны судлаачид урьдчилан таамаглах мэдээлэл олж авахын тулд өөр өгөгдлийн эх сурвалжууд болох хиймэл дагуулын зураг (дэлгүүрийн урсгал эсвэл үйлдвэрлэлийн үйл ажиллагааны хувьд), зээлийн картын гүйлгээний мэдээлэл, вэб хайлтын чиг хандлага гэх мэтийг ашигладаг. Эдгээр уламжлалт бус өгөгдлийн багцууд нь заримдаа хувьцааны гүйцэтгэлийн тэргүүлэх үзүүлэлт болж чаддаг ч загвар сургалтад нарийн төвөгтэй байдлыг авчирдаг.

Хувьцааны таамаглалд зориулж хиймэл оюун ухааны загварыг сургах нь энэхүү түүхэн өгөгдлийг өгөх, таамаглалын алдааг багасгахын тулд загварын параметрүүдийг тохируулахыг шаарддаг. Ерөнхийдөө өгөгдлийг сургалтын багц (жишээ нь, хэв маягийг сурах хуучин түүх) болон туршилт/баталгаажуулах багц (үл үзэгдэх нөхцөл байдлын гүйцэтгэлийг үнэлэх илүү сүүлийн үеийн өгөгдөл) гэж хуваадаг. Зах зээлийн өгөгдлийн дарааллын шинж чанарыг харгалзан үзвэл "ирээдүй рүү харах"-аас зайлсхийхэд анхаардаг - жишээлбэл, загваруудыг бодит арилжаанд хэрхэн ажиллахыг дуурайлган сургалтын хугацаанаас хойшхи хугацааны өгөгдөл дээр үнэлдэг. хөндлөн баталгаажуулалтын техник (жишээлбэл, урагшлах баталгаажуулалт) нь загварыг сайн ерөнхийлж, зөвхөн нэг тодорхой хугацаанд тохируулаагүй эсэхийг баталгаажуулахын тулд ашиглагддаг.

Түүнчлэн, мэргэжилтнүүд өгөгдлийн чанар болон урьдчилсан боловсруулалтын асуудлыг шийдвэрлэх ёстой. Алдагдсан өгөгдөл, гадуурх үзүүлэлтүүд (жишээлбэл, хувьцааны хуваагдал эсвэл нэг удаагийн үйл явдлаас үүдэлтэй гэнэтийн огцом өсөлт), зах зээл дэх дэглэмийн өөрчлөлтүүд нь загварын сургалтад нөлөөлж болно. Хэвийн болгох, чиг хандлагыг бууруулах, эсвэл улирлын бус болгох зэрэг аргуудыг оролтын өгөгдөлд хэрэглэж болно. Зарим дэвшилтэт аргууд нь үнийн цувралыг бүрэлдэхүүн хэсгүүдэд (чиг хандлага, мөчлөг, дуу чимээ) задалж, тэдгээрийг тусад нь загварчилдаг (хувьсах горимын задралыг мэдрэлийн сүлжээтэй хослуулсан судалгаанд харагдаж байна ( Гүн бэхжүүлэх сургалтыг ашиглан хөрөнгийн зах зээлийн таамаглал )).

Өөр өөр загварууд өөр өөр сургалтын шаардлагатай байдаг: гүнзгий сургалтын загварууд хэдэн зуун мянган өгөгдлийн цэг шаардаж, GPU хурдатгалаас ашиг хүртэж болох бол логистик регресс гэх мэт энгийн загварууд харьцангуй жижиг өгөгдлийн багцаас суралцаж чаддаг. Бэхжүүлэлтийн сургалтын загварууд нь харилцан үйлчлэлцэхийн тулд симулятор эсвэл орчин шаарддаг; заримдаа түүхэн өгөгдлийг RL агент руу дахин тоглуулдаг, эсвэл зах зээлийн симуляторуудыг туршлага бий болгоход ашигладаг.

Эцэст нь, эдгээр загваруудыг сургасны дараа урьдчилан таамаглах функцийг өгдөг - жишээлбэл, маргаашийн урьдчилсан үнэ, хувьцаа өсөх магадлал эсвэл санал болгож буй үйлдэл (худалдаж авах/зарах) байж болох гаралт. Эдгээр таамаглалыг бодит мөнгийг эрсдэлд оруулахаас өмнө арилжааны стратегид (байрлалын хэмжээ, эрсдэлийн удирдлагын дүрэм гэх мэт) нэгтгэдэг.

Хязгаарлалт ба бэрхшээлүүд

Хиймэл оюун ухааны загварууд гайхалтай боловсронгуй болсон ч хөрөнгийн зах зээлийн урьдчилсан таамаглал нь төрөлхийн хүнд хэцүү ажил хэвээр байна . Зах зээл дээр хиймэл оюун ухааныг баталгаатай мэргэ төлөгч болгоход саад болж буй гол хязгаарлалт, саад бэрхшээлүүд нь дараах байдалтай байна.

• Зах зээлийн үр ашиг ба санамсаргүй байдал: Өмнө дурдсанчлан, Үр ашигтай зах зээлийн таамаглал нь үнэ нь аль хэдийн мэдэгдэж буй мэдээллийг тусгасан тул аливаа шинэ мэдээлэл шууд тохируулга хийхэд хүргэдэг гэж үздэг. Практик утгаараа энэ нь үнийн өөрчлөлт нь ихэвчлэн гэнэтийн мэдээ эсвэл санамсаргүй хэлбэлзлээс үүдэлтэй гэсэн үг юм. Үнэндээ хэдэн арван жилийн судалгаагаар богино хугацааны хувьцааны үнийн хөдөлгөөн нь санамсаргүй алхалттай төстэй болохыг тогтоожээ ( Мэдрэлийн сүлжээнд суурилсан өгөгдөлд суурилсан хувьцааны урьдчилсан мэдээний загварууд: Тойм ) - өчигдрийн үнэ маргаашийн үнэд бараг нөлөөлдөггүй бөгөөд боломжийн таамаглалаас гадна. Хэрэв хувьцааны үнэ үндсэндээ санамсаргүй эсвэл "үр ашигтай" бол ямар ч алгоритм тэдгээрийг өндөр нарийвчлалтайгаар тогтмол таамаглаж чадахгүй. Нэгэн судалгааны судалгаанд товчхон дурдсанчлан, "санамсаргүй алхалтын таамаглал болон үр ашигтай зах зээлийн таамаглал нь ирээдүйн хувьцааны үнийг системтэйгээр, найдвартай таамаглах боломжгүй гэж үндсэндээ заасан байдаг" ( Машин сургалтыг ашиглан S&P 500 хувьцааны харьцангуй өгөөжийг таамаглах | Санхүүгийн инноваци | Бүрэн текст ). Энэ нь хиймэл оюун ухааны таамаглал үргэлж ашиггүй гэсэн үг биш, гэхдээ энэ нь үндсэн хязгаарыг онцолж байна: зах зээлийн хөдөлгөөний ихэнх хэсэг нь хамгийн сайн загвар ч гэсэн урьдчилан таамаглаж чадахгүй чимээ шуугиан байж болно.

• Дуу чимээ ба урьдчилан таамаглах боломжгүй гадаад хүчин зүйлс: Хувьцааны үнэд олон хүчин зүйл нөлөөлдөг бөгөөд тэдгээрийн ихэнх нь гадны болон урьдчилан таамаглах аргагүй байдаг. Геополитикийн үйл явдлууд (дайн, сонгууль, зохицуулалтын өөрчлөлт), байгалийн гамшиг, цар тахал, гэнэтийн корпорацийн дуулиан, тэр ч байтугай вируст нийгмийн сүлжээний цуурхал нь зах зээлийг гэнэтийн байдлаар хөдөлгөж чаддаг. Эдгээр нь загвар нь урьд өмнө байгаагүй сургалтын өгөгдөлтэй байж чадахгүй (учир нь тэдгээр нь урьд өмнө байгаагүй) эсвэл ховор тохиолддог цочрол хэлбэрээр тохиолддог үйл явдлууд юм. Жишээлбэл, 2010-2019 оны түүхэн өгөгдөл дээр сургагдсан хиймэл оюун ухааны загвар нь 2020 оны эхээр COVID-19-ийн сүйрэл эсвэл түүний хурдан сэргэлтийг тусгайлан урьдчилан таамаглаж чадахгүй байсан. Санхүүгийн хиймэл оюун ухааны загварууд нь дэглэм өөрчлөгдөх эсвэл ганц үйл явдал үнийг хөөрөгдөх үед бэрхшээлтэй тулгардаг. Нэг эх сурвалжийн тэмдэглэснээр геополитикийн үйл явдал эсвэл гэнэтийн эдийн засгийн мэдээлэл гаргах зэрэг хүчин зүйлс нь таамаглалыг бараг тэр даруй хуучирч болзошгүй ( Хөрөнгийн зах зээлийн таамаглалд зориулж машин сургалтыг ашиглах нь... | FMP ) ( Хөрөнгийн зах зээлийн таамаглалд зориулж машин сургалтыг ашиглах нь... | FMP ). Өөрөөр хэлбэл, урьдчилан таамаглаагүй мэдээ нь алгоритмын таамаглалыг үргэлж дарж , бууруулж болохгүй тодорхойгүй байдлын түвшинг оруулж чаддаг.

• Хэт тохируулга ба ерөнхийлөлт: хэт тохируулга хийх хандлагатай байдаг - өөрөөр хэлбэл тэд сургалтын өгөгдлийн "шуугиан" эсвэл хачин жигтэй байдлыг үндсэн ерөнхий хэв маягаас илүү сайн сурч магадгүй юм. Хэт тохируулгатай загвар нь түүхэн өгөгдөл дээр гайхалтай ажиллаж (гайхалтай буцаан шалгасан өгөөж эсвэл дээжийн өндөр нарийвчлалыг харуулсан ч гэсэн), дараа нь шинэ өгөгдөл дээр маш их бүтэлгүйтэж болно. Энэ нь тоон санхүүгийн нийтлэг алдаа юм. Жишээлбэл, нарийн төвөгтэй мэдрэлийн сүлжээ нь өнгөрсөн хугацаанд санамсаргүй байдлаар хадгалагдаж байсан хуурамч хамаарлыг олж авч магадгүй (сүүлийн 5 жилийн хугацаанд өсөлтөөс өмнө тохиолдсон индикаторын кроссоверын тодорхой хослол гэх мэт) гэхдээ эдгээр харилцаа цаашид хадгалагдахгүй байж магадгүй юм. Практик жишээ: өнгөрсөн жилийн хувьцааны ялагчид үргэлж өсөх болно гэж таамагласан загварыг зохион бүтээж болно - энэ нь тодорхой хугацаанд тохирч магадгүй ч зах зээлийн дэглэм өөрчлөгдвөл энэ хэв маяг эвдэрнэ. Хэт тохируулга нь дээжийн бус гүйцэтгэлийг муутгадаг бөгөөд энэ нь шууд арилжааны загварын таамаглал нь хөгжүүлэлтэд гайхалтай харагдаж байгаа ч санамсаргүй байдлаас илүү сайн байж чадахгүй гэсэн үг юм. Хэт тохируулгаас зайлсхийхийн тулд тогтмолжуулах, загварын нарийн төвөгтэй байдлыг хянах, бат бөх баталгаажуулалт ашиглах зэрэг аргуудыг шаарддаг. Гэсэн хэдий ч хиймэл оюун ухааны загваруудад хүч өгдөг нарийн төвөгтэй байдал нь тэднийг энэ асуудалд эмзэг болгодог.

• Өгөгдлийн чанар ба хүртээмж: "Хог оруулбал, хог гарна" гэсэн зүйр үг нь хувьцааны урьдчилсан таамаглалд хиймэл оюун ухаанд хүчтэй нөлөөлдөг. Өгөгдлийн чанар, тоо хэмжээ, хамаарал нь загварын гүйцэтгэлд мэдэгдэхүйц нөлөөлдөг. Хэрэв түүхэн өгөгдөл хангалтгүй (жишээлбэл, хэдхэн жилийн хувьцааны үнийн талаар гүнзгий сүлжээг сургах гэж оролдох) эсвэл төлөөлөлгүй (жишээлбэл, ихэвчлэн өсөх үеийн өгөгдлийг ашиглан буурах хувилбарыг урьдчилан таамаглах) бол загвар нь сайн ерөнхийлөн дүгнэх боломжгүй. Өгөгдөл нь бас нэг талыг барьсан эсвэл амьд үлдэх боломжтой (жишээлбэл, хувьцааны индексүүд цаг хугацааны явцад муу гүйцэтгэлтэй компаниудыг байгалийн жамаар бууруулдаг тул түүхэн индексийн өгөгдөл дээшээ чиглэсэн байж болно). Өгөгдлийг цэвэрлэх, зохицуулах нь тийм ч хялбар ажил биш юм. Нэмж дурдахад, өөр өгөгдлийн давтамжийн асуудал байдаг : өндөр давтамжтай арилжааны загварууд нь асар их хэмжээний, тусгай дэд бүтэц шаарддаг тик-тик өгөгдөл шаарддаг бол бага давтамжтай загварууд нь өдөр тутмын эсвэл долоо хоногийн өгөгдлийг ашиглаж болно. Өгөгдөл цаг хугацааны хувьд уялдаатай (жишээлбэл, харгалзах үнийн мэдээлэлтэй мэдээ) бөгөөд урьдчилан харах хандлагагүй байх нь байнгын бэрхшээл хэвээр байна.

• Загварын ил тод байдал ба тайлбарлах чадвар: Олон хиймэл оюун ухааны загварууд, ялангуяа гүнзгий сургалтын загварууд нь хар хайрцаг . Тэд амархан тайлбарлах шалтгаангүйгээр таамаглал эсвэл арилжааны дохио гаргаж болзошгүй. Энэхүү ил тод бус байдал нь хөрөнгө оруулагчдад, ялангуяа оролцогч талуудад шийдвэрээ зөвтгөх эсвэл дүрэм журмыг дагаж мөрдөх шаардлагатай институцийн хувьд асуудал үүсгэж болзошгүй юм. Хэрэв хиймэл оюун ухааны загвар нь хувьцаа унана гэж таамаглаж, зарахыг санал болговол портфолио менежер үндэслэлийг нь ойлгохгүй бол эргэлзэж магадгүй юм. Хиймэл оюун ухааны шийдвэрийн тодорхойгүй байдал нь загварын нарийвчлалаас үл хамааран итгэлцэл, хэрэглээг бууруулж болзошгүй юм. Энэхүү бэрхшээл нь санхүүгийн хувьд тайлбарлах боломжтой хиймэл оюун ухааны судалгааг өдөөж байгаа боловч загварын нарийн төвөгтэй байдал/нарийвчлал ба тайлбарлах чадварын хооронд буулт хийх нь олонтаа байдаг нь үнэн хэвээр байна.

• Дасан зохицох зах зээл ба өрсөлдөөн: дасан зохицох чадвартай гэдгийг тэмдэглэх нь чухал юм . Урьдчилан таамаглах хэв маягийг (хиймэл оюун ухаан эсвэл ямар нэгэн аргаар) олж илрүүлж, олон арилжаачид ашигласны дараа энэ нь ажиллахаа больж магадгүй юм. Жишээлбэл, хэрэв хиймэл оюун ухааны загвар нь тодорхой дохио нь хувьцааны өсөлтөөс өмнө ихэвчлэн гарч ирдэг болохыг тогтоовол арилжаачид уг дохионы дагуу эрт ажиллаж эхлэх бөгөөд ингэснээр боломжийг алдана. Үндсэндээ зах зээлүүд мэдэгдэж буй стратегиудыг хүчингүй болгохын тулд хөгжиж чадна . Өнөөдөр олон арилжааны фирмүүд болон сангууд хиймэл оюун ухаан болон мөнгөний менежментийг ашигладаг. Энэ өрсөлдөөн нь аливаа давуу тал нь ихэвчлэн жижиг бөгөөд богино настай гэсэн үг юм. Үүний үр дүнд хиймэл оюун ухааны загварууд өөрчлөгдөж буй зах зээлийн динамикийг дагаж мөрдөхийн тулд байнга давтан сургалт, шинэчлэлт хийх шаардлагатай болж магадгүй юм. Өндөр хөрвөх чадвартай, боловсорсон зах зээлд (АНУ-ын томоохон хувьцаанууд гэх мэт) олон тооны нарийн тоглогчид ижил дохиог хайж байгаа нь давуу талаа хадгалахад маш хэцүү болгодог. Үүний эсрэгээр, үр ашиг багатай зах зээл эсвэл тусгай хөрөнгөд хиймэл оюун ухаан түр зуурын үр ашиггүй байдлыг олж магадгүй ч эдгээр зах зээлүүд шинэчлэгдэх тусам энэ зөрүү арилж магадгүй юм. Зах зээлийн энэхүү динамик шинж чанар нь үндсэн сорилт юм: "тоглоомын дүрэм" нь хөдөлгөөнгүй биш тул өнгөрсөн жил ажиллаж байсан загварыг ирэх жил шинэчлэх шаардлагатай болж магадгүй юм.

• Бодит ертөнцийн хязгаарлалтууд: Хиймэл оюун ухааны загвар нь үнийг зохих нарийвчлалтайгаар таамаглаж чадсан ч таамаглалыг ашиг болгон хувиргах нь өөр нэг бэрхшээл юм. Арилжаа нь гүйлгээний зардлыг . Загвар нь олон жижиг үнийн хөдөлгөөнийг зөв таамаглаж болох ч ашгийг хураамж болон арилжааны зах зээлийн нөлөөллөөр арчиж хаяж 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, портфолио төрөлжүүлэх гэх мэтээр) харгалзан үзэх ёстой. Байгууллагууд хиймэл оюун ухаан нь буруу байж болох таамаглалд ферм дээр мөрий тавихгүй байхын тулд хиймэл оюун ухааны таамаглалыг илүү өргөн хүрээтэй эрсдэлийн хүрээнд нэгтгэдэг. Эдгээр практик асуудлууд нь бодит ертөнцийн үрэлтийн дараа ашигтай байхын тулд хиймэл оюун ухааны онолын давуу тал нь мэдэгдэхүйц байх ёстой гэсэн үг юм.

Товчхондоо, хиймэл оюун ухаан нь асар их чадвартай боловч эдгээр хязгаарлалтууд нь хөрөнгийн зах зээлийг хэсэгчлэн урьдчилан таамаглах, хэсэгчлэн урьдчилан таамаглах боломжгүй систем хэвээр байлгахыг . Хиймэл оюун ухааны загварууд нь өгөгдлийг илүү үр дүнтэй шинжилж, нарийн урьдчилан таамаглах дохиог илрүүлснээр хөрөнгө оруулагчийн талд магадлалыг бууруулж чадна. Гэсэн хэдий ч үр ашигтай үнэ, шуугиантай өгөгдөл, урьдчилан таамаглаагүй үйл явдлууд, практик хязгаарлалтуудын хослол нь хамгийн сайн хиймэл оюун ухаан ч заримдаа буруу байх болно гэсэн үг юм - ихэвчлэн урьдчилан таамаглах аргагүй байдаг.

Хиймэл оюун ухааны загваруудын гүйцэтгэл: Нотлох баримтууд юу хэлж байна вэ?

Хэлэлцсэн дэвшил болон бэрхшээлүүдийг харгалзан үзвэл бид хувьцааны урьдчилсан таамаглалд хиймэл оюун ухааныг ашиглах судалгаа, бодит оролдлогуудаас юу сурсан бэ? Одоогоор гарсан үр дүн нь холимог бөгөөд ирээдүйтэй амжилт болон ноцтой алдаануудыг :

• Хиймэл оюун ухааны давуу гүйцэтгэлийн тохиолдлууд: Хэд хэдэн судалгаагаар хиймэл оюун ухааны загварууд тодорхой нөхцөлд санамсаргүй таамаглалыг давж чаддаг болохыг харуулсан. Жишээлбэл, 2024 оны судалгаагаар Вьетнамын хөрөнгийн зах зээл дээрх хувьцааны үнийн чиг хандлагыг бөгөөд туршилтын өгөгдөл дээр таамаглалын өндөр нарийвчлалтай буюу ойролцоогоор 93% байгааг мэдээлсэн ( Хөрөнгийн зах зээл дээрх хувьцааны үнийн чиг хандлагыг урьдчилан таамаглахын тулд машин сургалтын алгоритмыг ашиглах нь - Вьетнамын тохиолдол | Хүмүүнлэг ба нийгмийн ухааны харилцаа холбоо ). Энэ нь тухайн зах зээлд (шинээр гарч ирж буй эдийн засаг) загвар нь тогтвортой хэв маягийг барьж чадсан болохыг харуулж байна, магадгүй зах зээл нь үр ашиггүй эсвэл LSTM-ийн сурсан хүчтэй техникийн чиг хандлагатай байсантай холбоотой байж болох юм. 2024 онд хийсэн өөр нэг судалгаа илүү өргөн хүрээг хамарсан: судлаачид бүх S&P 500 хувьцааны (илүү үр ашигтай зах зээл) богино хугацааны өгөөжийг урьдчилан таамаглахыг оролдсон. Тэд үүнийг ангиллын асуудал болгон тодорхойлсон - хувьцаа дараагийн 10 хоногт индексээс 2%-иар илүү гарах эсэхийг урьдчилан таамаглах - Random Forests, SVM, LSTM зэрэг алгоритмуудыг ашиглан. Үр дүн: LSTM загвар нь бусад ML загварууд болон санамсаргүй суурь үзүүлэлтээс хоёуланг нь давсан бөгөөд үр дүн нь зөвхөн аз биш гэдгийг харуулах статистикийн хувьд хангалттай ач холбогдолтой байв ( Машин сургалтыг ашиглан S&P 500 хувьцааны харьцангуй өгөөжийг урьдчилан таамаглах | Санхүүгийн инноваци | Бүрэн текст ). Зохиогчид энэхүү тодорхой тохиргоонд санамсаргүй алхалтын таамаглал биелэх магадлал "маш бага" байсан гэж дүгнэсэн нь тэдний ML загварууд бодит урьдчилан таамаглах дохиог олсон болохыг харуулж байна. Эдгээр жишээнүүд нь хиймэл оюун ухаан нь хувьцааны хөдөлгөөнийг урьдчилан таамаглахад давуу тал олгодог (бага зэрэг ч гэсэн) хэв маягийг тодорхойлж чаддаг болохыг харуулж байна, ялангуяа их хэмжээний өгөгдлийн багц дээр туршихад.

• Салбар дахь хэрэглээний онцлох тохиолдлууд: Эрдэм шинжилгээний судалгаанаас гадна хеджийн сангууд болон санхүүгийн байгууллагууд арилжааны үйл ажиллагаандаа хиймэл оюун ухааныг амжилттай ашиглаж байгаа тухай мэдээлэл байдаг. Зарим өндөр давтамжтай арилжааны фирмүүд зах зээлийн бичил бүтцийн хэв маягийг хэдхэн секундын дотор таньж, хариу үйлдэл үзүүлэхийн тулд хиймэл оюун ухааныг ашигладаг. Томоохон банкууд портфолио хуваарилах , эрсдэлийн урьдчилсан тооцоо хийх бөгөөд энэ нь үргэлж нэг хувьцааны үнийг урьдчилан таамаглах тухай биш боловч зах зээлийн талыг (хэвшмэл байдал эсвэл корреляци гэх мэт) урьдчилан таамаглахыг агуулдаг. Мөн худалдааны шийдвэр гаргахдаа машин сургалтыг ашигладаг хиймэл оюун ухаанаар удирддаг сангууд (ихэвчлэн "квант сан" гэж нэрлэдэг) байдаг - зарим нь тодорхой хугацаанд зах зээлээс илүү сайн ажилласан боловч үүнийг зөвхөн хиймэл оюун ухаантай холбон тайлбарлахад хэцүү байдаг, учир нь тэд ихэвчлэн хүн болон машины оюун ухааныг хослуулан ашигладаг. Тодорхой хэрэглээ бол сэтгэлгээний шинжилгээг : жишээлбэл, мэдээ, Твиттерийг сканнердаж, хувьцааны үнэ хариуд хэрхэн өөрчлөгдөхийг урьдчилан таамаглах. Ийм загварууд 100% үнэн зөв биш байж болох ч арилжаачдад мэдээний үнийг тодорхойлоход бага зэрэг давуу тал өгч чадна. Компаниуд амжилттай хиймэл оюун ухааны стратегийн талаарх мэдээллийг оюуны өмч гэж нягт нямбай хамгаалдаг тул олон нийтийн эзэмшлийн нотлох баримт хоцрогдож эсвэл түүхэн бус байх хандлагатай байдаг гэдгийг тэмдэглэх нь зүйтэй.

• Дутуу гүйцэтгэл болон бүтэлгүйтлийн тохиолдлууд: Амжилтын түүх бүрийн хувьд анхааруулах түүхүүд байдаг. Нэг зах зээл эсвэл цаг хугацааны хүрээнд өндөр нарийвчлалтай гэж үзсэн олон эрдэм шинжилгээний судалгааг нэгтгэн дүгнэж чадаагүй. АНУ-ын хувьцаанууд дээр Энэтхэгийн хөрөнгийн зах зээлийн таамаглалын амжилттай судалгааг (техникийн үзүүлэлтүүд дээр ML ашиглан өндөр нарийвчлалтай байсан) давтахыг оролдсон нэгэн алдартай туршилтаар хийсэн. Давталт нь ямар ч мэдэгдэхүйц таамаглах хүчийг - үнэндээ хувьцаа маргааш нь өснө гэж үргэлж таамаглах гэнэн стратеги нь нарийн төвөгтэй ML загваруудаас нарийвчлалаараа илүү байсан. Зохиогчид тэдний үр дүн "санамсаргүй алхалтын онолыг дэмжиж байна" гэсэн дүгнэлтэд хүрсэн бөгөөд энэ нь хувьцааны хөдөлгөөн нь үндсэндээ урьдчилан таамаглах аргагүй бөгөөд ML загварууд тус болоогүй гэсэн үг юм. Энэ нь үр дүн нь зах зээл болон үеэс хамааран эрс өөрчлөгдөж болохыг онцолж байна. Үүнтэй адилаар олон тооны Kaggle тэмцээн, тоон судалгааны уралдаанууд нь загварууд өнгөрсөн үеийн өгөгдөлд сайн тохирч чаддаг ч шинэ нөхцөл байдалтай тулгарахад шууд арилжааны гүйцэтгэл нь 50% нарийвчлалтай (чиглэлийн таамаглалын хувьд) болж буурдаг болохыг харуулсан. 2007 оны квант сангийн дампуурал болон 2020 оны цар тахлын үеэр хиймэл оюун ухаанаар удирддаг сангуудын тулгарсан бэрхшээлүүд зэрэг жишээнүүд нь зах зээлийн дэглэм өөрчлөгдөхөд хиймэл оюун ухааны загварууд гэнэт гацаж болохыг харуулж байна. Амьд үлдэх тал нь ойлголтод нөлөөлдөг хүчин зүйл юм - бид хиймэл оюун ухааны амжилтын талаар бүтэлгүйтлээс илүү олон удаа сонсдог ч олон загвар, сангууд стратеги нь ажиллахаа больсноос болж чимээгүйхэн бүтэлгүйтэж, хаалгаа барьдаг.

• Зах зээлийн ялгаа: Судалгаанаас сонирхолтой ажиглалт бол хиймэл оюун ухааны үр нөлөө нь зах зээлийн төлөвшил, үр ашгаас . Харьцангуй бага үр ашигтай эсвэл хөгжиж буй зах зээлд илүү их ашиглагдах боломжтой хэв маяг байж болно (шинжээчдийн хамрах хүрээ бага, хөрвөх чадварын хязгаарлалт эсвэл зан үйлийн хэвийлтээс шалтгаалан), энэ нь хиймэл оюун ухааны загваруудад илүү өндөр нарийвчлалтай болох боломжийг олгодог. Вьетнамын зах зээлийн LSTM судалгаа нь 93%-ийн нарийвчлалтайгаар үүний нэг жишээ байж болно. Үүний эсрэгээр АНУ зэрэг өндөр үр ашигтай зах зээлд эдгээр хэв маягийг хурдан арбитрын аргаар арбитрын аргаар арилгаж болно. Вьетнамын тохиолдол болон АНУ-ын хуулбар судалгааны хоорондох холимог үр дүн нь энэхүү зөрүүг илтгэж байна. Дэлхий даяар энэ нь хиймэл оюун ухаан нь тодорхой зах зээл эсвэл хөрөнгийн ангилалд илүү сайн урьдчилан таамаглах гүйцэтгэл үзүүлж магадгүй гэсэн үг юм (жишээлбэл, зарим нь бараа бүтээгдэхүүний үнэ эсвэл криптовалютын чиг хандлагыг янз бүрийн амжилттай урьдчилан таамаглахад хиймэл оюун ухааныг ашигласан). Цаг хугацаа өнгөрөхөд бүх зах зээл илүү үр ашигтай болохын хэрээр урьдчилан таамаглах хялбар ялалтын цонх нарийсдаг.

• Нарийвчлал ба ашигт ажиллагаа: Урьдчилан таамаглалын нарийвчлалыг хөрөнгө оруулалтын ашигт ажиллагаанаас ялгах нь чухал юм . Загвар нь хувьцааны өдөр тутмын өсөлт, бууралтын хөдөлгөөнийг урьдчилан таамаглахад ердөө 60% нарийвчлалтай байж болох ч, хэрэв эдгээр таамаглалыг ухаалаг арилжааны стратегид ашиглавал нэлээд ашигтай байж болно. Үүний эсрэгээр, загвар нь 90% нарийвчлалтай байж болох ч хэрэв буруу байгаа 10% нь зах зээлийн асар том хөдөлгөөнтэй (улмаар их хэмжээний алдагдалтай) давхцвал ашиггүй байж болно. Хиймэл оюун ухааны хувьцааны олон урьдчилсан таамаглал нь чиглэлийн нарийвчлал эсвэл алдааг багасгахад чиглэгддэг боловч хөрөнгө оруулагчид эрсдэлд тохируулсан өгөөжид анхаарал хандуулдаг. Тиймээс үнэлгээнд зөвхөн түүхий цохилтын хэмжээнээс гадна Шарпын харьцаа, бууралт, гүйцэтгэлийн тогтвортой байдал зэрэг үзүүлэлтүүд багтдаг. Зарим хиймэл оюун ухааны загваруудыг байрлал, эрсдэлийг автоматаар удирддаг алгоритмын арилжааны системд нэгтгэсэн - тэдгээрийн бодит гүйцэтгэлийг бие даасан урьдчилсан статистикийн оронд шууд арилжааны өгөөжөөр хэмждэг. Одоогоор жил бүр найдвартай мөнгө хийдэг бүрэн бие даасан "хиймэл оюун ухааны арилжаачин" нь бодит байдлаас илүү шинжлэх ухааны уран зөгнөл боловч нарийн хэрэглээ (жишээлбэл, арилжаачид сонголтын үнийг тодорхойлоход ашиглаж болох богино хугацааны зах зээлийн хэлбэлзлийг гэх мэт) нь санхүүгийн хэрэгсэлд байр сууриа олсон.

Нийтдээ нотлох баримтууд нь хиймэл оюун ухаан нь зах зээлийн тодорхой хэв маягийг тохиолдлоос илүү нарийвчлалтайгаар урьдчилан таамаглаж чаддаг бөгөөд ингэснээр арилжааны давуу талыг бий болгож чадна гэдгийг харуулж байна. Гэсэн хэдий ч энэ давуу тал нь ихэвчлэн бага байдаг бөгөөд ашиглахын тулд нарийн гүйцэтгэл шаарддаг. Хэн нэгэн хиймэл оюун ухаан хөрөнгийн зах зээлийг урьдчилан таамаглаж чадах уу гэж одоогийн нотолгоонд үндэслэсэн хамгийн шударга хариулт бол: хиймэл оюун ухаан нь заримдаа тодорхой нөхцөлд хөрөнгийн зах зээлийн талыг урьдчилан таамаглаж чаддаг боловч бүх хувьцааны хувьд үргэлж тууштай хийж чадахгүй . Амжилт нь хэсэгчилсэн бөгөөд нөхцөл байдлаас хамааралтай байх хандлагатай байдаг.

Дүгнэлт: Хөрөнгийн зах зээлийн таамаглалд хиймэл оюун ухааны бодит хүлээлтүүд

Хиймэл оюун ухаан болон машин сургалт нь санхүүгийн салбарт хүчирхэг хэрэгсэл болсон нь эргэлзээгүй. Тэд асар их өгөгдлийн санг боловсруулах, далд хамаарлыг илрүүлэх, тэр ч байтугай стратегиудыг шууд тохируулахдаа гарамгай байдаг. Хөрөнгийн зах зээлийг урьдчилан таамаглах эрэл хайгуулд хиймэл оюун ухаан бодитой боловч хязгаарлагдмал ялалт байгуулсан. Хөрөнгө оруулагчид болон байгууллагууд хиймэл оюун ухаан шийдвэр гаргахад туслах болно гэж бодитоор найдаж болно - жишээлбэл, урьдчилан таамаглах дохио үүсгэх, портфолио оновчтой болгох эсвэл эрсдэлийг удирдах замаар - гэхдээ ашгийг баталгаажуулдаг болор бөмбөлөг болж үйлчлэхгүй.

Хиймэл оюун ухаан юу
чадах вэ : Хиймэл оюун ухаан хөрөнгө оруулалтын аналитик үйл явцыг сайжруулж чадна. Энэ нь олон жилийн зах зээлийн мэдээлэл, мэдээний тэжээл, санхүүгийн тайланг хэдхэн секундын дотор шүүж, хүний ​​анзааралгүй орхиж болох нарийн хэв маяг эсвэл гажигийг илрүүлж чадна ( Хөрөнгийн зах зээлийн таамаглалд машин сургалтыг ашиглах нь... | FMP ). Энэ нь хэдэн зуун хувьсагчийг (техникийн, үндсэн, сэтгэл хөдлөл гэх мэт) нэгтгэн нэгдмэл урьдчилсан мэдээнд нэгтгэж чадна. Богино хугацааны арилжаанд хиймэл оюун ухааны алгоритмууд нь нэг хувьцаа нөгөөгөөсөө илүү сайн гүйцэтгэлтэй байх эсвэл зах зээл хэлбэлзэл огцом нэмэгдэх гэж байгааг санамсаргүй нарийвчлалаас арай илүү таамаглаж чадна. Эдгээр нэмэгдэл давуу талуудыг зөв ашиглавал бодит санхүүгийн ашиг болж хувирдаг. Хиймэл оюун ухаан нь эрсдэлийн менежментэд - уналтын талаарх эрт сэрэмжлүүлгийг тодорхойлох эсвэл хөрөнгө оруулагчдад таамаглалын итгэлийн түвшинг мэдээлэх. Хиймэл оюун ухааны өөр нэг практик үүрэг бол стратегийн автоматжуулалт : алгоритмууд нь арилжааг өндөр хурдтай, давтамжтайгаар гүйцэтгэж, үйл явдалд 24/7 хариу үйлдэл үзүүлж, сахилга батыг сахиулах (сэтгэл хөдлөлийн арилжаа хийхгүй) боломжтой бөгөөд энэ нь хэлбэлзэлтэй зах зээлд давуу талтай байж болно.

(одоохондоо)
юу чадахгүй вэ Зарим хэвлэл мэдээллийн хэрэгслээр шуугиан тарьж байгаа ч хиймэл оюун ухаан хувьцааны зах зээлийг тогтвортой, найдвартай урьдчилан таамаглаж . Зах зээлд хүний ​​зан байдал, санамсаргүй үйл явдлууд, аливаа статик загварыг эсэргүүцдэг нарийн төвөгтэй хариу үйлдлийн гогцоо нөлөөлдөг. Хиймэл оюун ухаан нь тодорхойгүй байдлыг арилгадаггүй; энэ нь зөвхөн магадлалыг л авч үздэг. Хиймэл оюун ухаан нь маргааш хувьцаа өсөх магадлал 70%-ийг илэрхийлж болох бөгөөд энэ нь мөн 30%-ийн магадлалтай гэсэн үг юм. Арилжаа алдах, муу дуудлага хийх нь зайлшгүй юм. Хиймэл оюун ухаан нь сургалтын өгөгдлийн хүрээнээс гадуурх үнэхээр шинэлэг үйл явдлуудыг (ихэвчлэн "хар хун" гэж нэрлэдэг) урьдчилан таамаглаж чадахгүй. Түүнээс гадна, аливаа амжилттай урьдчилан таамаглах загвар нь түүний давуу талыг үгүй ​​хийж болзошгүй өрсөлдөөнийг уриалдаг. Үндсэндээ бөмбөлөг шиг хиймэл оюун ухаан байдаггүй . Хөрөнгө оруулагчид өөрөөр мэдэгдэж буй хэн нэгнээс болгоомжлох хэрэгтэй.

Төвийг сахисан, бодитой үзэл бодол:
Төвийг сахисан үүднээс авч үзвэл хиймэл оюун ухааныг уламжлалт дүн шинжилгээ, хүний ​​​​ойлголтод орлуулах биш харин сайжруулсан хувилбар гэж үзэх нь хамгийн сайн арга юм. Практикт олон институцийн хөрөнгө оруулагчид хүний ​​​​шинжээчид болон портфолио менежерүүдийн оролцоотой хамт хиймэл оюун ухааны загваруудыг ашигладаг. Хиймэл оюун ухаан нь тоо болон гаралтын таамаглалыг нягталж болох ч хүмүүс зорилгоо тодорхойлж, үр дүнг тайлбарлаж, нөхцөл байдалд тохируулан стратегиа тохируулдаг (жишээлбэл, урьдчилан таамаглаагүй хямралын үед загварыг хүчингүй болгох). Хиймэл оюун ухаанаар удирддаг хэрэгслүүд эсвэл арилжааны ботуудыг ашигладаг жижиглэнгийн хөрөнгө оруулагчид сонор сэрэмжтэй байж, хэрэгслийн логик болон хязгаарыг ойлгох хэрэгтэй. Хиймэл оюун ухааны зөвлөмжийг сохроор дагах нь эрсдэлтэй - үүнийг олон оролтын нэг болгон ашиглах хэрэгтэй.

Бодит хүлээлтийг тогтоохдоо дараах дүгнэлтэд хүрч болно: Хиймэл оюун ухаан нь хөрөнгийн зах зээлийг тодорхой хэмжээгээр урьдчилан таамаглаж чадна, гэхдээ тодорхой бөгөөд алдаагүй биш зөв шийдвэр гаргах магадлалыг нэмэгдүүлэх үр ашгийг боломжтой бөгөөд энэ нь өрсөлдөөнт зах зээл дээр ашиг ба алдагдлын ялгаа байж болно. Гэсэн хэдий ч энэ нь баталгаажуулж чадахгүй эсвэл хөрөнгийн зах зээлийн төрөлхийн хэлбэлзэл, эрсдэлийг арилгаж чадахгүй. Нэгэн нийтлэлд онцолсончлан, үр ашигтай алгоритмтай байсан ч хөрөнгийн зах зээл дээрх үр дүн нь загварчилсан мэдээллээс гадуурх хүчин зүйлсийн улмаас "угаасаа урьдчилан таамаглах аргагүй" Гүн бэхжүүлэх сургалтыг ашиглан хөрөнгийн зах зээлийн таамаглал ).

Цаашдын зам:
Ирээдүйд хиймэл оюун ухааны хөрөнгийн зах зээлийн таамаглалд гүйцэтгэх үүрэг нэмэгдэх хандлагатай байна. Үргэлжилж буй судалгаагаар зарим хязгаарлалтуудыг (жишээлбэл, дэглэмийн өөрчлөлтийг харгалзан үзсэн загваруудыг боловсруулах, эсвэл өгөгдөлд суурилсан болон үйл явдалд суурилсан шинжилгээг хоёуланг нь багтаасан эрлийз системүүдийг боловсруулах) шийдвэрлэж байна. Мөн бэхжүүлэх сургалтын агентууд . Цаашилбал, хиймэл оюун ухааныг зан үйлийн санхүүжилт эсвэл сүлжээний шинжилгээний техникүүдтэй хослуулснаар зах зээлийн динамикийн илүү баялаг загваруудыг бий болгож магадгүй юм. Гэсэн хэдий ч хамгийн дэвшилтэт ирээдүйн хиймэл оюун ухаан ч гэсэн магадлал болон тодорхойгүй байдлын хязгаарт ажиллах болно.

Товчхондоо, "Хиймэл оюун ухаан хөрөнгийн зах зээлийг урьдчилан таамаглаж чадах уу?" тийм эсвэл үгүй ​​гэсэн энгийн хариулт байдаггүй. Хамгийн зөв хариулт нь: Хиймэл оюун ухаан хөрөнгийн зах зээлийг урьдчилан таамаглахад тусалж чадна, гэхдээ энэ нь алдаа мадаггүй зүйл биш юм. Энэ нь ухаалгаар ашиглавал урьдчилсан таамаглал, арилжааны стратегийг сайжруулж чадах хүчирхэг хэрэгслүүдийг санал болгодог боловч зах зээлийн үндсэн урьдчилан таамаглах боломжгүй байдлыг арилгадаггүй. Хөрөнгө оруулагчид хиймэл оюун ухааны давуу талууд болох өгөгдөл боловсруулах, хэв маягийг таних чадварыг нь хүлээн авахын зэрэгцээ сул талуудыг нь мэдэж байх ёстой. Ингэснээр хүний ​​​​дүгнэлт болон машины оюун ухааныг хамтран ашиглах хоёр ертөнцийн хамгийн сайныг 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 өөрчлөгдөж буй санхүүгийн орчинд илүү мэдээлэлтэй, илүү сахилга баттай хөрөнгө оруулалтын шийдвэр гаргахыг эрмэлзэж чадна.

Үүний дараа таны унших дуртай байж болох цагаан цааснууд:

🔗 Хиймэл оюун ухаан орлож чадахгүй ажлын байрууд – Мөн хиймэл оюун ухаан ямар ажлын байрыг орлох вэ?
Хиймэл оюун ухаан дэлхийн ажил эрхлэлтийг өөрчилж байгаа тул ямар мэргэжил ирээдүйд тохиромжтой, аль нь хамгийн эрсдэлтэй болохыг олж мэдээрэй.

🔗 Хүний оролцоогүйгээр үүсгэгч хиймэл оюун ухаанд юу найдаж болох вэ?
Практик нөхцөлд үүсгэгч хиймэл оюун ухааны одоогийн хил хязгаар болон бие даасан чадавхийг ойлгох.

🔗 Кибер аюулгүй байдалд үүсгэгч хиймэл оюун ухааныг хэрхэн ашиглах вэ?
Хиймэл оюун ухаан нь аюул заналхийллээс хэрхэн хамгаалж, урьдчилан таамаглах болон бие даасан хэрэгслүүдийн тусламжтайгаар кибер уян хатан байдлыг хэрхэн сайжруулж байгааг мэдэж аваарай.