إدارة المحافظ الاستثمارية: كل الطرق التي تستخدمها الذكاء الاصطناعي لتحويل استراتيجيات الأصول الحديثة

من الواضح أن صعود الذكاء الاصطناعي قد أثر على العديد من الصناعات، وصناعة التمويل هي . على سبيل المثال، أدى الإطلاق العام لنماذج مثل GPT-3.5 في العام الماضي إلى زيادة الاهتمام باستخدام الذكاء الاصطناعي للمساعدة في زيادة قدرات مديري الصناديق في التحليل وإدارة المخاطر واتخاذ القرار. من بين الصناعات الأكثر تأثرًا وبالتالي، يتم تنفيذ أدوات الذكاء الاصطناعي لجعل تقييمات السوق أكثر دقة وإدارة المخاطر بشكل أكثر فعالية. ومن المتوقع أن يقوم مديرو المحافظ بإجراء تقييم أكثر وضوحًا لحركات السوق، وتضييق نطاق الخيارات الاستثمارية المناسبة، وإدارة المخاطر عندما يطبقون خوارزميات التعلم الآلي ومعالجة اللغة الطبيعية وأدوات الذكاء الاصطناعي في تداولاتهم. يساعد دمج خوارزميات التعلم الآلي، بالإضافة إلى أدوات معالجة اللغة الطبيعية في استراتيجيات التداول الخاصة باللاعبين الرئيسيين، على زيادة كفاءة هذه العمليات والحصول على ميزة تنافسية من خلال اتخاذ قرارات استثمارية أسرع وأكثر دقة وتحليلات تنبؤية. في العقود الأخيرة، تم تطبيق الذكاء الاصطناعي في قطاعات مختلفة من صناعة التمويل. في المكتب الخلفي، تُستخدم خوارزميات التعلم الآلي للعثور على الشذوذ في سجلات التنفيذ، واكتشاف المعاملات المشبوهة، فضلاً عن إدارة المخاطر، مما يؤدي إلى زيادة الكفاءة والأمان. في المكتب الأمامي، يساعد الذكاء الاصطناعي في تقسيم العملاء، وأتمتة عمليات دعم العملاء، وتحسين تسعير المشتقات المالية. ولكن الجزء الأكثر إثارة للاهتمام في الأمر هو قدرات الذكاء الاصطناعي على الجانب الشرائي في التمويل ــ تحديد الإشارات التنبؤية وسط ضجيج السوق من خلال تحليل كميات كبيرة من البيانات بأسرع ما يمكن. على سبيل المثال، قد تشمل مثل هذه التطبيقات التنبؤ بالسلاسل الزمنية، وتقسيم الأسواق، وبالطبع إدارة محافظ الأصول. وتساعد فرص الذكاء الاصطناعي في معالجة وتحليل مجموعات البيانات الضخمة في العثور على أنماط دقيقة ربما تغفلها الأساليب التقليدية. لقد كان تحسين المحفظة الاستثمارية ممارسة شائعة لعدة عقود، وتطور بشكل كبير في ظل تطور علم البيانات وتنفيذ التقنيات الحسابية المتقدمة. تم تقديم الأساليب الكلاسيكية، مثل نظرية المحفظة الحديثة لماركويتز (1952) ونموذج تسعير الأصول الرأسمالية (1964) منذ أكثر من 50 عامًا ولكنها لا تزال ذات صلة. ومع ذلك، فإن قيودها في التعامل مع المخاطر غير الخطية والاعتماد على البيانات التاريخية أصبحت أكثر وضوحًا يومًا بعد يوم. وقد أدت ممارسات مثل نمذجة المخاطر وتحليل السيناريوهات والتداول الكمي، التي تم تنفيذها على نطاق واسع من قبل لاعبين رئيسيين، مثل Renaissance Technologies وDE Shaw وTwo Sigma Investments، إلى تنفيذ خوارزميات أكثر تعقيدًا وتقدمًا. بالإضافة إلى ذلك، تأثرت الصناعة بشكل كبير بالذكاء الاصطناعي في السنوات الأخيرة، حيث جعل التعلم الآلي والذكاء الاصطناعي التحليلات التنبؤية أكثر دقة، وفعل الشيء نفسه لاستراتيجيات الاستثمار الشخصية وعمليات صنع القرار المعقدة الآلية. لقد مكّن هذا التحول المدعوم بالذكاء الاصطناعي مديري المحافظ من معالجة مجموعات هائلة من البيانات في الوقت الفعلي وحل التحديات الرئيسية الثلاثة: أصبحت إدارة وتحليل البيانات واسعة النطاق من أصول متعددة وأسواق عالمية الآن أسهل من أي وقت مضى. إمكانية التوسع: يمكن للذكاء الاصطناعي أن "يضع في اعتباره" المزيد من العوامل، بما في ذلك التحليلات النفسية والسلوكية، في عمليات اتخاذ القرار. اتخاذ القرارات المعقدة: يمكن لأنظمة الذكاء الاصطناعي التعلم دون توقف والتكيف مع ظروف السوق الجديدة، مما يساعد المديرين على تعديل الاستراتيجيات بسرعة. القدرة على التكيف: وفق تم تقييم الذكاء الاصطناعي في سوق إدارة الأصول بنحو 2.5 مليار دولار أمريكي ومن المتوقع أن ينمو بمعدل نمو سنوي مركب بنسبة 24% على مدى السنوات العشر القادمة. ومن المثير للاهتمام أن تحسين المحفظة يتصدر تجزئة السوق العالمية حسب التطبيق، يليه تحليل البيانات، وهو ما يمثل . رؤى السوق العالمية 25% من حصة السوق زيادة التبني والاستثمار في حلول إدارة الأصول المدعومة بالذكاء الاصطناعي وتسليط الضوء على الاستخدام العملي للذكاء الاصطناعي في تحسين المحفظة. اعتماد الذكاء الاصطناعي في إدارة المحافظ الاستثمارية: إن اعتماد الذكاء الاصطناعي داخل صناعة إدارة الأصول ليس اتجاهًا جديدًا؛ فقد شهد نموًا في السنوات الأخيرة ولكنه لا يزال يقتصر على عدد صغير من اللاعبين في السوق، وهي صناديق التحوط ومكاتب الإدارة الكمية وأقسام الأبحاث الكبيرة والمؤسسات المالية التي تستخدم خدمات تكنولوجيا المعلومات. هناك العديد من مجالات تطبيق الذكاء الاصطناعي بالفعل: تحسين المحفظة إن الذكاء الاصطناعي يحسن بشكل كبير عملية تحسين بناء المحفظة الاستثمارية. على سبيل المثال، يعمل النهج الكلاسيكي لنظرية المحفظة الحديثة لماركويتز، والتي تعتمد على مفاهيم التحسين المحدبة، كمقدمة للمنهجيات المعاصرة التي يقودها الذكاء الاصطناعي. والسبب وراء أهمية هذه النظرية الأساسية هو أنها تشكل الأساس الذي يمكن من خلاله لخوارزميات الذكاء الاصطناعي تغيير وتحسين استراتيجيات الاستثمار بشكل أكبر. في الوقت الحاضر، تعمل الذكاء الاصطناعي على توسيع هذه النظرية من خلال استكشاف أبعاد جديدة للبيانات ودمج تقنيات تحليلية متقدمة. وتسمح هذه القدرة الموسعة على التعامل مع البيانات باتخاذ قرارات أكثر دقة واستنارة - وهي ممارسة مستخدمة على نطاق واسع في الصناعة. التحليل الأساسي إن بعض تقنيات الذكاء الاصطناعي متوافقة تمامًا مع الإدارة الكمية، وذلك باستخدام كميات كبيرة من البيانات حول أساسيات الشركة، أو البيئة الاقتصادية الكلية، أو ظروف السوق. ويمكن لخوارزميات التعلم الآلي العثور على علاقات غير خطية معقدة بين متغيرات مختلفة، وبطبيعة الحال، اكتشاف الاتجاهات التي لا يستطيع المحللون اكتشافها. تحليل نصي التحليل النصي هو تطبيق آخر للذكاء الاصطناعي في التحليل الأساسي. باستخدام معالجة اللغة الطبيعية (NLP)، يقوم الذكاء الاصطناعي بمعالجة وتحليل المصادر النصية مثل تقارير أرباح الشركات والبيانات الصحفية للبنوك المركزية والأخبار المالية. من خلال معالجة اللغة الطبيعية، يمكن للذكاء الاصطناعي استخراج معلومات مهمة اقتصاديًا وماليًا من هذه البيانات غير المنظمة. من خلال القيام بذلك، فإنه يوفر مقياسًا كميًا ومنهجيًا يحسن ويساعد التفسيرات البشرية. الأنشطة التجارية إن قدرات الذكاء الاصطناعي مفيدة للغاية في التداول، حيث تكون تعقيدات المعاملات والحاجة إلى السرعة على توازن. يدعم الذكاء الاصطناعي التداول الخوارزمي من خلال أتمتة العديد من مراحل العملية، مما يحسن كفاءة المعاملات التي تتم إدارتها في الأسواق المالية. خدمات الاستشارات الاستثمارية لقد أتاح الذكاء الاصطناعي الفرصة لتقديم خدمات استشارية استثمارية مخصصة على نطاق أوسع بتكلفة أقل. تستخدم هذه الأنظمة خوارزميات معقدة لمعالجة بيانات السوق في الوقت الفعلي، والتوصل إلى الاستراتيجيات الأكثر ملاءمة لاحتياجات العملاء الفرديين بناءً على أهداف العائد وملامح المخاطر الخاصة بهم. إدارة المخاطر في إدارة المخاطر، تساعد الذكاء الاصطناعي من خلال نمذجة العديد من السيناريوهات "المحتملة ولكن غير المرغوبة"، والتي بدورها تعمل على تعزيز الممارسات التقليدية التي تركز فقط على النتائج المحتملة في الغالب. تقنيات وأدوات الذكاء الاصطناعي في إدارة المحافظ الاستثمارية خوارزميات التعلم الآلي: لا تزال أساليب التعلم الآلي الكلاسيكية تحظى بشعبية كبيرة في إدارة المحافظ الاستثمارية، وهي: النماذج الخطية، بما في ذلك المربعات الصغرى العادية، والانحدار التلالي، والانحدار اللاسو. وغالبًا ما يتم دمجها مع إجراء تحسين المتوسط والتباين وتقنيات تحليل المصفوفة مثل تحليل القيمة المفردة (SVD) وتحليل المكونات الرئيسية (PCA)، والتي تعد أساسية في فهم علاقات الأصول وتحسين تخصيصات المحافظ الاستثمارية. تقع بين هذه الأساليب الكلاسيكية والأساليب الأكثر حداثة آلات الدعم المتجهة (SVMs). ورغم استخدام آلات الدعم المتجهة في الممارسة العملية، إلا أنها لا تستخدم على نطاق واسع ولكنها تلعب دورًا مهمًا، وخاصة في مهام التصنيف التي تهدف إلى التنبؤ بأداء الأسهم. تتضمن هذه المهام عادةً التنبؤ بما إذا كان السهم سيحقق ربحًا أم خسارة، باستخدام البيانات المالية التاريخية بما في ذلك تقلبات أسعار الأسهم وأحجام التداول لوضع الأصول في فئات والتنبؤ بأدائها. عند الحديث عن الأساليب الأكثر حداثة، تُظهِر الشبكات العصبية تقدمًا كبيرًا في التعلم الآلي لإدارة المحافظ وتوفر قدرات محسنة لنمذجة الأنماط غير الخطية المعقدة التي يصعب التقاطها باستخدام النماذج التقليدية. بالإضافة إلى الشبكات العصبية، تعمل الأساليب الكلاسيكية الأخرى مثل التعلم الخاضع للإشراف وغير الخاضع للإشراف على تحسين وتنقيح تحليل البيانات، مما يجعل اكتشاف واستغلال إشارات السوق الدقيقة أمرًا ممكنًا. وتعمل الأساليب الأحدث، مثل التعلم المعزز والتعلم العميق Q، على جلب هذه الصفات إلى بيئات صنع القرار السريعة، حيث يمكن تعديل المحافظ في الوقت الفعلي لتحسين النتائج المالية استنادًا إلى التعلم النظامي من ردود أفعال السوق. معالجة اللغة الطبيعية (NLP): يمكن أن تساعد تقنيات معالجة اللغة الطبيعية مثل تحليل المشاعر في اختيار الآراء الشائعة من أشياء مثل المقالات الصحفية ومنشورات وسائل التواصل الاجتماعي وتقارير المحللين. بالإضافة إلى ذلك، يمكن لمديري المحافظ أيضًا تحليل اللغة المستخدمة في الوسائط المالية، بما في ذلك تقارير أرباح الشركات، لاستشعار مشاعر المستثمرين والتنبؤ بحركات السوق، وكلها معلومات بالغة الأهمية في عملية اتخاذ القرار. استراتيجيات التداول الكمي: إن الشركات المتخصصة في التداول عالي التردد، مثل تلك التي تستخدم خوارزميات التداول الكمي المدعومة بالذكاء الاصطناعي، تجني الأموال من حالات عدم الكفاءة التي تحدث فقط للحظة في السوق. وتستخدم هذه الشركات تقنيات التعلم الآلي لتحليل معلومات السوق ذات الصلة بسرعات عالية للغاية ووضع الطلبات في توقيت دقيق لا يتجاوز جزءًا من الثانية. إن هذا التنفيذ السريع يسمح لهم بالاستفادة من فرص التحكيم وتعظيم الأرباح من خلال اتخاذ إجراءات بشأن التباينات السعرية بشكل أسرع من المنافسين. وفي حين تشتهر شركة Renaissance Technologies بأساليب التداول الكمي، فمن المهم أن نضع في الاعتبار استراتيجيتها الأوسع التي تشمل فترات الاحتفاظ المختلفة من ممارسات التداول عالية التردد التقليدية، والتي تركز بشكل أساسي على السرعة. الذكاء الاصطناعي القابل للتفسير (XAI): LIME (التفسيرات المحلية المستقلة عن النموذج) هي طريقة بارزة للذكاء الاصطناعي تُستخدم لجعل مخرجات نماذج التعلم الآلي المعقدة أكثر قابلية للفهم. في إدارة المحافظ، يمكن أن تكون هذه الطريقة مفيدة للغاية لتفسير كيفية قيام نماذج الصندوق الأسود بالتنبؤات. من خلال استخدام بيانات الإدخال وتحليل التأثير على مخرجات النموذج، تساعد LIME مديري المحافظ وعلماء البيانات في تحديد الميزات التي تؤثر على قرارات الاستثمار أكثر من غيرها. تساعد هذه العملية في تعزيز شفافية القرارات المعززة بالذكاء الاصطناعي وتدعم الجهود الرامية إلى التحقق من مدى سهولة فهم هذه النماذج وتحسينها. ومع ذلك، في حين تعمل LIME على تحسين فهمنا لسلوك النموذج، فإن تقييم الموثوقية الإجمالية للنماذج ينطوي على تقنيات تحقق إضافية. الذكاء الاصطناعي في الامتثال والمراقبة: تلعب تقنية الذكاء الاصطناعي دورًا رئيسيًا في ضمان الامتثال للأطر التنظيمية ومراقبة القيود الاستثمارية داخل الصناعة المالية. من خلال أتمتة هذه العمليات، تساعد أنظمة الذكاء الاصطناعي الشركات المالية على الالتزام بالمعايير القانونية بكفاءة ودقة أكبر وعدم الوقوع في مشاكل. هذه التكنولوجيا قيمة للغاية في مراقبة الامتثال عبر أحجام كبيرة من المعاملات وأنشطة المحفظة المتنوعة، حيث يمكنها تحديد الانحرافات عن المتطلبات التنظيمية أو المبادئ التوجيهية الداخلية بسرعة (على الفور في الواقع). وعلاوة على ذلك، فإن استخدام الذكاء الاصطناعي يقلل من مخاطر الخطأ البشري، وهو أمر بالغ الأهمية في البيئات التنظيمية عالية المخاطر حيث يمكن أن تؤدي الأخطاء إلى عواقب قانونية ومالية. إعادة التوازن للمحفظة: تعتبر تطبيقات الذكاء الاصطناعي في إعادة التوازن الآلي أمرًا بالغ الأهمية للحفاظ على تخصيصات الأصول المثالية بمرور الوقت. يمكنها تعديل المحافظ استجابة لتغيرات السوق أو التحولات في ملف مخاطر المستثمر، مما يضمن التوافق مع أهداف الاستثمار الاستراتيجية. على نطاق أوسع بالإضافة إلى التطبيقات المصممة خصيصًا للاستثمار، يبدو أن إمكانات تطوير الذكاء الاصطناعي داخل أعمال إدارة الأصول واسعة النطاق. ومع ذلك، على الرغم من حقيقة أننا نرى غريزيًا إمكانية أتمتة وظائف محددة في مراحل مختلفة من السلسلة التشغيلية، فما زال من الصعب توقع القوة التخريبية للذكاء الاصطناعي بشكل كامل. وذلك لأن الذكاء الاصطناعي من المتوقع أن يؤدي إلى ظهور قطاعات جديدة من التطبيقات مع تطوير المزيد من التطورات. يتعين علينا أن ندرك حدود الذكاء الاصطناعي فضلاً عن المخاطر التي يفرضها على بعض جوانب إدارة المحافظ الاستثمارية، على الرغم من حقيقة أنه جعل من الممكن تحقيق تقدم تكنولوجي ومكاسب إنتاجية باستخدام الذكاء الاصطناعي. في المقام الأول، تعتمد أساليب الذكاء الاصطناعي والتعلم الآلي على البيانات المستخدمة لتغذية خوارزميات التعلم. من الضروري أن تكون هذه البيانات ذات جودة عالية من حيث التحديثات والدقة والاكتمال والتمثيل. بالإضافة إلى متطلبات حجم كبير جدًا من البيانات، والتي لا تتوفر دائمًا، فمن الضروري أن تكون هذه البيانات ذات جودة جيدة. وفي أي حالة أخرى، فإن النتائج التي يتم الحصول عليها باستخدام النماذج التنبؤية ليست موثوقة أو مرنة. وعلاوة على ذلك، قد تتوصل الخوارزميات أيضًا إلى افتراضات خاطئة من خلال انتقاء اتجاهات غير ذات صلة من مجموعة البيانات التي يتم تحليلها، مما قد يؤدي إلى استنتاجات خاطئة. وقد يؤدي هذا إلى الاستيلاء على نطاق واسع، والقفزات الحادة للغاية، وأصغر الأعطال المحتملة. وقد يحدث فقدان المنافسة في السوق بسبب حقيقة مفادها أن العديد من مشغلي السوق الذين يديرون نفس خوارزميات الذكاء الاصطناعي قد يرتكبون القرار الخاطئ في وقت واحد أو يتفاعلون بطريقة مماثلة لظروف الوقت الفعلي. وقد يصبح مثل هذا الخطر قاتلاً. وعلى الرغم من الفوائد المحتملة للذكاء الاصطناعي في إدارة المحافظ، كما هو الحال في أي مجال، فهناك الكثير من التحديات التي يتعين علينا أن نضعها في الاعتبار ونتعامل معها في نهاية المطاف. ومن بين الصعوبات الرئيسية الافتقار المحتمل إلى الشفافية وقضايا تفسير نماذج الذكاء الاصطناعي، مما قد يجعل من الصعب على المديرين شرح نتائج تعاونهم مع الذكاء الاصطناعي. وقد يكون تعقيد الاستخدام هذا أحد الأسباب التي تجعل اعتماد الذكاء الاصطناعي في الصناديق الأوروبية منخفضًا نسبيًا. اعتبارًا من سبتمبر 2022، تدعي شركة مقرها في الاتحاد الأوروبي أنها تستخدم الذكاء الاصطناعي في عمليات الاستثمار الخاصة بها. 65 فقط من أصل 22000 صندوق هيئة الأسواق المالية الأوروبية (ESMA) هناك عوامل قد تساهم في انخفاض معدل التبني، مثل الافتقار إلى الأطر التنظيمية الواضحة ومهارات الذكاء الاصطناعي بين مديري الصناديق. ومع ذلك، فإن التحدي المتمثل في تفسير نتائج الذكاء الاصطناعي بسبب تعقيد النموذج قد يكون أيضًا أحد العوامل التي تبرر انخفاض معدل التبني. أعتقد أننا سنكتشف ذلك مع مرور الوقت. وقد تم تحديده في هذه المرحلة، يبدو أن الذكاء الاصطناعي لا يزال بعيدًا كل البعد عن استبدال البشر الحقيقيين في صناعة إدارة الأصول. ومع ذلك، تظل الشفافية، وعلاقة الثقة، والاتصال بين العملاء وخبراء الإدارة من السمات الأساسية، الآن أكثر من أي وقت مضى. ومع ذلك، لا يمكننا أن ننكر أن الذكاء الاصطناعي يجلب معه أدوات جديدة ومثيرة يمكن استخدامها في سلسلة القيمة، وقد تؤدي إمكانات هذه الأدوات إلى تغيير شكل الصناعة اليوم.