Рост штучнага інтэлекту, відавочна, паўплываў на розныя галіны прамысловасці, і фінансавая галіна - адна з тых, якія пацярпелі больш за ўсё . Напрыклад, публічны запуск такіх мадэляў, як GPT-3.5 у мінулым годзе, павялічыў цікавасць да выкарыстання штучнага інтэлекту для павышэння здольнасцей кіраўнікоў фондамі ў галіне аналізу, кіравання рызыкамі і прыняцця рашэнняў.
Такім чынам, інструменты штучнага інтэлекту ўкараняюцца для больш дакладнай ацэнкі рынку і больш эфектыўнага кіравання рызыкамі. Чакаецца, што партфельныя менеджэры будуць больш дакладна ацэньваць змены рынку, звужаць выбар адпаведных інвестыцый і кіраваць рызыкамі, калі яны прымяняюць алгарытмы машыннага навучання, апрацоўку натуральнай мовы і інструменты штучнага інтэлекту ў сваёй гандлі.
Інтэграцыя алгарытмаў машыннага навучання, а таксама інструментаў апрацоўкі натуральнай мовы ў гандлёвыя стратэгіі ключавых гульцоў дапамагае ім павысіць эфектыўнасць гэтых працэсаў і атрымаць канкурэнтную перавагу з больш хуткімі і дакладнымі інвестыцыйнымі рашэннямі і прагнастычнай аналітыкай.
У апошнія дзесяцігоддзі ІІ быў укаранёны ў розных сектарах фінансавай галіны. У бэк-офісе алгарытмы ML выкарыстоўваюцца для пошуку анамалій у журналах выканання, выяўлення падазроных транзакцый, а таксама кіравання рызыкамі, што прыводзіць да павышэння эфектыўнасці і бяспекі. У франт-офісе AI дапамагае сегментаваць кліентаў, аўтаматызаваць працэсы падтрымкі кліентаў і аптымізаваць цэны на вытворныя інструменты.
Тым не менш, найбольш інтрыгуючай часткай гэтага з'яўляюцца магчымасці штучнага інтэлекту для пакупніцкага боку фінансаў - выяўленне прагназуючых сігналаў сярод рынкавага шуму шляхам аналізу значных аб'ёмаў даных як мага хутчэй. Напрыклад, такія праграмы могуць уключаць прагназаванне часовых шэрагаў, сегментацыю рынкаў і, вядома, кіраванне партфелямі актываў. Магчымасці штучнага інтэлекту апрацоўваць і аналізаваць велізарныя наборы даных дапамагаюць знаходзіць тонкія заканамернасці, якія традыцыйныя метады, верагодна, прапусцяць.
Аптымізацыя партфеля была звычайнай практыкай на працягу некалькіх дзесяцігоддзяў, значна развіваючыся з развіццём навукі аб дадзеных і ўкараненнем перадавых вылічальных метадаў. Класічныя падыходы, такія як сучасная партфельная тэорыя Маркавіца (1952) і мадэль ацэнкі капітальных актываў (1964), былі ўведзены больш за 50 гадоў таму, але ўсё яшчэ застаюцца актуальнымі. Аднак іх абмежаванні ў апрацоўцы нелінейных рызык і залежнасць ад гістарычных даных з кожным днём становяцца ўсё больш відавочнымі.
Такія практыкі, як мадэляванне рызык, аналіз сцэнарыяў і квантавы гандаль, шырока ўкаранёныя ключавымі гульцамі, такімі як Renaissance Technologies, DE Shaw і Two Sigma Investments, прывялі да ўкаранення больш складаных і прасунутых алгарытмаў. Акрамя таго, у апошнія гады індустрыя моцна зазнала ўплыў штучнага інтэлекту, паколькі машыннае навучанне і штучны інтэлект зрабілі прагнозную аналітыку больш дакладнай, а таксама зрабілі тое ж самае з персаналізаванымі інвестыцыйнымі стратэгіямі і аўтаматызаванымі складанымі працэсамі прыняцця рашэнняў.
Гэта пераўтварэнне з дапамогай штучнага інтэлекту дазволіла партфельным менеджэрам апрацоўваць шырокія масівы даных у рэжыме рэальнага часу і вырашаць тры асноўныя задачы:
Згодна з
Пашырэнне прыняцця і інвестыцый у рашэнні па кіраванні актывамі на базе штучнага інтэлекту і падкрэсліванне практычнага выкарыстання штучнага інтэлекту ў аптымізацыі партфеля.
Прыняцце штучнага інтэлекту ў індустрыі кіравання актывамі не з'яўляецца новай тэндэнцыяй; у апошнія гады назіраецца рост, але ўсё яшчэ абмежаваны невялікай колькасцю ўдзельнікаў рынку, а менавіта хедж-фондамі, офісамі колькаснага кіравання, буйнымі даследчыцкімі аддзеламі і фінансавымі ўстановамі, якія выкарыстоўваюць ІТ-паслугі.
Ужо ёсць шмат сфер прымянення штучнага інтэлекту:
ШІ значна паляпшае працэс аптымізацыі пабудовы партфеля. Напрыклад, класічны падыход сучаснай тэорыі партфоліо Маркавіца, які абапіраецца на канцэпцыі выпуклай аптымізацыі, служыць папярэднікам сучасных метадалогій, якія кіруюцца штучным інтэлектам. Прычына, па якой гэтая асноватворная тэорыя з'яўляецца такой важнай, заключаецца ў тым, што яна з'яўляецца асновай, на якой алгарытмы штучнага інтэлекту могуць далей змяняць і ўдасканальваць інвестыцыйныя стратэгіі.
У наш час штучны інтэлект пашырае гэтую тэорыю, даследуючы новыя памеры даных і інтэгруючы перадавыя аналітычныя метады. Гэтыя пашыраныя магчымасці перадачы дадзеных дазваляюць прымаць больш дэталёвыя і абгрунтаваныя рашэнні - практыка, якая шырока выкарыстоўваецца ў галіны.
Пэўныя метады штучнага інтэлекту цалкам сумяшчальныя з колькасным кіраваннем з выкарыстаннем вялікіх аб'ёмаў даных аб фундаментальных прынцыпах кампаніі, макраэканамічным асяроддзі або рынкавых умовах. Алгарытмы машыннага навучання могуць знаходзіць складаныя нелінейныя залежнасці паміж рознымі зменнымі і, вядома, выяўляць тэндэнцыі, якія не могуць аналітыкі.
Тэкставы аналіз - яшчэ адно прымяненне штучнага інтэлекту ў фундаментальным аналізе. Выкарыстоўваючы апрацоўку натуральнай мовы (NLP), AI апрацоўвае і аналізуе тэкставыя крыніцы, такія як карпаратыўныя справаздачы аб даходах, прэс-рэлізы цэнтральнага банка і фінансавыя навіны. З дапамогай НЛП штучны інтэлект можа здабываць з гэтых неструктураваных даных эканамічна і фінансава важную інфармацыю. Робячы гэта, ён забяспечвае колькасную і сістэматычную меру, якая паляпшае і дапамагае чалавечым інтэрпрэтацыям.
Паўнамоцтвы штучнага інтэлекту надзвычай карысныя ў гандлі, дзе складанасць транзакцый і патрэба ў хуткасці знаходзяцца ў раўнавазе. AI падтрымлівае алгарытмічны гандаль, аўтаматызуючы многія этапы працэсу, павышаючы эфектыўнасць транзакцый, якія кіруюцца на фінансавых рынках.
ШІ адкрыў магчымасць для больш шырокай прапановы персаналізаваных інвестыцыйных кансультацыйных паслуг па меншай цане. Гэтыя сістэмы выкарыстоўваюць складаныя алгарытмы для апрацоўкі рынкавых даных у рэжыме рэальнага часу, прыдумляючы найбольш прыдатныя стратэгіі для індывідуальных патрэб кліентаў на аснове іх мэт вяртання і профіляў рызыкі.
У кіраванні рызыкамі штучны інтэлект дапамагае шляхам мадэлявання розных «верагодных, але непажаданых» сцэнарыяў, якія, у сваю чаргу, паляпшаюць традыцыйныя практыкі, арыентаваныя толькі на пераважна верагодныя вынікі.
Класічныя метады машыннага навучання па-ранейшаму вельмі папулярныя ў кіраванні партфелем, і гэта: лінейныя мадэлі, уключаючы звычайныя найменшыя квадраты, рэгрэсію Рыджа і рэгрэсію ласо. Яны часта спалучаюцца з працэдурай аптымізацыі сярэдняга адхілення і метадамі дэкампазіцыі матрыц, такімі як дэкампазіцыя адзінкавага значэння (SVD) і аналіз галоўных кампанентаў (PCA), якія з'яўляюцца асноватворнымі для разумення ўзаемаадносін актываў і аптымізацыі размеркавання партфеля.
Паміж гэтымі класічнымі падыходамі і больш сучаснымі метадамі знаходзяцца машыны падтрымкі вектараў (SVM). Нягледзячы на тое, што SVM выкарыстоўваюцца на практыцы, яны не так часта разгортваюцца, але гуляюць значную ролю, у прыватнасці, у задачах класіфікацыі, накіраваных на прагназаванне прадукцыйнасці акцый.
Гэтыя задачы звычайна ўключаюць у сябе прагназаванне таго, ці атрымае акцыя прыбытак або страту, выкарыстоўваючы гістарычныя фінансавыя даныя, уключаючы ваганні коштаў акцый і аб'ёмы таргоў, каб разнесці актывы па катэгорыях і прагназаваць іх эфектыўнасць.
Калі казаць пра больш сучасныя метады, то нейронавыя сеткі дэманструюць сур'ёзны прагрэс у машынным навучанні для кіравання партфелем і прапануюць палепшаныя магчымасці для мадэлявання складаных нелінейных шаблонаў, якія цяжка захапіць традыцыйнымі мадэлямі. Акрамя нейронавых сетак, іншыя класічныя падыходы, такія як кантраляванае і некантраляванае навучанне, яшчэ больш паляпшаюць і ўдасканальваюць аналіз даных, робячы магчымым выяўленне і выкарыстанне тонкіх рынкавых сігналаў.
Новыя падыходы, такія як Reinforcement Learning і Deep Q-Learning, уносяць гэтыя якасці ў хутка развіваюцца асяроддзя прыняцця рашэнняў, дзе партфелі можна карэктаваць у рэжыме рэальнага часу для аптымізацыі фінансавых вынікаў на аснове навучання сістэмы ад зваротнай сувязі з рынкам.
Такія метады апрацоўкі натуральнай мовы, як аналіз настрояў, могуць дапамагчы выбраць агульныя меркаванні з такіх рэчаў, як газетныя артыкулы, паведамленні ў сацыяльных сетках і справаздачы аналітыкаў. Акрамя таго, партфельныя менеджэры могуць таксама аналізаваць мову, якая выкарыстоўваецца ў фінансавых СМІ, у тым ліку справаздачы аб прыбытках фірмаў, каб адчуваць настроі інвестараў і прагназаваць рух рынку, усё гэта з'яўляецца важнай інфармацыяй у працэсе прыняцця рашэнняў.
Кампаніі, якія спецыялізуюцца на высокачашчынным гандлі (HFT), як і тыя, што выкарыстоўваюць колькасныя гандлёвыя алгарытмы на аснове штучнага інтэлекту, зарабляюць на неэфектыўнасці, якая ўзнікае на рынку толькі на імгненне. Гэтыя фірмы выкарыстоўваюць тэхналогіі машыннага навучання, каб аналізаваць рэлевантную рынкавую інфармацыю на вельмі высокай хуткасці і размяшчаць заказы з дакладным часам усяго за мілісекунду.
Такое хуткае выкананне дазваляе ім атрымаць выгаду з арбітражных магчымасцей і максымізаваць прыбытак, прымаючы меры па разыходжанні ў цэнах хутчэй, чым канкурэнты. У той час як Renaissance Technologies вядомая сваімі колькаснымі гандлёвымі падыходамі, важна мець на ўвазе яе больш шырокую стратэгію, якая ахоплівае розныя перыяды ўтрымання ад традыцыйных практык HFT, якія ў асноўным сканцэнтраваны на хуткасці.
LIME (Local Interpretable Model-agnostic Explanations) - вядомы метад XAI, які выкарыстоўваецца, каб зрабіць вынікі складаных мадэляў машыннага навучання больш зразумелымі. У кіраванні партфелем гэты метад можа быць вельмі карысным для інтэрпрэтацыі таго, як мадэлі чорнай скрыні робяць прагнозы. Выкарыстоўваючы ўваходныя даныя і аналізуючы ўплыў на вынікі мадэляў, LIME дапамагае партфельным менеджэрам і спецыялістам па апрацоўцы дадзеных вызначыць, якія асаблівасці ўплываюць на інвестыцыйныя рашэнні больш, чым іншыя.
Гэты працэс дапамагае павысіць празрыстасць рашэнняў з дапамогай штучнага інтэлекту і падтрымлівае намаганні па праверцы і паляпшэнні таго, наколькі лёгка зразумець гэтыя мадэлі. Аднак хоць LIME паляпшае наша разуменне паводзін мадэляў, ацэнка агульнай надзейнасці мадэляў прадугледжвае дадатковыя метады праверкі.
Тэхналогія штучнага інтэлекту адыгрывае важную ролю ў забеспячэнні адпаведнасці нарматыўным нормам і маніторынгу інвестыцыйных абмежаванняў у фінансавай індустрыі. Аўтаматызуючы гэтыя працэсы, сістэмы штучнага інтэлекту дапамагаюць фінансавым кампаніям больш эфектыўна і дакладна прытрымлівацца юрыдычных стандартаў і не трапляць у непрыемнасці. Гэтая тэхналогія вельмі важная для маніторынгу захавання вялікіх аб'ёмаў транзакцый і разнастайных партфельных дзеянняў, дзе яна можа хутка (фактычна імгненна) вызначыць адхіленні ад нарматыўных патрабаванняў або ўнутраных інструкцый.
Больш за тое, выкарыстанне штучнага інтэлекту зводзіць да мінімуму рызыку чалавечай памылкі, што вельмі важна ў нарматыўных умовах з высокімі стаўкамі, дзе памылкі могуць прывесці да юрыдычных і фінансавых наступстваў.
Прыкладанні штучнага інтэлекту ў аўтаматызаванай рэбалансіроўцы маюць вырашальнае значэнне для падтрымання ідэальнага размеркавання актываў з цягам часу. Яны могуць карэктаваць партфелі ў адказ на змены рынку або зрухі ў профілі рызыкі інвестара, што забяспечвае адпаведнасць стратэгічным інвестыцыйным мэтам.
У дадатак да прыкладанняў, спецыяльна распрацаваных для інвестыцый, патэнцыял для развіцця штучнага інтэлекту ў бізнесе па кіраванні актывамі, здаецца, шырокі. Аднак, нягледзячы на тое, што мы інстынктыўна бачым магчымасць аўтаматызацыі пэўных заданняў на розных этапах аперацыйнага ланцужка, усё яшчэ цяжка ў поўнай меры прадбачыць разбуральную моц штучнага інтэлекту. Гэта звязана з тым, што па меры распрацоўкі дадатковых дасягненняў штучны інтэлект прывядзе да з'яўлення новых сектараў прымянення.
Мы павінны памятаць пра абмежаванні штучнага інтэлекту, а таксама пра небяспеку, якую ён уяўляе для некаторых аспектаў кіравання партфелем, нягледзячы на тое, што ён зрабіў магчымым тэхналагічны прагрэс і павышэнне прадукцыйнасці з выкарыстаннем штучнага інтэлекту. У першую чаргу падыходы штучнага інтэлекту і машыннага навучання абапіраюцца на дадзеныя, якія выкарыстоўваюцца для харчавання алгарытмаў навучання.
Неабходна, каб гэтыя даныя былі высокай якасці з пункту гледжання абнаўлення, дакладнасці, паўнаты і рэпрэзентатыўнасці.
У дадатак да патрабавання да вельмі вялікага аб'ёму даных, які не заўсёды даступны, гэта той выпадак, калі гэтыя даныя павінны быць добрай якасці. У любым іншым выпадку высновы, атрыманыя з дапамогай прагнастычных мадэляў, не з'яўляюцца надзейнымі і ўстойлівымі.
Больш за тое, алгарытмы таксама могуць рабіць памылковыя здагадкі, выбіраючы недарэчныя тэндэнцыі з набору даных, які аналізуецца, што можа прывесці да памылковых высноў. Гэта можа прывесці да вялікіх захопаў, занадта рэзкіх скачкоў і драбнюткіх падзенняў. Страта канкурэнцыі на рынку можа адбыцца з-за таго, што многія аператары рынку, якія кіруюць аднымі і тымі ж алгарытмамі штучнага інтэлекту, могуць адначасова прыняць няправільнае рашэнне або аднолькава адрэагаваць на акалічнасці ў рэальным часе. Такая рызыка можа стаць фатальнай.
Нягледзячы на патэнцыйныя перавагі штучнага інтэлекту ў кіраванні партфелем, як і ў любой іншай сферы, існуе мноства праблем, якія мы павінны памятаць і, у рэшце рэшт, вырашыць. Адной з асноўных цяжкасцей з'яўляецца магчымы недахоп празрыстасці і праблемы інтэрпрэтацыі мадэляў штучнага інтэлекту, з-за чаго кіраўнікам можа быць складана растлумачыць вынікі іх супрацоўніцтва з штучным інтэлектам. Такая складанасць выкарыстання можа быць адной з прычын таго, што прыняцце штучнага інтэлекту ў еўрапейскіх фондах адносна нізкае. Па стане на верасень 2022 г.
Еўрапейскае ўпраўленне па фінансавых рынках (ESMA)
На дадзены момант здаецца, што штучны інтэлект яшчэ далёкі ад поўнай замены рэальных людзей у індустрыі кіравання актывамі. З улікам сказанага, празрыстасць, даверныя адносіны і кантакт паміж кліентамі і экспертамі па кіраванні па-ранейшаму застаюцца найважнейшымі характарыстыкамі, больш чым калі-небудзь.
Тым не менш, мы не можам адмаўляць, што штучны інтэлект прыносіць з сабой новыя і цікавыя інструменты, якія можна выкарыстоўваць у ланцужку стварэння кошту, і патэнцыял гэтых інструментаў можа сапраўды змяніць тое, як галіна выглядае сёння.