![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
AIaren gorakadak, jakina, hainbat industriatan eragin du, eta finantza-industria da gehien eragin dutenen artean . Esate baterako, iaz GPT-3.5 bezalako ereduen merkaturatzeak AI erabiltzeko interesa areagotu du funtsen kudeatzaileen analisian, arriskuen kudeaketan eta erabakiak hartzeko gaitasunak areagotzen laguntzeko.
Horrela, AI tresnak ezartzen dira merkatuaren ebaluazioak zehatzagoak egiteko eta arriskuak modu eraginkorragoan kudeatzeko. Zorro-kudeatzaileek merkatuaren mugimenduen ebaluazio argiagoa egitea espero da, inbertsio-aukera egokiak murriztea eta arriskuak kudeatzea beren merkataritzan ikaskuntza automatikoko algoritmoak, hizkuntza naturalaren prozesamendua eta adimen artifizialeko tresnak aplikatzen dituztenean.
Ikaskuntza automatikoko algoritmoak eta hizkuntza naturala prozesatzeko tresnak funtsezko eragileen merkataritza-estrategietan integratzeak prozesu horien eraginkortasuna areagotzen eta abantaila lehiakorra lortzen laguntzen die inbertsio-erabaki azkarrago eta zehatzagoekin eta analisi iragarleekin.
Azken hamarkadetan, IA finantza-industriaren sektore ezberdinetan ezarri da. Back officen, ML algoritmoak exekuzio erregistroetan anomaliak aurkitzeko, transakzio susmagarriak detektatzeko eta arriskuak kudeatzeko erabiltzen dira, eraginkortasuna eta segurtasuna areagotzeko. Bulegoan, AI bezeroak segmentatzen laguntzen ari da, bezeroarentzako laguntza-prozesuak automatizatzen eta deribatuen prezioak optimizatzen.
Hala ere, zatirik interesgarriena finantza-eroslerako AI gaitasunak dira - merkatuko zarata artean seinale prediktiboak identifikatzea datu kopuru garrantzitsuak ahalik eta azkarren aztertuz. Esate baterako, aplikazio horiek denbora serieen aurreikuspena, merkatuak segmentatzea eta, jakina, aktiboen zorroak kudeatzea izan ditzakete. AI-k datu multzo zabalak prozesatzeko eta aztertzeko dituen aukerek metodo tradizionalek ziurrenik galduko dituzten eredu sotilak aurkitzen laguntzen dute.
Portafolioaren optimizazioa praktika ohikoa izan da hainbat hamarkadatan, datuen zientziaren garapenean eta teknika konputazional aurreratuen ezarpenean nabarmen eboluzionatuz. Planteamendu klasikoak, hala nola, Markowitz-en Modern Portfolio Theory (1952) eta Capital Asset Pricing Model (1964) duela 50 urte baino gehiago sartu ziren, baina oraindik garrantzitsuak dira. Hala ere, arrisku ez-lineala kudeatzeko dituzten mugak eta datu historikoekiko mendekotasuna egunetik egunera gero eta nabarmenagoak dira.
Funtsezko eragileek asko inplementatutako arriskuen modelizazioa, eszenatokien analisia eta merkataritza kuantita bezalako praktikek, hala nola Renaissance Technologies, DE Shaw eta Two Sigma Investments, algoritmo konplexuagoak eta aurreratuagoak ezartzea ekarri dute. Horrez gain, industriak eragin handia izan du AIren azken urteotan, ikaskuntza automatikoa eta adimen artifiziala analitika prediktiboa zehatzagoa egin baitute, eta gauza bera egin dute inbertsio estrategia pertsonalizatuekin eta erabakiak hartzeko prozesu konplexu automatizatuekin.
AI bultzatutako eraldaketa honek zorroaren kudeatzaileei datu sorta zabalak denbora errealean prozesatu eta hiru erronka nagusiak konpontzeko aukera eman die:
arabera
AI-k bultzatutako aktiboak kudeatzeko soluzioetan adopzioa eta inbertsioa areagotzea eta IAren erabilera praktikoa nabarmentzea zorroaren optimizazioan.
Aktiboen kudeaketaren industrian AI hartzea ez da joera berria; azken urteotan hazkundea izan du, baina oraindik merkatuko eragile kopuru txiki batera mugatzen da, hots, hedge funds, kudeaketa kuantitatiboko bulegoak, ikerketa sail handiak eta informatika zerbitzuak erabiltzen dituzten finantza-erakundeak.
Dagoeneko AIrako aplikazio eremu asko daude:
AI-k nabarmen hobetzen du zorroaren eraikuntza optimizatzeko prozesua. Esate baterako, Markowitz-en Modern Portfolio Theory-ren ikuspegi klasikoa, optimizazio-kontzeptu ganbiletan oinarritzen dena, AI-k bultzatutako metodologien aitzindari gisa balio du. Oinarrizko teoria hau hain funtsezkoa den arrazoia da AI algoritmoek inbertsio-estrategiak gehiago aldatzeko eta hobetu ditzaketen oinarria osatzen duela.
Gaur egun, IAk teoria hau zabaltzen du datuen dimentsio berriak aztertuz eta teknika analitiko aurreratuak integratuz. Datu-gaitasun hedatu honek erabakiak hartzeko ñabardura eta informazio gehiago emateko aukera ematen du, industrian oso erabilia izan den praktika.
Zenbait AI teknika guztiz bateragarriak dira kudeaketa kuantitatiboarekin, enpresaren oinarriei, ingurune makroekonomikoari edo merkatu-baldintzei buruzko datu-bolumen handiak erabiliz. Ikaskuntza automatikoko algoritmoek aldagai ezberdinen arteko erlazio ez-lineal konplexuak aurki ditzakete eta, noski, analistek ezin dituzten joerak hauteman ditzakete.
Testu-analisia AIaren beste aplikazio bat da oinarrizko analisian. Lengoaia naturalaren prozesamendua (NLP) erabiliz, IAk testu-iturriak prozesatu eta aztertzen ditu, hala nola enpresen irabazien txostenak, banku zentraleko prentsa-oharrak eta finantza-albisteak. NLPren bidez, AI-k informazio ekonomiko eta finantzario garrantzitsua atera dezake egituratu gabeko datu horietatik. Horrela, giza interpretazioak hobetzen eta laguntzen dituen neurri kuantitatibo eta sistematikoa eskaintzen du.
AIren ahalmenak oso erabilgarriak dira merkataritzan, non transakzioen konplexutasuna eta abiaduraren beharra orekatuta dauden. AI-k merkataritza algoritmikoa onartzen du prozesuaren fase asko automatizatuz, finantza-merkatuetan kudeatutako transakzioen eraginkortasuna hobetuz.
AIk aukera bat ireki du kostu baxuagoan inbertsio pertsonalizatuen aholkularitza zerbitzuen eskaintza zabalagoa izateko. Sistema hauek algoritmo konplexuak erabiltzen dituzte denbora errealean merkatuko datuak prozesatzeko, eta bezeroen beharretarako estrategia egokienak planteatzen dituzte, itzulera helburuen eta arrisku-profilen arabera.
Arriskuen kudeaketan, AI-k hainbat eszenatoki "litekeena baina desiragarria" modelatzen laguntzen du, eta, aldi berean, emaitz posibleetan soilik oinarritzen diren praktika tradizionalak hobetzen ditu.
Machine Learning metodo klasikoak oso ezagunak dira oraindik Portfolioaren kudeaketan, eta hauek dira: Eredu linealak, karratu txikien arruntak, Ridge-ren erregresioa eta lazo-erregresioa barne. Hauek maiz konbinatzen dira Batez besteko-Aldakuntza Optimizazio prozedura eta matrizearen deskonposizio teknikekin, hala nola Balio Singular Deskonposizioa (SVD) eta Osagai Nagusien Analisia (PCA), oinarrizkoak diren aktiboen harremanak ulertzeko eta zorroaren esleipenak optimizatzeko.
Planteamendu klasiko horien eta metodo modernoagoen artean kokatuta daude Support Vector Machines (SVMs). Praktikan SVM-ak erabiltzen badira ere, ez dira normalean hedatzen, baina zeregin garrantzitsua dute, batez ere, stocken errendimendua aurreikustera bideratutako sailkapen-zereginetan.
Zeregin horien artean, normalean, akzio batek irabaziak edo galerak izango dituen ala ez aurreikustea, finantza-datu historikoak erabiliz, akzioen prezioen gorabeherak eta merkataritza-bolumenak barne, aktiboak kategorietan jartzeko eta haien errendimendua aurreikusteko.
Metodo modernoagoei buruz hitz eginez, neurona-sareek zorroen kudeaketarako ikaskuntza automatikoan aurrerapen handiak erakusten dituzte eta eredu tradizionalekin harrapatzeko zailak diren eredu ez-lineal konplexuak modelatzeko gaitasun hobeak eskaintzen dituzte. Neurona-sareez gain, beste ikuspegi klasiko batzuk, hala nola ikaskuntza gainbegiratua eta gainbegiratu gabekoa, datuen azterketa gehiago hobetzen eta hobetzen dute, merkatuko seinale sotilak aurkitzea eta ustiatzea posible eginez.
Ikuspegi berriek, hala nola, Reinforcement Learning eta Deep Q-Learning-ek ezaugarri hauek abiadura azkarreko erabakiak hartzeko inguruneetara ekartzen dituzte, non zorroak denbora errealean doi daitezkeen finantza-emaitzak optimizatzeko, sistemaren ikaskuntzan oinarrituta, merkatuaren iritzietatik abiatuta.
Hizkuntza Naturalaren prozesamendu-teknikek, hala nola, sentimenduen analisia, egunkarietako artikuluetan, sare sozialetako argitalpenetan eta analistaren txostenetan ohikoak diren iritziak hautatzen eta aukeratzen lagun dezakete. Gainera, zorro-kudeatzaileek finantza-komunikabideetan erabiltzen den hizkuntza ere azter dezakete, enpresen irabazien txostenak barne, inbertitzaileen sentimendua sentitzeko eta merkatuaren mugimenduak aurreikusteko, hori guztia erabakiak hartzeko prozesuan informazio erabakigarria.
Maiztasun handiko merkataritzan (HFT) espezializatutako enpresek, AI bidezko merkataritza-algoritmo kuantitatiboak erabiltzen dituztenek bezala, dirua irabazten dute merkatuan une batez gertatzen diren eraginkortasunik gabe. Enpresa hauek ikaskuntza automatikoko teknologiak erabiltzen dituzte merkatuko informazio garrantzitsua abiadura oso altuan aztertzeko eta eskariak milisegundo laburrean denbora zehatzarekin egiteko.
Horrelako exekuzio azkarrak arbitraje aukeretatik aprobetxatu eta etekinak maximizatzeko aukera ematen die prezioen desadostasunak lehiakideek baino azkarrago hartuz. Renaissance Technologies bere merkataritza-ikuspegi kuantitatiboengatik ezaguna den arren, garrantzitsua da bere estrategia zabalagoa kontuan izatea HFT praktika tradizionaletako hainbat eduki-aldi barne hartzen dituena, batez ere abiaduran zentratuta daudenak.
LIME (Local Interpretable Model-agnostic Explanations) makina ikasketa eredu konplexuen irteerak ulergarriagoak izateko erabiltzen den XAI metodo nabarmena da. Zorroaren kudeaketan, metodo hau oso baliotsua izan daiteke kutxa beltzeko ereduek iragarpenak nola egiten dituzten interpretatzeko. Sarrerako datuak erabiliz eta ereduen irteeretan duten eragina aztertuz, LIMEk zorro-kudeatzaileei eta datu-zientzialariei laguntzen die zein ezaugarrik besteek baino gehiago eragiten duten inbertsio-erabakietan.
Prozesu honek AI-k bultzatutako erabakien gardentasuna hobetzen laguntzen du eta eredu horiek zein erraz uler daitezkeen egiaztatzeko eta hobetzeko ahaleginak onartzen ditu. Hala ere, LIMEk ereduaren portaeraren ulermena hobetzen duen arren, ereduen fidagarritasun orokorra ebaluatzeak baliozkotze teknika osagarriak dakartza.
AI teknologiak zeregin handia du arau-esparruak betetzen direla ziurtatzeko eta finantza-industriaren inbertsio-murrizketak kontrolatzeko. Prozesu hauek automatizatuz, AI sistemek finantza-enpresei lege-arauetara era eraginkorragoan, zehaztasun handiagoz betetzen laguntzen diete eta arazorik ez izaten. Teknologia hau oso baliotsua da transakzio-bolumen handietan eta zorro-jarduera ezberdinetan betetzen den kontrolatzeko, non azkar (berehala, hain zuzen ere) arauzko eskakizunetatik edo barne-jarraibideetatik desbideratzeak identifikatu ditzakeen.
Gainera, AI erabiltzeak giza akatsen arriskua murrizten du, eta hori funtsezkoa da akatsek ondorio juridiko eta finantzarioak ekar ditzaketen arau-ingurune handietan.
Berrerekatze automatizatuan AI aplikazioak funtsezkoak dira aktiboen esleipen idealak denboran zehar mantentzeko. Zorroak doitu ditzakete merkatuaren aldaketei edo inbertitzaile baten arrisku-profilaren aldaketei erantzunez, eta horrek inbertsio-helburu estrategikoekin lerrokatzea bermatzen du.
Inbertsiorako bereziki diseinatutako aplikazioez gain, aktiboen kudeaketa negozioaren barruan adimen artifiziala garatzeko potentziala zabala dirudi. Hala ere, kate operatiboko hainbat fasetan lanpostu zehatzak automatizatzeko aukera instintiboki ikusten dugun arren, oraindik zaila da adimen artifizialaren ahalmen disruptiboa guztiz aurreikustea. Hau da, AI-ak aplikazio-sektore berriak sortzea espero delako, aurrerapen gehigarriak garatu ahala.
Kontuan izan behar ditugu adimen artifizialak dituen mugak eta baita zorroen kudeaketaren zenbait alderdirentzat dituen arriskuak ere, adimen artifiziala erabiliz aurrerapen teknologikoak eta produktibitate-irabaziak ahalbidetu dituen arren. Lehenik eta behin, adimen artifiziala eta ikaskuntza automatikoaren ikuspegiak ikaskuntza algoritmoak elikatzeko erabiltzen diren datuetan oinarritzen dira.
Beharrezkoa da datu hauek kalitate handikoak izatea eguneratzeei, zehaztasunari, osotasunari eta adierazgarritasunari dagokionez.
Datu bolumen oso handia behar izateaz gain, beti eskuragarri ez dagoena, datu horiek kalitate onekoak izan behar dutela gertatzen da. Beste edozein kasutan, eredu prediktiboak erabiliz lortzen diren aurkikuntzak ez dira fidagarriak edo erresilienteak.
Gainera, algoritmoek hipotesi faltsuak ere egin ditzakete aztertzen den datu multzotik garrantzirik gabeko joerak hautatuz, eta horrek ondorio okerrak ekar ditzake. Horrek eskala gordinaren harrapaketa, jauziak zorrotzegiak eta ahalik eta kraskadura txikienak eragin ditzake. Merkatuko lehia galtzea gerta daiteke AI algoritmo berberak kudeatzen dituzten merkatuko operadore askok erabaki okerrak aldi berean har ditzaketelako edo denbora errealeko zirkunstantzia baten aurrean antzera erreakzionatu dezaketelako. Arrisku hori hilgarria izan daiteke.
AI-k zorroaren kudeaketan izan ditzakeen onurak izan arren, edozein arlotan bezala, gogoan izan behar ditugun erronkak eta, azkenean, aurre egin behar ditugu. Zailtasun nagusietako bat AI ereduen gardentasun- eta interpretazio-arazoak izan daitezkeela da, eta horrek erronka egin diezaieke kudeatzaileek AIrekin duten lankidetzaren emaitzak azaltzea. Erabilera-konplexutasun hori izan daiteke Europako funtsetan IAren adopzioa nahiko baxua izatearen arrazoietako bat. 2022ko irailetik aurrera,
Europako Finantza Merkatuen Agintaritzak (ESMA)
Une honetan, badirudi adimen artifiziala oraindik urrun dagoela aktiboen kudeaketaren industrian benetako pertsonak guztiz ordezkatzeko. Hori bai, gardentasuna, konfiantzazko harremana eta bezeroen eta kudeaketako adituen arteko harremanak funtsezko ezaugarriak izaten jarraitzen dute, orain inoiz baino gehiago.
Hala ere, ezin dugu ukatu adimen artifizialak balio-katean erabil daitezkeen tresna berri eta zirraragarriak ekartzen dituela, eta tresna horien potentzialak benetan alda dezake industriaren itxura gaur egun.