ظهور هوش مصنوعی آشکارا بر صنایع مختلف تأثیر گذاشته است و صنعت مالی از جمله مواردی است که بیشترین تأثیر را داشته است . برای مثال، عرضه عمومی مدلهایی مانند GPT-3.5 در سال گذشته، علاقه به استفاده از هوش مصنوعی را برای کمک به افزایش تواناییهای مدیران صندوق در تحلیل، مدیریت ریسک و تصمیمگیری افزایش داده است.
بنابراین، ابزارهای هوش مصنوعی برای دقیقتر کردن ارزیابیهای بازار و مدیریت مؤثرتر ریسکها پیادهسازی میشوند. انتظار می رود مدیران پورتفولیو ارزیابی واضح تری از حرکات بازار داشته باشند، انتخاب های سرمایه گذاری مناسب را محدود کنند و ریسک ها را با استفاده از الگوریتم های یادگیری ماشین، پردازش زبان طبیعی و ابزارهای هوش مصنوعی در معاملات خود مدیریت کنند.
ادغام الگوریتمهای یادگیری ماشین و همچنین ابزارهای پردازش زبان طبیعی در استراتژیهای معاملاتی بازیکنان کلیدی، به آنها کمک میکند تا کارایی این فرآیندها را افزایش دهند و با تصمیمهای سرمایهگذاری سریعتر و دقیقتر و تحلیلهای پیشبینیکننده، مزیت رقابتی کسب کنند.
در دهههای گذشته، هوش مصنوعی در بخشهای مختلف صنعت مالی پیادهسازی شده است. در پشت آفیس، الگوریتمهای ML برای یافتن ناهنجاریها در گزارشهای اجرایی، شناسایی تراکنشهای مشکوک و همچنین مدیریت ریسکها استفاده میشوند که منجر به افزایش کارایی و امنیت میشود. در دفتر اصلی، هوش مصنوعی به تقسیم بندی مشتریان، خودکارسازی فرآیندهای پشتیبانی مشتری و بهینه سازی قیمت گذاری مشتقات کمک می کند.
با این حال، جذابترین بخش آن، قابلیتهای هوش مصنوعی برای سمت خرید امور مالی است - شناسایی سیگنالهای پیشبینی در میان نویز بازار با تجزیه و تحلیل مقادیر قابل توجهی از دادهها در سریعترین زمان ممکن. به عنوان مثال، چنین برنامه هایی ممکن است شامل پیش بینی سری های زمانی، بخش بندی بازارها و البته مدیریت پرتفوی دارایی ها باشد. فرصتهای هوش مصنوعی برای پردازش و تجزیه و تحلیل مجموعههای داده گسترده به یافتن الگوهای ظریفی کمک میکند که روشهای سنتی احتمالاً از دست خواهند داد.
بهینهسازی پورتفولیو برای چندین دهه یک عمل رایج بوده است که به طور قابل توجهی تحت توسعه علم داده و اجرای تکنیکهای محاسباتی پیشرفته تکامل یافته است. رویکردهای کلاسیک مانند نظریه پورتفولیوی مدرن مارکوویتز (1952) و مدل قیمت گذاری دارایی سرمایه (1964) بیش از 50 سال پیش معرفی شدند، اما همچنان مرتبط هستند. با این حال، محدودیتهای آنها در مدیریت ریسک غیرخطی و وابستگی به دادههای تاریخی روز به روز آشکارتر میشوند.
شیوههایی مانند مدلسازی ریسک، تحلیل سناریو و معاملات کمی که بهطور گسترده توسط بازیگران کلیدی، مانند Renaissance Technologies، DE Shaw، و Two Sigma Investments اجرا شدهاند، منجر به اجرای الگوریتمهای پیچیدهتر و پیشرفتهتر شدهاند. علاوه بر این، صنعت در سالهای اخیر به شدت تحتتاثیر هوش مصنوعی قرار گرفته است، زیرا یادگیری ماشین و هوش مصنوعی تجزیه و تحلیل پیشبینیکننده را دقیقتر کردهاند و همین کار را برای استراتژیهای سرمایهگذاری شخصیشده و فرآیندهای تصمیمگیری پیچیده خودکار انجام میدهند.
این تحول مبتنی بر هوش مصنوعی مدیران پورتفولیو را قادر می سازد تا آرایه های گسترده ای از داده ها را در زمان واقعی پردازش کنند و سه چالش اصلی را حل کنند:
با توجه به
افزایش پذیرش و سرمایه گذاری در راه حل های مدیریت دارایی با استفاده از هوش مصنوعی و برجسته کردن استفاده عملی از هوش مصنوعی در بهینه سازی پورتفولیو.
پذیرش هوش مصنوعی در صنعت مدیریت دارایی روند جدیدی نیست. در سالهای اخیر شاهد رشد بوده است، اما همچنان محدود به تعداد کمی از بازیگران بازار مانند صندوقهای تامینی، دفاتر مدیریت کمی، بخشهای تحقیقاتی بزرگ و مؤسسات مالی با استفاده از خدمات فناوری اطلاعات است.
در حال حاضر زمینه های کاربردی زیادی برای هوش مصنوعی وجود دارد:
هوش مصنوعی به طور قابل توجهی روند بهینه سازی ساخت نمونه کارها را بهبود می بخشد. به عنوان مثال، رویکرد کلاسیک نظریه نمونه کارها مدرن مارکوویتز، که بر مفاهیم بهینهسازی محدب تکیه دارد، به عنوان پیشروی روششناسیهای مبتنی بر هوش مصنوعی معاصر عمل میکند. دلیل اینکه این نظریه بنیادی بسیار مهم است این است که مبنایی را تشکیل می دهد که الگوریتم های هوش مصنوعی می توانند استراتژی های سرمایه گذاری را بیشتر تغییر داده و اصلاح کنند.
امروزه هوش مصنوعی این نظریه را با کاوش در ابعاد جدید داده ها و ادغام تکنیک های تحلیلی پیشرفته گسترش می دهد. این قابلیت داده گسترش یافته امکان تصمیم گیری دقیق تر و آگاهانه تر را فراهم می کند - رویه ای که به طور گسترده در صنعت استفاده شده است.
برخی از تکنیکهای هوش مصنوعی با استفاده از حجم زیادی از دادهها درباره مبانی شرکت، محیط اقتصاد کلان یا شرایط بازار، کاملاً با مدیریت کمی سازگار هستند. الگوریتم های یادگیری ماشینی می توانند روابط غیرخطی پیچیده ای را بین متغیرهای مختلف پیدا کنند و البته روندهایی را که تحلیلگران نمی توانند تشخیص دهند.
تحلیل متنی یکی دیگر از کاربردهای هوش مصنوعی در تحلیل بنیادی است. با استفاده از پردازش زبان طبیعی (NLP)، هوش مصنوعی منابع متنی مانند گزارش های درآمد شرکت ها، بیانیه های مطبوعاتی بانک مرکزی و اخبار مالی را پردازش و تجزیه و تحلیل می کند. از طریق NLP، هوش مصنوعی میتواند اطلاعات مهم اقتصادی و مالی را از این دادههای بدون ساختار استخراج کند. با انجام این کار، اندازه گیری کمی و سیستماتیک ارائه می دهد که تفسیرهای انسانی را بهبود می بخشد و به آنها کمک می کند.
قدرت های هوش مصنوعی در تجارت، جایی که پیچیدگی تراکنش ها و نیاز به سرعت در تعادل است، بسیار مفید است. هوش مصنوعی از معاملات الگوریتمی با خودکارسازی بسیاری از مراحل فرآیند پشتیبانی می کند و کارایی تراکنش های مدیریت شده در بازارهای مالی را بهبود می بخشد.
هوش مصنوعی فرصتی را برای ارائه گسترده تر خدمات مشاوره سرمایه گذاری شخصی با هزینه کمتر باز کرده است. این سیستمها از الگوریتمهای پیچیده برای پردازش دادههای بازار بلادرنگ استفاده میکنند و بر اساس اهداف بازده و پروفایل ریسک، مناسبترین استراتژیها را برای نیازهای مشتری ارائه میکنند.
در مدیریت ریسک، هوش مصنوعی با مدلسازی سناریوهای مختلف «محتمل اما نامطلوب» کمک میکند، که به نوبه خود، شیوههای سنتی را که فقط بر نتایج عمدتاً محتمل تمرکز میکنند، تقویت میکند.
روشهای یادگیری ماشین کلاسیک هنوز در مدیریت پورتفولیو بسیار محبوب هستند و عبارتند از: مدلهای خطی، از جمله حداقل مربعات معمولی، رگرسیون ریج، و رگرسیون کمند. اینها اغلب با روش بهینهسازی میانگین واریانس و تکنیکهای تجزیه ماتریس مانند تجزیه ارزش منفرد (SVD) و تجزیه و تحلیل مؤلفه اصلی (PCA) ترکیب میشوند که در درک روابط دارایی و بهینهسازی تخصیص پورتفولیو اساسی هستند.
بین این رویکردهای کلاسیک و روشهای مدرنتر، ماشینهای بردار پشتیبان (SVM) قرار دارند. اگرچه SVM ها در عمل استفاده می شوند، اما به طور معمول مستقر نیستند، اما نقش مهمی را ایفا می کنند، به ویژه، در وظایف طبقه بندی با هدف پیش بینی عملکرد سهام.
این وظایف معمولاً شامل پیشبینی سود یا زیان یک سهام، استفاده از دادههای مالی تاریخی از جمله نوسانات قیمت سهام و حجم معاملات برای طبقهبندی داراییها و پیشبینی عملکرد آنها است.
در مورد روشهای مدرنتر صحبت میکنیم، شبکههای عصبی پیشرفتهای عمدهای را در یادگیری ماشین برای مدیریت پورتفولیو نشان میدهند و قابلیتهای بهبود یافتهای را برای مدلسازی الگوهای غیرخطی پیچیدهای ارائه میدهند که گرفتن آنها با مدلهای سنتی دشوار است. علاوه بر شبکههای عصبی، سایر رویکردهای کلاسیک مانند یادگیری تحت نظارت و بدون نظارت، تجزیه و تحلیل دادهها را بیشتر بهبود میبخشند و بهبود میبخشند و کشف و بهرهبرداری از سیگنالهای ظریف بازار را ممکن میسازند.
رویکردهای جدیدتر، مانند یادگیری تقویتی و یادگیری عمیق Q، این ویژگیها را به محیطهای تصمیمگیری سریع وارد میکنند، جایی که میتوان پورتفولیوها را در زمان واقعی برای بهینهسازی نتایج مالی بر اساس یادگیری سیستم از بازخورد بازار تنظیم کرد.
تکنیکهای پردازش زبان طبیعی مانند تجزیه و تحلیل احساسات میتوانند به انتخاب و انتخاب نظرات مشترک از مواردی مانند مقالات روزنامه، پستهای رسانههای اجتماعی و گزارشهای تحلیلگر کمک کنند. علاوه بر این، مدیران پورتفولیو همچنین میتوانند زبان مورد استفاده در رسانههای مالی، از جمله گزارشهای درآمد شرکتها را تجزیه و تحلیل کنند تا احساسات سرمایهگذاران را احساس کنند و حرکات بازار را پیشبینی کنند، که همه اینها اطلاعاتی حیاتی در فرآیند تصمیمگیری هستند.
شرکتهایی که در تجارت با فرکانس بالا (HFT) تخصص دارند، مانند شرکتهایی که از الگوریتمهای معاملاتی کمی مبتنی بر هوش مصنوعی استفاده میکنند، از ناکارآمدیهایی که فقط برای لحظهای در بازار رخ میدهد، درآمد کسب میکنند. این شرکتها از فناوریهای یادگیری ماشین برای تجزیه و تحلیل اطلاعات بازار مرتبط با سرعت بسیار بالا استفاده میکنند و سفارشهایی را با زمانبندی دقیق برای کوتاهتر از یک میلیثانیه ثبت میکنند.
چنین اجرای سریع به آنها اجازه می دهد تا از فرصت های آربیتراژ بهره ببرند و با اقدام در مورد اختلاف قیمت سریعتر از رقبا، سود را به حداکثر برسانند. در حالی که Renaissance Technologies به دلیل رویکردهای تجاری کمی خود شناخته شده است، مهم است که استراتژی گسترده تر آن را در نظر داشته باشید که شامل دوره های مختلف برگزاری از شیوه های سنتی HFT است که عمدتاً بر سرعت متمرکز است.
LIME (توضیحات محلی قابل تفسیر مدل-آگنوستیک) یک روش برجسته XAI است که برای قابل فهم تر کردن خروجی های مدل های پیچیده یادگیری ماشین استفاده می شود. در مدیریت پورتفولیو، این روش می تواند برای تفسیر چگونگی پیش بینی مدل های جعبه سیاه بسیار ارزشمند باشد. LIME با استفاده از دادههای ورودی و تجزیه و تحلیل تأثیر بر خروجیهای مدل، به مدیران پورتفولیو و دانشمندان داده کمک میکند تا مشخص کنند کدام ویژگیها بر تصمیمهای سرمایهگذاری بیشتر از سایرین تأثیر میگذارند.
این فرآیند به افزایش شفافیت تصمیمات تقویتشده با هوش مصنوعی کمک میکند و از تلاشها برای تأیید و بهبود درک آسان این مدلها پشتیبانی میکند. با این حال، در حالی که LIME درک ما از رفتار مدل را بهبود می بخشد، ارزیابی قابلیت اطمینان کلی مدل ها شامل تکنیک های اعتبار سنجی اضافی است.
فناوری هوش مصنوعی نقش مهمی در تضمین انطباق با چارچوب های نظارتی و نظارت بر محدودیت های سرمایه گذاری در صنعت مالی ایفا می کند. با خودکارسازی این فرآیندها، سیستمهای هوش مصنوعی به شرکتهای مالی کمک میکنند تا به طور موثرتر، دقیقتر به استانداردهای قانونی پایبند باشند و دچار مشکل نشوند. این فناوری در نظارت بر انطباق در حجم زیادی از تراکنش ها و فعالیت های متنوع پورتفولیو بسیار ارزشمند است، جایی که می تواند به سرعت (در واقع به سرعت) انحرافات از الزامات نظارتی یا دستورالعمل های داخلی را شناسایی کند.
علاوه بر این، استفاده از هوش مصنوعی خطر خطای انسانی را به حداقل میرساند، که در محیطهای نظارتی پر خطر که اشتباهات میتوانند منجر به عواقب قانونی و مالی شوند، بسیار مهم است.
کاربردهای هوش مصنوعی در تعادل مجدد خودکار برای حفظ تخصیص دارایی ایده آل در طول زمان بسیار مهم است. آنها میتوانند پرتفوی را در پاسخ به تغییرات بازار یا تغییر در نمایه ریسک سرمایهگذار تنظیم کنند، که همسویی با اهداف استراتژیک سرمایهگذاری را تضمین میکند.
علاوه بر برنامه هایی که به طور خاص برای سرمایه گذاری طراحی شده اند، به نظر می رسد پتانسیل توسعه هوش مصنوعی در تجارت مدیریت دارایی گسترده باشد. با این حال، با وجود این واقعیت که ما به طور غریزی امکان خودکارسازی مشاغل خاص را در مراحل مختلف زنجیره عملیاتی می بینیم، هنوز پیش بینی کامل قدرت مخرب هوش مصنوعی دشوار است. این به این دلیل است که انتظار میرود هوش مصنوعی با توسعه پیشرفتهای بیشتر، بخشهای جدیدی از کاربرد را ایجاد کند.
ما باید به محدودیتهای هوش مصنوعی و همچنین خطراتی که برای برخی از جنبههای مدیریت پورتفولیو ایجاد میکند، توجه داشته باشیم، علیرغم این واقعیت که پیشرفتهای فناوری و دستاوردهای بهرهوری با استفاده از هوش مصنوعی را ممکن ساخته است. در وهله اول، رویکردهای هوش مصنوعی و یادگیری ماشینی بر داده هایی تکیه می کنند که برای تغذیه الگوریتم های یادگیری استفاده می شود.
لازم است که این داده ها از نظر به روز رسانی، دقت، کامل و معرف بودن از کیفیت بالایی برخوردار باشند.
علاوه بر نیاز به حجم بسیار زیادی از داده ها که همیشه در دسترس نیست، این مورد نیز هست که این داده ها باید از کیفیت خوبی برخوردار باشند. در هر مورد دیگر، یافته هایی که با استفاده از مدل های پیش بینی به دست می آیند قابل اعتماد یا تاب آوری نیستند.
علاوه بر این، الگوریتمها همچنین میتوانند با انتخاب روندهای نامربوط از مجموعه دادهای که تجزیه و تحلیل میشوند، مفروضات نادرستی ایجاد کنند، که ممکن است منجر به نتیجهگیریهای اشتباه شود. این ممکن است منجر به چنگ زدن در مقیاس بزرگ، پرش های بیش از حد تیز و کوچکترین تصادفات ممکن شود. از دست دادن رقابت در بازار ممکن است به دلیل این واقعیت اتفاق بیفتد که بسیاری از اپراتورهای بازار که الگوریتمهای هوش مصنوعی یکسانی را مدیریت میکنند میتوانند به طور همزمان تصمیم اشتباهی را مرتکب شوند یا به روشی مشابه به شرایط بلادرنگ واکنش نشان دهند. چنین خطری می تواند کشنده باشد.
علیرغم مزایای بالقوه هوش مصنوعی در مدیریت پورتفولیو، مانند هر زمینه دیگری، چالشهای زیادی وجود دارد که باید در نظر داشته باشیم و در نهایت به آنها رسیدگی کنیم. یکی از مشکلات اصلی عدم شفافیت و تفسیر مدلهای هوش مصنوعی است که میتواند توضیح نتایج همکاری خود با هوش مصنوعی را برای مدیران چالشبرانگیز کند. این پیچیدگی استفاده ممکن است یکی از دلایلی باشد که چرا پذیرش هوش مصنوعی در صندوق های اروپایی نسبتاً کم است. از سپتامبر 2022،
سازمان بازارهای مالی اروپا (ESMA)
در این مرحله، به نظر می رسد که هوش مصنوعی هنوز تا جایگزینی کامل افراد واقعی در صنعت مدیریت دارایی فاصله زیادی دارد. همانطور که گفته شد، شفافیت، رابطه اعتماد، و تماس بین مشتریان و کارشناسان مدیریت، در حال حاضر بیش از هر زمان دیگری از ویژگیهای حیاتی است.
با این حال، نمیتوانیم انکار کنیم که هوش مصنوعی ابزارهای جدید و هیجانانگیزی را به همراه دارد که میتوان از آنها در زنجیره ارزش استفاده کرد و پتانسیل این ابزارها واقعاً میتواند ظاهر صنعت امروز را تغییر دهد.