Tekoälyn nousu on ilmeisesti vaikuttanut useisiin toimialoihin, ja rahoitusala on yksi niistä, joihin se on vaikuttanut eniten . Esimerkiksi GPT-3.5:n kaltaisten mallien julkinen lanseeraus viime vuonna on lisännyt kiinnostusta tekoälyn hyödyntämiseen rahastonhoitajien kykyjen lisäämiseksi analysoinnissa, riskienhallinnassa ja päätöksenteossa.
Näin ollen tekoälytyökaluja otetaan käyttöön markkina-arvioinnin tarkentamiseksi ja riskien hallintaan tehokkaammin. Salkunhoitajien odotetaan arvioivan selkeämmin markkinoiden liikkeitä, rajaavan sopivia sijoitusvalintoja ja hallitsevan riskejä, kun he käyttävät kaupankäynnissään koneoppimisalgoritmeja, luonnollisen kielen käsittelyä ja tekoälytyökaluja.
Koneoppimisalgoritmien sekä luonnollisen kielen prosessointityökalujen integrointi avaintoimijoiden kaupankäyntistrategioihin auttaa heitä lisäämään näiden prosessien tehokkuutta ja saavuttamaan kilpailuetua nopeampien ja tarkempien sijoituspäätösten ja ennakoivan analytiikan avulla.
Tekoälyä on viime vuosikymmeninä otettu käyttöön rahoitusalan eri sektoreilla. Takatoimistossa ML-algoritmeja käytetään havaitsemaan poikkeavuuksia suorituslokeista, havaitsemaan epäilyttävät tapahtumat sekä hallitsemaan riskejä, mikä lisää tehokkuutta ja turvallisuutta. Toimistossa tekoäly auttaa segmentoimaan asiakkaita, automatisoimaan asiakastukiprosesseja ja optimoimaan johdannaisten hinnoittelua.
Kiehtovin osa siinä on kuitenkin tekoälyominaisuudet rahoituksen ostopuolella – ennakoivien signaalien tunnistaminen markkinamelun keskellä analysoimalla merkittäviä tietomääriä mahdollisimman nopeasti. Tällaisia sovelluksia voivat olla esimerkiksi aikasarjaennusteet, markkinoiden segmentointi ja tietysti omaisuussalkkujen hallinta. Tekoälyn mahdollisuudet käsitellä ja analysoida laajoja tietojoukkoja auttavat löytämään hienovaraisia malleja, joita perinteiset menetelmät todennäköisesti kaipaavat.
Portfolion optimointi on ollut yleinen käytäntö useiden vuosikymmenien ajan, ja se on kehittynyt merkittävästi datatieteen kehityksen ja edistyneiden laskentatekniikoiden käyttöönoton myötä. Klassiset lähestymistavat, kuten Markowitzin Modern Portfolio Theory (1952) ja Capital Asset Pricing Model (1964), otettiin käyttöön yli 50 vuotta sitten, mutta ne ovat edelleen ajankohtaisia. Niiden rajoitukset epälineaarisen riskin käsittelyssä ja riippuvuus historiallisista tiedoista käyvät kuitenkin yhä selvemmiksi päivä päivältä.
Käytännöt, kuten riskimallinnus, skenaarioanalyysi ja kvanttikauppa, joita avaintoimijat, kuten Renaissance Technologies, DE Shaw ja Two Sigma Investments, ovat laajalti toteuttaneet, ovat johtaneet monimutkaisempien ja edistyneempien algoritmien käyttöön. Tekoäly on lisäksi vaikuttanut alaan voimakkaasti viime vuosina, sillä koneoppiminen ja tekoäly ovat tehneet ennakoivasta analytiikasta entistä tarkempaa ja tehneet samoin yksilöllisille sijoitusstrategioille ja automatisoiduille monimutkaisille päätöksentekoprosesseille.
Tämä tekoälyyn perustuva muutos on auttanut salkunhoitajia käsittelemään valtavasti dataa reaaliajassa ja ratkaisemaan kolme päähaastetta:
Mukaan
Tekoälyllä toimivien omaisuudenhallintaratkaisujen käyttöönotto ja investoinnit lisääntyvät ja tekoälyn käytännön käytön korostaminen salkun optimoinnissa.
Tekoälyn käyttöönotto omaisuudenhoitoalalla ei ole uusi trendi; Se on kasvanut viime vuosina, mutta rajoittuu edelleen pieneen määrään markkinatoimijoita, nimittäin hedge-rahastoja, kvantitatiivisen hallinnoinnin toimistoja, suuria tutkimusosastoja ja IT-palveluita käyttäviä rahoituslaitoksia.
Tekoälyllä on jo monia sovellusalueita:
AI parantaa merkittävästi portfolion rakentamisen optimointiprosessia. Esimerkiksi Markowitzin Modern Portfolio Theory -teorian klassinen lähestymistapa, joka perustuu kuperaan optimointikonseptiin, toimii edeltäjänä nykyaikaisille tekoälyyn perustuville menetelmille. Syy, miksi tämä perustavanlaatuinen teoria on niin keskeinen, on se, että se muodostaa perustan, jolle tekoälyalgoritmit voivat edelleen muuttaa ja jalostaa sijoitusstrategioita.
Nykyään tekoäly laajentaa tätä teoriaa tutkimalla uusia datan ulottuvuuksia ja integroimalla edistyneitä analyyttisiä tekniikoita. Tämä laajennettu datakapasiteetti mahdollistaa vivahteikkaamman ja tietoisemman päätöksenteon – käytäntö, jota on käytetty laajalti alalla.
Tietyt tekoälytekniikat ovat täydellisesti yhteensopivia kvantitatiivisen hallinnan kanssa, sillä ne käyttävät suuria määriä tietoa yrityksen perustekijöistä, makrotaloudellisesta ympäristöstä tai markkinaolosuhteista. Koneoppimisalgoritmit voivat löytää monimutkaisia epälineaarisia suhteita eri muuttujien välillä ja tietysti havaita trendejä, joita analyytikot eivät pysty.
Tekstianalyysi on toinen tekoälyn sovellus perusanalyysissä. Luonnollisen kielen käsittelyn (NLP) avulla tekoäly käsittelee ja analysoi tekstilähteitä, kuten yritysten tulosraportteja, keskuspankin lehdistötiedotteita ja talousuutisia. NLP:n avulla tekoäly voi poimia taloudellisesti ja taloudellisesti tärkeitä tietoja tästä jäsentämättömästä tiedosta. Näin se tarjoaa määrällisen ja systemaattisen mittarin, joka parantaa ja auttaa inhimillisiä tulkintoja.
Tekoälyn voimat ovat erittäin hyödyllisiä kaupankäynnissä, jossa transaktioiden monimutkaisuus ja nopeuden tarve ovat tasapainossa. Tekoäly tukee algoritmista kaupankäyntiä automatisoimalla monia prosessin vaiheita, mikä parantaa rahoitusmarkkinoilla hallinnoitavien transaktioiden tehokkuutta.
Tekoäly on avannut mahdollisuuden laajemmalle tarjota henkilökohtaisia sijoitusneuvontapalveluita halvemmalla. Nämä järjestelmät käyttävät monimutkaisia algoritmeja reaaliaikaisten markkinatietojen käsittelyyn ja kehittävät sopivimmat strategiat yksittäisten asiakkaiden tarpeisiin heidän tuottotavoitteiden ja riskiprofiilien perusteella.
Riskienhallinnassa tekoäly auttaa mallintamalla erilaisia "todennäköisiä mutta ei-toivottuja" skenaarioita, jotka puolestaan vahvistavat perinteisiä käytäntöjä, jotka keskittyvät vain enimmäkseen todennäköisiin tuloksiin.
Klassiset koneoppimismenetelmät ovat edelleen erittäin suosittuja salkunhallinnassa, ja ne ovat: Lineaariset mallit, mukaan lukien tavalliset pienimmän neliöt, Ridge Regression ja Lasso Regression. Nämä yhdistetään usein Mean-Variance Optimization -menettelyyn ja matriisin hajottelutekniikoihin, kuten Singular Value Decomposition (SVD) ja Principal Component Analysis (PCA), jotka ovat perusta omaisuussuhteiden ymmärtämisessä ja salkun allokoinnin optimoinnissa.
Näiden klassisten lähestymistapojen ja nykyaikaisten menetelmien väliin sijoittuu Support Vector Machines (SVM). Vaikka SVM:itä käytetään käytännössä, ne eivät ole yhtä yleisiä, mutta niillä on merkittävä rooli erityisesti varaston suorituskyvyn ennustamiseen tähtäävissä luokittelutehtävissä.
Näihin tehtäviin kuuluu yleensä ennustaa, kokeeko osakkeesta voittoa vai tappiota, käyttämällä historiallisia taloudellisia tietoja, mukaan lukien osakekurssien vaihtelut ja kaupankäyntivolyymit, varojen jakamiseen luokkiin ja niiden kehityksen ennustamiseen.
Nykyaikaisemmista menetelmistä puhuttaessa hermoverkot osoittavat suuria edistysaskeleita salkunhallinnan koneoppimisessa ja tarjoavat parannettuja ominaisuuksia monimutkaisten epälineaaristen kuvioiden mallintamiseen, joita on vaikea kaapata perinteisillä malleilla. Neuraaliverkkojen lisäksi muut klassiset lähestymistavat, kuten ohjattu ja valvomaton oppiminen, parantavat ja jalostavat data-analyysiä, mikä mahdollistaa hienovaraisten markkinasignaalien löytämisen ja hyödyntämisen.
Uudemmat lähestymistavat, kuten Reforcement Learning ja Deep Q-Learning, tuovat nämä ominaisuudet nopeatempoisiin päätöksentekoympäristöihin, joissa salkkuja voidaan muokata reaaliajassa taloudellisten tulosten optimoimiseksi markkinapalautteen perusteella järjestelmän oppimisen perusteella.
Luonnollisen kielenkäsittelytekniikat, kuten tunneanalyysi, voivat auttaa valitsemaan yleisiä mielipiteitä esimerkiksi sanomalehtiartikkeleista, sosiaalisen median viesteistä ja analyytikoiden raporteista. Lisäksi salkunhoitajat voivat myös analysoida talousmediassa käytettyä kieltä, mukaan lukien yritysten tulosraportit, tunteakseen sijoittajien mielialan ja ennustaakseen markkinoiden liikkeitä, jotka kaikki ovat tärkeitä tietoja päätöksentekoprosessissa.
Yritykset, jotka ovat erikoistuneet korkean taajuuden kauppaan (HFT), kuten ne, jotka käyttävät tekoälypohjaisia kvantitatiivisia kaupankäyntialgoritmeja, ansaitsevat rahaa tehottomuudesta, joka ilmenee vain hetken markkinoilla. Nämä yritykset käyttävät koneoppimistekniikoita analysoidakseen relevantteja markkinatietoja erittäin nopeasti ja tehdäkseen tilauksia tarkasti, jopa millisekunnin ajan.
Tällainen nopea toteutus antaa heille mahdollisuuden hyötyä arbitraasimahdollisuuksista ja maksimoida voitot ryhtymällä toimiin hintaeroja nopeammin kuin kilpailijat. Vaikka Renaissance Technologies tunnetaan kvantitatiivisista kaupankäyntimenetelmistään, on tärkeää pitää mielessä sen laajempi strategia, joka kattaa erilaisia pitojaksoja perinteisistä HFT-käytännöistä, jotka keskittyvät pääasiassa nopeuteen.
LIME (Local Interpretable Model-agnostic Explanations) on näkyvä XAI-menetelmä, jota käytetään monimutkaisten koneoppimismallien tulosten ymmärtämiseen. Salkunhoidossa tämä menetelmä voi olla erittäin arvokas tulkittaessa, kuinka black-box-mallit tekevät ennusteita. Käyttämällä syöttödataa ja analysoimalla vaikutusta mallin tuotoksiin, LIME auttaa salkunhoitajia ja datatieteilijöitä määrittelemään, mitkä ominaisuudet vaikuttavat sijoituspäätöksiin enemmän kuin muut.
Tämä prosessi auttaa lisäämään tekoälyn tehostamien päätösten läpinäkyvyyttä ja tukee pyrkimyksiä varmistaa ja parantaa näiden mallien ymmärtämistä. Vaikka LIME kuitenkin parantaa ymmärrystämme mallien käyttäytymisestä, mallien yleisen luotettavuuden arvioiminen edellyttää lisävalidointitekniikoita.
Tekoälyteknologialla on tärkeä rooli sääntelykehysten noudattamisen varmistamisessa ja sijoitusrajoitusten seurannassa rahoitusalalla. Automatisoimalla nämä prosessit tekoälyjärjestelmät auttavat rahoitusyrityksiä noudattamaan laillisia standardeja tehokkaammin ja tarkemmin, eivätkä joudu vaikeuksiin. Tämä tekniikka on erittäin arvokas suurten transaktiomäärien ja erilaisten salkkutoimintojen noudattamisen seurannassa, jossa se voi nopeasti (itse asiassa välittömästi) tunnistaa poikkeamat viranomaisvaatimuksista tai sisäisistä ohjeista.
Lisäksi tekoälyn käyttö minimoi inhimillisten virheiden riskiä, mikä on ratkaisevan tärkeää korkean panoksen sääntely-ympäristöissä, joissa virheet voivat johtaa oikeudellisiin ja taloudellisiin seurauksiin.
Tekoälysovellukset automaattisessa tasapainottamisessa ovat ratkaisevan tärkeitä, kun halutaan säilyttää ihanteelliset omaisuusallokaatiot ajan mittaan. He voivat mukauttaa salkkuja markkinoiden muutosten tai sijoittajan riskiprofiilin muutosten mukaan, mikä varmistaa yhdenmukaisuuden strategisten sijoitustavoitteiden kanssa.
Erityisesti investointeihin suunniteltujen sovellusten lisäksi tekoälyn kehittämismahdollisuudet omaisuudenhoitoliiketoiminnassa näyttävät olevan laajat. Huolimatta siitä, että näemme vaistomaisesti mahdollisuuden tiettyjen töiden automatisointiin toimintaketjun eri vaiheissa, on silti vaikea ennakoida täysin tekoälyn häiritsevää voimaa. Tämä johtuu siitä, että tekoälyn odotetaan synnyttävän uusia sovellusaloja, kun uusia edistysaskeleita kehitetään.
Meidän on oltava tietoisia tekoälyn rajoituksista sekä vaaroista, joita se aiheuttaa joillekin salkunhoidon osa-alueille huolimatta siitä, että se on mahdollistanut teknologisen kehityksen ja tuottavuuden lisäämisen tekoälyn avulla. Ensinnäkin tekoälyn ja koneoppimisen lähestymistavat perustuvat tietoihin, joita käytetään oppimisalgoritmien syöttämiseen.
On välttämätöntä, että nämä tiedot ovat korkealaatuisia päivitysten, tarkkuuden, täydellisyyden ja edustavuuden suhteen.
Sen lisäksi, että vaaditaan erittäin suurta tietomäärää, jota ei aina ole saatavilla, näiden tietojen on oltava hyvälaatuisia. Muussa tapauksessa ennustemalleilla saadut havainnot eivät ole luotettavia tai kestäviä.
Lisäksi algoritmit voivat tehdä vääriä olettamuksia poimimalla analysoitavasta aineistosta irrelevanteja trendejä, mikä voi johtaa virheellisiin johtopäätöksiin. Tämä voi johtaa törkeään tarttumiseen, liian teräviin hyppyihin ja pienimpiin mahdollisiin törmäyksiin. Markkinakilpailun menettäminen voi johtua siitä, että monet samoja tekoälyalgoritmeja hallinnoivat markkinatoimijat voivat tehdä väärän päätöksen samanaikaisesti tai reagoida samalla tavalla reaaliaikaiseen olosuhteisiin. Tällainen riski voi olla kohtalokas.
Huolimatta tekoälyn mahdollisista eduista salkunhoidossa, kuten kaikilla aloilla, on monia haasteita, jotka meidän on pidettävä mielessä ja lopulta ratkaistava. Yksi suurimmista ongelmista on tekoälymallien mahdollinen läpinäkyvyyden puute ja tulkintaongelmat, mikä voi tehdä esimiehille haastavaa selittää tekoälyn kanssa tekemänsä yhteistyön tuloksia. Tämä käytön monimutkaisuus voi olla yksi syy siihen, miksi tekoälyn käyttöönotto eurooppalaisissa rahastoissa on suhteellisen vähäistä. Syyskuussa 2022
Euroopan rahoitusmarkkinaviranomainen (ESMA)
Tässä vaiheessa näyttää siltä, että tekoäly on vielä kaukana todellisten ihmisten korvaamisesta omaisuudenhoitoalalla. Tästä huolimatta läpinäkyvyys, luottamussuhde sekä asiakkaiden ja johtamisasiantuntijoiden välinen vuorovaikutus ovat edelleen tärkeitä ominaisuuksia, nyt enemmän kuin koskaan.
Emme kuitenkaan voi kiistää, että tekoäly tuo mukanaan uusia ja jännittäviä työkaluja, joita voidaan käyttää arvoketjussa, ja näiden työkalujen potentiaali voi todella muuttaa alan nykyistä ilmettä.