पोर्टफोलियो प्रबंधन: वे सभी तरीके जिनसे AI आधुनिक परिसंपत्ति रणनीतियों को बदल रहा है

जाहिर है, AI के उदय ने विभिन्न उद्योगों को प्रभावित किया है, और वित्त उद्योग उनमें से एक है जो सबसे अधिक प्रभावित हुआ है । उदाहरण के लिए, पिछले साल GPT-3.5 जैसे मॉडलों के सार्वजनिक लॉन्च ने फंड मैनेजरों की विश्लेषण, जोखिम प्रबंधन और निर्णय लेने की क्षमताओं को बढ़ाने में मदद करने के लिए AI का उपयोग करने में रुचि बढ़ाई है।

इस प्रकार, बाजार आकलन को अधिक सटीक बनाने और जोखिमों को अधिक प्रभावी ढंग से प्रबंधित करने के लिए AI उपकरण लागू किए जाते हैं। पोर्टफोलियो प्रबंधकों से अपेक्षा की जाती है कि वे बाजार की गतिविधियों का अधिक स्पष्ट मूल्यांकन करें, उचित निवेश विकल्पों को सीमित करें और जब वे अपने व्यापार में मशीन लर्निंग एल्गोरिदम, प्राकृतिक भाषा प्रसंस्करण और कृत्रिम बुद्धिमत्ता उपकरण लागू करते हैं तो जोखिमों का प्रबंधन करें।

प्रमुख खिलाड़ियों की ट्रेडिंग रणनीतियों में मशीन लर्निंग एल्गोरिदम के साथ-साथ प्राकृतिक भाषा प्रसंस्करण उपकरणों का एकीकरण, उन्हें इन प्रक्रियाओं की दक्षता बढ़ाने और तेज तथा अधिक सटीक निवेश निर्णय और पूर्वानुमानात्मक विश्लेषण के साथ प्रतिस्पर्धात्मक लाभ प्राप्त करने में मदद करता है।

पिछले दशकों में, AI को वित्त उद्योग के विभिन्न क्षेत्रों में लागू किया गया है। बैक ऑफिस में, ML एल्गोरिदम का उपयोग निष्पादन लॉग में विसंगतियों को खोजने, संदिग्ध लेनदेन का पता लगाने और जोखिमों का प्रबंधन करने के लिए किया जाता है, जिससे दक्षता और सुरक्षा में वृद्धि होती है। फ्रंट ऑफिस में, AI ग्राहकों को विभाजित करने, ग्राहक सहायता प्रक्रियाओं को स्वचालित करने और डेरिवेटिव मूल्य निर्धारण को अनुकूलित करने में मदद कर रहा है।

हालांकि, इसका सबसे दिलचस्प हिस्सा वित्त के खरीद पक्ष के लिए एआई क्षमताएं हैं - जितनी जल्दी हो सके डेटा की महत्वपूर्ण मात्रा का विश्लेषण करके बाजार के शोर के बीच पूर्वानुमान संकेतों की पहचान करना। उदाहरण के लिए, ऐसे अनुप्रयोगों में समय श्रृंखला पूर्वानुमान, बाजारों को विभाजित करना और निश्चित रूप से, परिसंपत्ति पोर्टफोलियो का प्रबंधन शामिल हो सकता है। विशाल डेटासेट को संसाधित करने और उनका विश्लेषण करने के लिए एआई के अवसर सूक्ष्म पैटर्न खोजने में मदद करते हैं जो पारंपरिक तरीके शायद चूक जाएंगे।

पोर्टफोलियो अनुकूलन कई दशकों से एक आम प्रथा रही है, जो डेटा विज्ञान के विकास और उन्नत कम्प्यूटेशनल तकनीकों के कार्यान्वयन के तहत महत्वपूर्ण रूप से विकसित हुई है। मार्कोविट्ज़ के आधुनिक पोर्टफोलियो सिद्धांत (1952) और कैपिटल एसेट प्राइसिंग मॉडल (1964) जैसे शास्त्रीय दृष्टिकोण 50 साल से भी पहले पेश किए गए थे, लेकिन अभी भी प्रासंगिक बने हुए हैं। हालाँकि, गैर-रेखीय जोखिम को संभालने में उनकी सीमाएँ और ऐतिहासिक डेटा पर निर्भरता दिन-प्रतिदिन अधिक स्पष्ट होती जा रही है।

जोखिम मॉडलिंग, परिदृश्य विश्लेषण और क्वांट ट्रेडिंग जैसी प्रथाओं को पुनर्जागरण टेक्नोलॉजीज, डीई शॉ और टू सिग्मा इन्वेस्टमेंट्स जैसे प्रमुख खिलाड़ियों द्वारा व्यापक रूप से लागू किया गया है, जिससे अधिक जटिल और उन्नत एल्गोरिदम के कार्यान्वयन को बढ़ावा मिला है। इसके अलावा, हाल के वर्षों में उद्योग पर एआई का बहुत अधिक प्रभाव पड़ा है, क्योंकि मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस ने पूर्वानुमान विश्लेषण को अधिक सटीक बना दिया है, और व्यक्तिगत निवेश रणनीतियों और स्वचालित जटिल निर्णय लेने की प्रक्रियाओं के लिए भी ऐसा ही किया है।

इस एआई-संचालित परिवर्तन ने पोर्टफोलियो प्रबंधकों को वास्तविक समय में विशाल डेटा को संसाधित करने और तीन मुख्य चुनौतियों को हल करने में सक्षम बनाया है:

• मापनीयता: विभिन्न परिसंपत्तियों और वैश्विक बाजारों से बड़े पैमाने पर डेटा का प्रबंधन और विश्लेषण करना अब अधिक आसान हो गया है।

• जटिल निर्णय लेना: एआई निर्णय लेने की प्रक्रिया में मनोवैज्ञानिक और व्यवहारिक विश्लेषण सहित अधिक कारकों को ध्यान में रख सकता है।

• अनुकूलनशीलता: एआई प्रणालियां बिना रुके सीख सकती हैं और नई बाजार स्थितियों के अनुकूल ढल सकती हैं, जिससे प्रबंधकों को रणनीतियों को शीघ्रता से समायोजित करने में मदद मिलती है।

के अनुसार वैश्विक बाजार अंतर्दृष्टि एसेट मैनेजमेंट मार्केट में एआई का मूल्य 2.5 बिलियन अमेरिकी डॉलर आंका गया है और अगले 10 वर्षों में इसके 24% सीएजीआर से बढ़ने की उम्मीद है। दिलचस्प बात यह है कि पोर्टफोलियो ऑप्टिमाइजेशन वैश्विक बाजार विभाजन में एप्लिकेशन के आधार पर सबसे आगे है, इसके बाद डेटा एनालिसिस का स्थान है, जो कि सबसे ज्यादा है। बाजार हिस्सेदारी का 25% .

एआई द्वारा संचालित परिसंपत्ति प्रबंधन समाधानों में अपनापन और निवेश बढ़ाना तथा पोर्टफोलियो अनुकूलन में एआई के व्यावहारिक उपयोग पर प्रकाश डालना।

पोर्टफोलियो प्रबंधन में एआई को अपनाना:

परिसंपत्ति प्रबंधन उद्योग में एआई को अपनाना कोई नई प्रवृत्ति नहीं है; हाल के वर्षों में इसमें वृद्धि देखी गई है, लेकिन यह अभी भी कुछ ही बाजार खिलाड़ियों जैसे हेज फंड, मात्रात्मक प्रबंधन कार्यालय, बड़े अनुसंधान विभागों और आईटी सेवाओं का उपयोग करने वाले वित्तीय संस्थानों तक सीमित है।

एआई के अनुप्रयोग के कई क्षेत्र पहले से ही मौजूद हैं:

पोर्टफोलियो अनुकूलन

एआई पोर्टफोलियो निर्माण अनुकूलन की प्रक्रिया को काफी बेहतर बनाता है। उदाहरण के लिए, मार्कोविट्ज़ के आधुनिक पोर्टफोलियो सिद्धांत का शास्त्रीय दृष्टिकोण, जो उत्तल अनुकूलन अवधारणाओं पर निर्भर करता है, समकालीन एआई-संचालित पद्धतियों के अग्रदूत के रूप में कार्य करता है। इस आधारभूत सिद्धांत के इतना महत्वपूर्ण होने का कारण यह है कि यह वह आधार बनाता है जिससे एआई एल्गोरिदम निवेश रणनीतियों को और बदल और परिष्कृत कर सकते हैं।

आजकल, AI डेटा के नए आयामों की खोज करके और उन्नत विश्लेषणात्मक तकनीकों को एकीकृत करके इस सिद्धांत का विस्तार करता है। यह विस्तारित डेटा क्षमता अधिक सूक्ष्म और सूचित निर्णय लेने की अनुमति देती है - एक अभ्यास जिसका उद्योग में व्यापक रूप से उपयोग किया गया है।

मौलिक विश्लेषण

कुछ AI तकनीकें मात्रात्मक प्रबंधन के साथ पूरी तरह से संगत हैं, जो कंपनी के मूल सिद्धांतों, व्यापक आर्थिक वातावरण या बाजार की स्थितियों के बारे में बड़ी मात्रा में डेटा का उपयोग करती हैं। मशीन लर्निंग एल्गोरिदम विभिन्न चरों के बीच जटिल गैर-रैखिक संबंधों का पता लगा सकते हैं और निश्चित रूप से, उन रुझानों का पता लगा सकते हैं जो विश्लेषक नहीं कर सकते।

पाठ्य विश्लेषण

मौलिक विश्लेषण में एआई का एक और अनुप्रयोग पाठ्य विश्लेषण है। प्राकृतिक भाषा प्रसंस्करण (एनएलपी) का उपयोग करते हुए, एआई कॉर्पोरेट आय रिपोर्ट, केंद्रीय बैंक प्रेस विज्ञप्ति और वित्तीय समाचार जैसे पाठ्य स्रोतों को संसाधित और विश्लेषण करता है। एनएलपी के माध्यम से, एआई इस असंरचित डेटा से आर्थिक और वित्तीय रूप से महत्वपूर्ण जानकारी निकाल सकता है। ऐसा करके, यह एक मात्रात्मक और व्यवस्थित उपाय प्रदान करता है जो मानवीय व्याख्याओं को बेहतर बनाता है और मदद करता है।

व्यापारिक गतिविधियाँ

एआई की शक्तियाँ ट्रेडिंग में बेहद उपयोगी हैं, जहाँ लेनदेन की जटिलता और गति की आवश्यकता एक संतुलन पर होती है। एआई प्रक्रिया के कई चरणों को स्वचालित करके एल्गोरिदमिक ट्रेडिंग का समर्थन करता है, जिससे वित्तीय बाजारों में प्रबंधित लेनदेन की दक्षता में सुधार होता है।

निवेश सलाहकार सेवाएँ

एआई ने कम लागत पर व्यक्तिगत निवेश सलाहकार सेवाओं की व्यापक पेशकश के लिए अवसर खोले हैं। ये सिस्टम वास्तविक समय के बाजार डेटा को संसाधित करने के लिए जटिल एल्गोरिदम का उपयोग करते हैं, जो उनके रिटर्न उद्देश्यों और जोखिम प्रोफाइल के आधार पर व्यक्तिगत क्लाइंट की जरूरतों के लिए सबसे उपयुक्त रणनीतियों के साथ आते हैं।

जोखिम प्रबंधन

जोखिम प्रबंधन में, एआई विभिन्न 'संभावित लेकिन अवांछनीय' परिदृश्यों का मॉडलिंग करके सहायता करता है, जो बदले में, पारंपरिक प्रथाओं को बढ़ाता है जो केवल अधिकतर संभावित परिणामों पर ध्यान केंद्रित करते हैं।

पोर्टफोलियो प्रबंधन में कृत्रिम बुद्धिमत्ता (एआई) तकनीक और उपकरण

मशीन लर्निंग एल्गोरिदम:

पोर्टफ़ोलियो प्रबंधन में क्लासिकल मशीन लर्निंग विधियाँ अभी भी बहुत लोकप्रिय हैं, और वे हैं: रैखिक मॉडल, जिसमें साधारण न्यूनतम वर्ग, रिज रिग्रेशन और लैसो रिग्रेशन शामिल हैं। इन्हें अक्सर मीन-वेरिएंस ऑप्टिमाइज़ेशन प्रक्रिया और मैट्रिक्स डिकम्पोज़िशन तकनीकों जैसे कि सिंगुलर वैल्यू डिकम्पोज़िशन (एसवीडी) और प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए) के साथ जोड़ा जाता है, जो परिसंपत्ति संबंधों को समझने और पोर्टफ़ोलियो आवंटन को अनुकूलित करने में आधारभूत हैं।

इन शास्त्रीय दृष्टिकोणों और अधिक आधुनिक तरीकों के बीच स्थित हैं सपोर्ट वेक्टर मशीन (SVMs)। हालाँकि व्यवहार में SVM का उपयोग किया जाता है, लेकिन वे आम तौर पर इस्तेमाल नहीं किए जाते हैं, लेकिन स्टॉक प्रदर्शन का पूर्वानुमान लगाने के उद्देश्य से वर्गीकरण कार्यों में विशेष रूप से महत्वपूर्ण भूमिका निभाते हैं।

इन कार्यों में आमतौर पर यह पूर्वानुमान लगाना शामिल होता है कि किसी स्टॉक में लाभ होगा या हानि, स्टॉक मूल्य में उतार-चढ़ाव और ट्रेडिंग वॉल्यूम सहित ऐतिहासिक वित्तीय डेटा का उपयोग करके परिसंपत्तियों को श्रेणियों में रखना और उनके प्रदर्शन का पूर्वानुमान लगाना।

अधिक आधुनिक तरीकों की बात करें तो, न्यूरल नेटवर्क पोर्टफोलियो प्रबंधन के लिए मशीन लर्निंग में प्रमुख प्रगति दिखाते हैं और जटिल गैर-रेखीय पैटर्न को मॉडलिंग करने के लिए बेहतर क्षमताएं प्रदान करते हैं जिन्हें पारंपरिक मॉडल के साथ पकड़ना मुश्किल है। न्यूरल नेटवर्क के अलावा, पर्यवेक्षित और अप्रशिक्षित शिक्षण जैसे अन्य शास्त्रीय दृष्टिकोण डेटा विश्लेषण को और बेहतर और परिष्कृत करते हैं, जिससे सूक्ष्म बाजार संकेतों की खोज और दोहन संभव हो जाता है।

नए दृष्टिकोण, जैसे कि रीइनफोर्समेंट लर्निंग और डीप क्यू-लर्निंग, इन गुणों को तीव्र गति वाले निर्णय लेने वाले वातावरण में लाते हैं, जहां बाजार फीडबैक से सिस्टम लर्निंग के आधार पर वित्तीय परिणामों को अनुकूलित करने के लिए पोर्टफोलियो को वास्तविक समय में समायोजित किया जा सकता है।

प्राकृतिक भाषा प्रसंस्करण (एनएलपी):

भावना विश्लेषण जैसी प्राकृतिक भाषा प्रसंस्करण तकनीकें समाचार पत्र लेखों, सोशल मीडिया पोस्ट और विश्लेषक रिपोर्ट जैसी चीज़ों से आम राय चुनने और चुनने में मदद कर सकती हैं। इसके अतिरिक्त, पोर्टफोलियो प्रबंधक निवेशकों की भावना को समझने और बाजार की गतिविधियों की भविष्यवाणी करने के लिए फर्मों की आय रिपोर्ट सहित वित्तीय मीडिया में इस्तेमाल की जाने वाली भाषा का भी विश्लेषण कर सकते हैं, जो निर्णय लेने की प्रक्रिया में महत्वपूर्ण जानकारी है।

मात्रात्मक व्यापार रणनीतियाँ:

उच्च आवृत्ति व्यापार (HFT) में विशेषज्ञता रखने वाली फ़र्म, जैसे कि AI-संचालित मात्रात्मक व्यापार एल्गोरिदम का उपयोग करने वाली फ़र्म, बाज़ार में कुछ पल के लिए होने वाली अक्षमताओं पर पैसा कमाती हैं। ये फ़र्म अत्यंत तेज़ गति से प्रासंगिक बाज़ार सूचनाओं का विश्लेषण करने के लिए मशीन लर्निंग तकनीकों का उपयोग करती हैं और एक मिलीसेकंड से भी कम समय में सटीक समय के साथ ऑर्डर देती हैं।

इस तरह के तेज़ निष्पादन से उन्हें मध्यस्थता के अवसरों से लाभ उठाने और प्रतिस्पर्धियों की तुलना में मूल्य विसंगतियों पर तेज़ी से कार्रवाई करके मुनाफ़े को अधिकतम करने की अनुमति मिलती है। जबकि पुनर्जागरण टेक्नोलॉजीज अपने मात्रात्मक व्यापार दृष्टिकोणों के लिए जाना जाता है, पारंपरिक एचएफटी प्रथाओं से विभिन्न होल्डिंग अवधियों को शामिल करने वाली इसकी व्यापक रणनीति को ध्यान में रखना महत्वपूर्ण है, जो मुख्य रूप से गति पर केंद्रित हैं।

व्याख्यात्मक एआई (एक्सएआई):

LIME (स्थानीय व्याख्यात्मक मॉडल-अज्ञेय स्पष्टीकरण) एक प्रमुख XAI विधि है जिसका उपयोग जटिल मशीन लर्निंग मॉडल के आउटपुट को अधिक समझने योग्य बनाने के लिए किया जाता है। पोर्टफोलियो प्रबंधन में, यह विधि यह व्याख्या करने के लिए बहुत मूल्यवान हो सकती है कि ब्लैक-बॉक्स मॉडल कैसे भविष्यवाणियां करते हैं। इनपुट डेटा का उपयोग करके और मॉडल आउटपुट पर प्रभाव का विश्लेषण करके, LIME पोर्टफोलियो प्रबंधकों और डेटा वैज्ञानिकों को यह परिभाषित करने में मदद करता है कि कौन सी विशेषताएं दूसरों की तुलना में निवेश निर्णयों को अधिक प्रभावित करती हैं।

यह प्रक्रिया AI-बूस्टेड निर्णयों की पारदर्शिता को बढ़ाने में मदद करती है और इन मॉडलों को समझना कितना आसान हो सकता है, इसकी पुष्टि और सुधार करने के प्रयासों का समर्थन करती है। हालाँकि, जहाँ LIME मॉडल व्यवहार की हमारी समझ को बेहतर बनाता है, वहीं मॉडल की समग्र विश्वसनीयता का आकलन करने में अतिरिक्त सत्यापन तकनीकें शामिल होती हैं।

अनुपालन एवं निगरानी में एआई:

वित्तीय उद्योग के भीतर विनियामक ढाँचों के अनुपालन को सुनिश्चित करने और निवेश प्रतिबंधों की निगरानी करने में AI तकनीक एक प्रमुख भूमिका निभाती है। इन प्रक्रियाओं को स्वचालित करके, AI सिस्टम वित्तीय फर्मों को कानूनी मानकों का अधिक कुशलतापूर्वक, अधिक सटीक रूप से पालन करने और परेशानी में न पड़ने में मदद करते हैं। यह तकनीक बड़ी मात्रा में लेन-देन और विविध पोर्टफोलियो गतिविधियों में अनुपालन की निगरानी में बहुत मूल्यवान है, जहाँ यह विनियामक आवश्यकताओं या आंतरिक दिशानिर्देशों से विचलन को जल्दी (वास्तव में, तुरंत) पहचान सकती है।

इसके अलावा, एआई का उपयोग मानवीय त्रुटि के जोखिम को कम करता है, जो उच्च-दांव नियामक वातावरण में महत्वपूर्ण है, जहां गलतियों के कारण कानूनी और वित्तीय परिणाम हो सकते हैं।

पोर्टफोलियो पुनर्संतुलन:

स्वचालित पुनर्संतुलन में एआई अनुप्रयोग समय के साथ आदर्श परिसंपत्ति आवंटन को बनाए रखने के लिए महत्वपूर्ण हैं। वे बाजार में होने वाले बदलावों या निवेशक के जोखिम प्रोफाइल में होने वाले बदलावों के जवाब में पोर्टफोलियो को समायोजित कर सकते हैं, जो रणनीतिक निवेश लक्ष्यों के साथ संरेखण सुनिश्चित करता है।

व्यापक दृष्टिकोण से

निवेश के लिए विशेष रूप से डिज़ाइन किए गए अनुप्रयोगों के अलावा, परिसंपत्ति प्रबंधन व्यवसाय के अंदर कृत्रिम बुद्धिमत्ता के विकास की संभावना व्यापक प्रतीत होती है। हालाँकि, इस तथ्य के बावजूद कि हम सहज रूप से परिचालन श्रृंखला के विभिन्न चरणों में विशिष्ट नौकरियों को स्वचालित करने की संभावना देखते हैं, कृत्रिम बुद्धिमत्ता की विघटनकारी शक्ति का पूरी तरह से अनुमान लगाना अभी भी मुश्किल है। ऐसा इसलिए है क्योंकि एआई से उम्मीद की जाती है कि जैसे-जैसे अतिरिक्त प्रगति विकसित होगी, अनुप्रयोग के नए क्षेत्रों को जन्म मिलेगा।

हमें आर्टिफिशियल इंटेलिजेंस की सीमाओं के साथ-साथ पोर्टफोलियो प्रबंधन के कुछ पहलुओं के लिए इसके द्वारा उत्पन्न खतरों के बारे में भी सचेत रहना चाहिए, इस तथ्य के बावजूद कि इसने आर्टिफिशियल इंटेलिजेंस का उपयोग करके तकनीकी प्रगति और उत्पादकता लाभ को संभव बनाया है। सबसे पहले, आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग दृष्टिकोण डेटा पर निर्भर करते हैं जिसका उपयोग लर्निंग एल्गोरिदम को खिलाने के लिए किया जाता है।

यह आवश्यक है कि यह डेटा अद्यतन, सटीकता, पूर्णता और प्रतिनिधित्व की दृष्टि से उच्च गुणवत्ता वाला हो।

बहुत बड़ी मात्रा में डेटा की आवश्यकता के अलावा, जो हमेशा उपलब्ध नहीं होता है, यह मामला है कि यह डेटा अच्छी गुणवत्ता का होना चाहिए। किसी भी अन्य मामले में, पूर्वानुमान मॉडल का उपयोग करके प्राप्त निष्कर्ष विश्वसनीय या लचीले नहीं होते हैं।

इसके अलावा, एल्गोरिदम विश्लेषण किए गए डेटासेट से अप्रासंगिक रुझानों को चुनकर गलत धारणाएँ भी बना सकते हैं, जिससे गलत निष्कर्ष निकल सकते हैं। इसके परिणामस्वरूप बड़े पैमाने पर हड़पना, बहुत तेज़ उछाल और सबसे छोटी संभावित दुर्घटनाएँ हो सकती हैं। बाजार में प्रतिस्पर्धा का नुकसान इस तथ्य के कारण हो सकता है कि एक ही AI एल्गोरिदम का प्रबंधन करने वाले कई बाजार संचालक एक साथ गलत निर्णय ले सकते हैं या वास्तविक समय की परिस्थिति में एक समान तरीके से प्रतिक्रिया कर सकते हैं। ऐसा जोखिम घातक हो सकता है।

पोर्टफोलियो प्रबंधन में एआई के संभावित लाभों के बावजूद, किसी भी क्षेत्र की तरह, बहुत सी चुनौतियाँ हैं जिन्हें हमें ध्यान में रखना होगा और अंततः – उनका समाधान करना होगा। मुख्य कठिनाइयों में से एक एआई मॉडल की पारदर्शिता और व्याख्या के मुद्दों की संभावित कमी है, जो प्रबंधकों के लिए एआई के साथ अपने सहयोग के परिणामों की व्याख्या करना चुनौतीपूर्ण बना सकता है। यह उपयोग जटिलता यूरोपीय फंडों में एआई को अपनाने के अपेक्षाकृत कम कारणों में से एक हो सकती है। सितंबर 2022 तक, 22,000 फंडों में से केवल 65 यूरोपीय संघ स्थित कई कम्पनियों ने अपनी निवेश प्रक्रियाओं में एआई का उपयोग करने का दावा किया है।

यूरोपीय वित्तीय बाजार प्राधिकरण (ईएसएमए) पहचान की है ऐसे कारक जो कम अपनाने की दर में योगदान दे सकते हैं, जैसे कि फंड मैनेजरों के बीच स्पष्ट विनियामक ढांचे और एआई कौशल की कमी। हालाँकि, मॉडल की जटिलता के कारण एआई परिणामों की व्याख्या करने की चुनौती भी कम अपनाने की दर को सही ठहराने वाले कारकों में से एक हो सकती है। मुझे लगता है कि हम समय के साथ इसका पता लगा लेंगे।

इस समय, ऐसा प्रतीत होता है कि एसेट मैनेजमेंट इंडस्ट्री में वास्तविक लोगों की जगह लेने में आर्टिफिशियल इंटेलिजेंस को अभी भी काफी समय लग सकता है। ऐसा कहा जा रहा है कि पारदर्शिता, विश्वास का रिश्ता और क्लाइंट और मैनेजमेंट विशेषज्ञों के बीच संपर्क अब भी पहले से कहीं ज़्यादा महत्वपूर्ण विशेषताएँ हैं।

फिर भी, हम इस बात से इनकार नहीं कर सकते कि कृत्रिम बुद्धिमत्ता अपने साथ नए और रोमांचक उपकरण लाती है जिनका उपयोग मूल्य श्रृंखला में किया जा सकता है, और इन उपकरणों की क्षमता वास्तव में आज उद्योग के स्वरूप को बदल सकती है।