Director of Portfolio Management at WorldQuant. Expert in quantitative finance.
AI-ի աճն ակնհայտորեն ազդել է տարբեր ոլորտների վրա, և ֆինանսական ոլորտը ամենաշատ ազդեցությունն ունեցողներից է: Օրինակ, անցյալ տարի GPT-3.5-ի նման մոդելների հանրային գործարկումը մեծացրել է AI-ի օգտագործման հետաքրքրությունը՝ օգնելու բարձրացնել ֆոնդերի կառավարիչների կարողությունները վերլուծության, ռիսկերի կառավարման և որոշումների կայացման հարցում:
Այսպիսով, AI գործիքները ներդրվում են շուկայի գնահատականներն ավելի ճշգրիտ դարձնելու և ռիսկերն ավելի արդյունավետ կառավարելու համար: Պորտֆելի մենեջերներից ակնկալվում է, որ ավելի հստակ գնահատեն շուկայի շարժումները, սահմանափակեն համապատասխան ներդրումային ընտրությունները և կառավարեն ռիսկերը, երբ իրենց առևտրում կիրառեն մեքենայական ուսուցման ալգորիթմներ, բնական լեզվի մշակում և արհեստական ինտելեկտի գործիքներ:
Մեքենայական ուսուցման ալգորիթմների, ինչպես նաև բնական լեզվի մշակման գործիքների ինտեգրումը հիմնական խաղացողների առևտրային ռազմավարություններին օգնում է նրանց բարձրացնել այդ գործընթացների արդյունավետությունը և մրցակցային առավելություններ ստանալ ավելի արագ և ճշգրիտ ներդրումային որոշումներով և կանխատեսող վերլուծություններով:
Վերջին տասնամյակների ընթացքում AI-ն ներդրվել է ֆինանսական արդյունաբերության տարբեր ոլորտներում: Back office-ում ML ալգորիթմներն օգտագործվում են կատարողական տեղեկամատյաններում անոմալիաներ գտնելու, կասկածելի գործարքներ հայտնաբերելու, ինչպես նաև ռիսկերը կառավարելու համար, ինչը հանգեցնում է արդյունավետության և անվտանգության բարձրացման: Առջևի գրասենյակում AI-ն օգնում է բաժանել հաճախորդներին, ավտոմատացնել հաճախորդների աջակցության գործընթացները և օպտիմալացնել ածանցյալ գործիքների գները:
Այնուամենայնիվ, դրա ամենահետաքրքիր մասը ինտելեկտուալ հնարավորություններն են ֆինանսների գնման կողմի համար՝ շուկայական աղմուկի ֆոնին կանխատեսող ազդանշանների հայտնաբերում՝ զգալի քանակությամբ տվյալներ հնարավորինս արագ վերլուծելով: Օրինակ, նման հավելվածները կարող են ներառել ժամանակային շարքերի կանխատեսում, շուկաների հատվածավորում և, իհարկե, ակտիվների պորտֆելների կառավարում: AI-ի հնարավորությունները՝ մշակելու և վերլուծելու տվյալների հսկայական հավաքածուները, օգնում են գտնել նուրբ օրինաչափություններ, որոնք, հավանաբար, բաց կթողնեն ավանդական մեթոդները:
Պորտֆոլիոյի օպտիմալացումը մի քանի տասնամյակների ընթացքում սովորական պրակտիկա է, որը զգալիորեն զարգանում է տվյալների գիտության զարգացման և առաջադեմ հաշվողական տեխնիկայի ներդրման պայմաններում: Դասական մոտեցումները, ինչպիսիք են Մարկովիցի ժամանակակից պորտֆելի տեսությունը (1952) և կապիտալ ակտիվների գնագոյացման մոդելը (1964), ներդրվել են ավելի քան 50 տարի առաջ, բայց դեռևս արդիական են: Այնուամենայնիվ, նրանց սահմանափակումները ոչ գծային ռիսկի հետ կապված և պատմական տվյալներից կախվածությունը օրեցօր ավելի ու ավելի ակնհայտ են դառնում:
Ռիսկի մոդելավորումը, սցենարների վերլուծությունը և քանակական առևտուրը, որոնք լայնորեն իրականացվել են հիմնական խաղացողների կողմից, ինչպիսիք են Renaissance Technologies-ը, DE Shaw-ը և Two Sigma Investments-ը, հանգեցրել են ավելի բարդ և առաջադեմ ալգորիթմների ներդրմանը: Բացի այդ, վերջին տարիներին արդյունաբերությունը մեծ ազդեցություն է ունեցել AI-ի կողմից, քանի որ մեքենայական ուսուցումն ու արհեստական ինտելեկտը կանխատեսող վերլուծություններն ավելի ճշգրիտ են դարձրել և նույնը արել են անհատականացված ներդրումային ռազմավարությունների և ավտոմատացված բարդ որոշումների կայացման գործընթացների նկատմամբ:
AI-ի վրա հիմնված այս փոխակերպումը պորտֆելի կառավարիչներին հնարավորություն է տվել իրական ժամանակում մշակել տվյալների հսկայական զանգված և լուծել երեք հիմնական մարտահրավերները.
Ըստ
Աճող ընդունումը և ներդրումները ակտիվների կառավարման լուծումներում, որոնք սնուցվում են AI-ով և կարևորում AI-ի գործնական օգտագործումը պորտֆելի օպտիմալացման մեջ:
AI-ի ընդունումը ակտիվների կառավարման ոլորտում նոր միտում չէ. վերջին տարիներին այն աճել է, բայց դեռևս սահմանափակված է շուկայի փոքր թվով խաղացողներով, մասնավորապես՝ հեջ-ֆոնդերով, քանակական կառավարման գրասենյակներով, խոշոր հետազոտական բաժանմունքներով և ՏՏ ծառայություններ օգտագործող ֆինանսական հաստատություններով:
AI-ի կիրառման բազմաթիվ ոլորտներ արդեն կան.
AI-ն զգալիորեն բարելավում է պորտֆելի կառուցման օպտիմալացման գործընթացը: Օրինակ, Մարկովիցի ժամանակակից պորտֆոլիոյի տեսության դասական մոտեցումը, որը հիմնված է ուռուցիկ օպտիմալացման հայեցակարգերի վրա, ծառայում է որպես AI-ի վրա հիմնված ժամանակակից մեթոդոլոգիաների նախադրյալ: Այս հիմնարար տեսության այդքան առանցքային պատճառն այն է, որ այն հիմք է ստեղծում, որից AI ալգորիթմները կարող են հետագայում փոխել և կատարելագործել ներդրումային ռազմավարությունները:
Ներկայումս AI-ն ընդլայնում է այս տեսությունը՝ ուսումնասիրելով տվյալների նոր չափերը և ինտեգրելով առաջադեմ վերլուծական տեխնիկան: Տվյալների ընդլայնված այս հնարավորությունը թույլ է տալիս ավելի նրբերանգ և տեղեկացված որոշումներ կայացնել՝ պրակտիկա, որը լայնորեն կիրառվում է ոլորտում:
Արհեստական ինտելեկտի որոշակի տեխնիկա միանգամայն համատեղելի է քանակական կառավարման հետ՝ օգտագործելով ընկերության հիմունքների, մակրոտնտեսական միջավայրի կամ շուկայական պայմանների մասին մեծ ծավալի տվյալներ: Մեքենայի ուսուցման ալգորիթմները կարող են գտնել բարդ ոչ գծային հարաբերություններ տարբեր փոփոխականների միջև և, իհարկե, հայտնաբերել միտումներ, որոնք վերլուծաբանները չեն կարողանում:
Տեքստային վերլուծությունը AI-ի մեկ այլ կիրառություն է հիմնարար վերլուծության մեջ: Օգտագործելով բնական լեզվի մշակումը (NLP), AI-ն մշակում և վերլուծում է տեքստային աղբյուրները, ինչպիսիք են կորպորատիվ եկամուտների հաշվետվությունները, կենտրոնական բանկի մամուլի հաղորդագրությունները և ֆինանսական նորությունները: NLP-ի միջոցով AI-ն կարող է այս չկառուցված տվյալներից քաղել տնտեսապես և ֆինանսապես կարևոր տեղեկատվություն: Դրանով այն ապահովում է քանակական և համակարգված միջոց, որը բարելավում և օգնում է մարդկային մեկնաբանություններին:
AI-ի լիազորությունները չափազանց օգտակար են առևտրում, որտեղ գործարքների բարդությունն ու արագության անհրաժեշտությունը հավասարակշռված են: AI-ն աջակցում է ալգորիթմական առևտուրին՝ ավտոմատացնելով գործընթացի բազմաթիվ փուլերը՝ բարելավելով ֆինանսական շուկաներում կառավարվող գործարքների արդյունավետությունը:
AI-ն հնարավորություն է բացել ավելի ցածր գնով անհատականացված ներդրումային խորհրդատվական ծառայությունների ավելի լայն առաջարկի համար: Այս համակարգերը օգտագործում են բարդ ալգորիթմներ իրական ժամանակում շուկայական տվյալների մշակման համար՝ մշակելով ամենահարմար ռազմավարությունները անհատական հաճախորդների կարիքների համար՝ հիմնված նրանց վերադարձի նպատակների և ռիսկերի պրոֆիլների վրա:
Ռիսկերի կառավարման մեջ AI-ն օգնում է՝ մոդելավորելով տարբեր «հավանական, բայց անցանկալի» սցենարներ, որոնք, իր հերթին, բարելավում են ավանդական պրակտիկաները, որոնք կենտրոնանում են միայն հիմնականում հավանական արդյունքների վրա:
Դասական մեքենայական ուսուցման մեթոդները դեռևս շատ տարածված են Պորտֆոլիոյի կառավարման մեջ, և դրանք են՝ Գծային մոդելները, ներառյալ սովորական նվազագույն քառակուսիները, Ռիջի ռեգրեսիան և լասսո ռեգրեսիան: Սրանք հաճախ զուգորդվում են միջին-տարբերակային օպտիմիզացման ընթացակարգի և մատրիցների տարրալուծման մեթոդների հետ, ինչպիսիք են եզակի արժեքի տարրալուծումը (SVD) և հիմնական բաղադրիչի վերլուծությունը (PCA), որոնք հիմնարար նշանակություն ունեն ակտիվների հարաբերությունները հասկանալու և պորտֆելի բաշխման օպտիմալացման համար:
Այս դասական մոտեցումների և ավելի ժամանակակից մեթոդների միջև են գտնվում Աջակցող վեկտոր մեքենաները (SVM): Չնայած SVM-ները գործնականում օգտագործվում են, դրանք այնքան էլ տարածված չեն, բայց կարևոր դեր են խաղում, մասնավորապես, դասակարգման առաջադրանքներում, որոնք ուղղված են բաժնետոմսերի կատարողականի կանխատեսմանը:
Այս առաջադրանքները սովորաբար ներառում են կանխատեսել, թե արդյոք բաժնետոմսը կունենա շահույթ կամ վնաս, օգտագործելով պատմական ֆինանսական տվյալները, ներառյալ բաժնետոմսերի գների տատանումները և առևտրի ծավալները, ակտիվները դասակարգելու և դրանց կատարողականը կանխատեսելու համար:
Խոսելով ավելի ժամանակակից մեթոդների մասին՝ նեյրոնային ցանցերը ցույց են տալիս պորտֆելի կառավարման համար մեքենայական ուսուցման հիմնական առաջընթացը և առաջարկում են բարելավված հնարավորություններ բարդ ոչ գծային օրինաչափությունների մոդելավորման համար, որոնք դժվար է ֆիքսել ավանդական մոդելներով: Բացի նեյրոնային ցանցերից, այլ դասական մոտեցումներ, ինչպիսիք են վերահսկվող և չվերահսկվող ուսուցումը, հետագայում բարելավում և կատարելագործում են տվյալների վերլուծությունը՝ հնարավոր դարձնելով շուկայի նուրբ ազդանշանների հայտնաբերումն ու օգտագործումը:
Ավելի նոր մոտեցումները, ինչպիսիք են ուժեղացման ուսուցումը և Deep Q-Learning-ը, այս որակները բերում են արագ տեմպերով որոշումներ կայացնելու միջավայր, որտեղ պորտֆելները կարող են ճշգրտվել իրական ժամանակում՝ ֆինանսական արդյունքները օպտիմալացնելու համար՝ հիմնված համակարգի վրա, որը սովորում է շուկայի հետադարձ կապից:
Բնական լեզվի մշակման մեթոդները, ինչպիսիք են զգացմունքների վերլուծությունը, կարող են օգնել ընտրել և ընտրել ընդհանուր կարծիքներ այնպիսի բաներից, ինչպիսիք են թերթերի հոդվածները, սոցիալական լրատվամիջոցների գրառումները և վերլուծաբանների զեկույցները: Բացի այդ, պորտֆելի մենեջերները կարող են նաև վերլուծել ֆինանսական լրատվամիջոցներում օգտագործվող լեզուն, ներառյալ ընկերությունների եկամուտների հաշվետվությունները, զգալու ներդրողների տրամադրությունները և կանխատեսել շուկայի շարժումները, որոնք բոլորն էլ կարևոր տեղեկատվություն են որոշումների կայացման գործընթացում:
Այն ընկերությունները, որոնք մասնագիտացած են բարձր հաճախականությամբ առևտրի մեջ (HFT), ինչպես նրանք, որոնք օգտագործում են AI-ի վրա աշխատող քանակական առևտրի ալգորիթմներ, գումար են վաստակում շուկայում մի պահ առաջացող անարդյունավետությունից: Այս ընկերությունները օգտագործում են մեքենայական ուսուցման տեխնոլոգիաներ՝ չափազանց բարձր արագությամբ վերլուծելու համապատասխան շուկայական տեղեկատվությունը և պատվերներ տեղադրելու ճշգրիտ ժամանակացույցով, մինչև մեկ միլիվայրկյան:
Նման արագ կատարումը թույլ է տալիս նրանց օգտվել արբիտրաժային հնարավորություններից և առավելագույնի հասցնել շահույթը՝ գնային անհամապատասխանությունների դեմ ավելի արագ քայլեր ձեռնարկելով, քան մրցակիցները: Թեև Renaissance Technologies-ը հայտնի է իր քանակական առևտրային մոտեցումներով, կարևոր է հիշել նրա ավելի լայն ռազմավարությունը, որն ընդգրկում է ավանդական HFT պրակտիկաների պահպանման տարբեր ժամանակաշրջաններ, որոնք հիմնականում կենտրոնացած են արագության վրա:
LIME-ը (Local Interpretable Model-agnostic Explanations) նշանավոր XAI մեթոդ է, որն օգտագործվում է մեքենայական ուսուցման բարդ մոդելների արդյունքներն ավելի հասկանալի դարձնելու համար: Պորտֆոլիոյի կառավարման մեջ այս մեթոդը կարող է շատ արժեքավոր լինել մեկնաբանելու համար, թե ինչպես են սև արկղերի մոդելները կանխատեսումներ անում: Օգտագործելով մուտքային տվյալները և վերլուծելով ազդեցությունը մոդելի արդյունքների վրա՝ LIME-ն օգնում է պորտֆելի կառավարիչներին և տվյալների գիտնականներին սահմանել, թե որ հատկանիշներն են ավելի շատ ազդում ներդրումային որոշումների վրա, քան մյուսները:
Այս գործընթացն օգնում է բարձրացնել AI-ի միջոցով ուժեղացված որոշումների թափանցիկությունը և աջակցում է ջանքերին՝ ստուգելու և բարելավելու, թե որքան հեշտ է հասկանալ այս մոդելները: Այնուամենայնիվ, մինչ LIME-ը բարելավում է մոդելի վարքագծի մեր ըմբռնումը, մոդելների ընդհանուր հուսալիության գնահատումը ներառում է վավերացման լրացուցիչ տեխնիկա:
AI տեխնոլոգիան մեծ դեր է խաղում կարգավորող շրջանակներին համապատասխանությունն ապահովելու և ֆինանսական ոլորտում ներդրումային սահմանափակումների մոնիտորինգի գործում: Ավտոմատացնելով այս գործընթացները՝ AI համակարգերն օգնում են ֆինանսական ընկերություններին ավելի արդյունավետ, ավելի ճշգրիտ կերպով հավատարիմ մնալ իրավական չափանիշներին և չընկնել խնդիրների մեջ: Այս տեխնոլոգիան շատ արժեքավոր է գործարքների մեծ ծավալների և տարբեր պորտֆելի գործունեության միջև համապատասխանության մոնիտորինգի համար, որտեղ այն կարող է արագ (ակնթարթորեն, իրականում) բացահայտել կարգավորող պահանջներից կամ ներքին ուղեցույցներից շեղումները:
Ավելին, արհեստական ինտելեկտի օգտագործումը նվազագույնի է հասցնում մարդկային սխալի վտանգը, ինչը շատ կարևոր է կարգավորիչ միջավայրերում, որտեղ սխալները կարող են հանգեցնել իրավական և ֆինանսական հետևանքների:
Արհեստական ինտելեկտի կիրառությունները ավտոմատացված վերաբալանսի մեջ չափազանց կարևոր են ժամանակի ընթացքում ակտիվների իդեալական բաշխումները պահպանելու համար: Նրանք կարող են կարգավորել պորտֆելները՝ ի պատասխան շուկայի փոփոխությունների կամ ներդրողի ռիսկի պրոֆիլի տեղաշարժերի, ինչը ապահովում է ռազմավարական ներդրումային նպատակների հետ համապատասխանեցում:
Ի լրումն հավելվածների, որոնք հատուկ նախագծված են ներդրումների համար, ակտիվների կառավարման բիզնեսում արհեստական ինտելեկտի զարգացման ներուժը, ըստ երևույթին, մեծ է: Այնուամենայնիվ, չնայած այն հանգամանքին, որ մենք բնազդաբար տեսնում ենք գործառնական շղթայի տարբեր փուլերում կոնկրետ աշխատատեղերի ավտոմատացման հնարավորությունը, դեռևս դժվար է լիովին կանխատեսել արհեստական ինտելեկտի խանգարող ուժը: Դա պայմանավորված է նրանով, որ ակնկալվում է, որ AI-ն կառաջացնի կիրառման նոր ոլորտներ, քանի որ լրացուցիչ առաջընթացներ են մշակվում:
Մենք պետք է նկատի ունենանք արհեստական ինտելեկտի սահմանափակումները, ինչպես նաև այն վտանգները, որոնք այն ներկայացնում է պորտֆելի կառավարման որոշ ասպեկտների համար, չնայած այն հանգամանքին, որ այն հնարավոր է դարձրել արհեստական ինտելեկտի օգտագործմամբ տեխնոլոգիական առաջընթացի և արտադրողականության բարձրացում: Առաջին հերթին, արհեստական ինտելեկտը և մեքենայական ուսուցման մոտեցումները հիմնվում են տվյալների վրա, որոնք օգտագործվում են ուսուցման ալգորիթմները կերակրելու համար:
Անհրաժեշտ է, որ այս տվյալները լինեն բարձրորակ թարմացումների, ճշգրտության, ամբողջականության և ներկայացուցչականության առումով:
Ի լրումն տվյալների շատ մեծ ծավալի պահանջի, որը միշտ չէ, որ հասանելի է, այն դեպքն է, որ այդ տվյալները պետք է լինեն լավ որակի: Ցանկացած այլ դեպքում, բացահայտումները, որոնք ստացվում են կանխատեսող մոդելների միջոցով, հուսալի կամ ճկուն չեն:
Ավելին, ալգորիթմները կարող են նաև կեղծ ենթադրություններ անել՝ վերլուծված տվյալների բազայից ընտրելով անհամապատասխան միտումներ, ինչը կարող է հանգեցնել սխալ եզրակացությունների: Սա կարող է հանգեցնել խոշոր չափերի գրավման, չափազանց կտրուկ ցատկերի և հնարավոր ամենափոքր վթարների: Շուկայական մրցակցության կորուստը կարող է տեղի ունենալ այն պատճառով, որ շատ շուկայական օպերատորներ, որոնք կառավարում են նույն AI ալգորիթմները, կարող են միաժամանակ սխալ որոշում կայացնել կամ նման կերպ արձագանքել իրական ժամանակի հանգամանքին: Նման ռիսկը կարող է ճակատագրական դառնալ։
Չնայած պորտֆելի կառավարման մեջ AI-ի պոտենցիալ առավելություններին, ինչպես ցանկացած ոլորտում, կան բազմաթիվ մարտահրավերներ, որոնք մենք պետք է հիշենք և, ի վերջո, անդրադառնանք: Հիմնական դժվարություններից մեկը AI մոդելների թափանցիկության և մեկնաբանության հնարավոր բացակայությունն է, ինչը կարող է դժվարացնել մենեջերների համար AI-ի հետ իրենց համագործակցության արդյունքների բացատրությունը: Օգտագործման այս բարդությունը կարող է լինել այն պատճառներից մեկը, որ եվրոպական հիմնադրամներում AI-ի ընդունումը համեմատաբար ցածր է: 2022 թվականի սեպտեմբերի դրությամբ՝
Եվրոպական ֆինանսական շուկաների մարմինը (ESMA)
Այս պահին թվում է, որ արհեստական ինտելեկտը դեռ շատ հեռու է ակտիվների կառավարման ոլորտում իրական մարդկանց ամբողջությամբ փոխարինելու համար: Այսպես ասած, թափանցիկությունը, վստահության փոխհարաբերությունները և հաճախորդների և կառավարման փորձագետների միջև շփումը շարունակում են մնալ առանցքային բնութագրիչներ, այժմ առավել քան երբևէ:
Այնուամենայնիվ, մենք չենք կարող ժխտել, որ արհեստական ինտելեկտն իր հետ բերում է նոր և հետաքրքիր գործիքներ, որոնք կարող են օգտագործվել արժեքային շղթայում, և այդ գործիքների ներուժը կարող է իսկապես փոխել արդյունաբերության տեսքն այսօր: