![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Meningkatnya penggunaan AI jelas telah memengaruhi berbagai industri, dan industri keuangan merupakan salah satu yang paling terdampak . Misalnya, peluncuran model seperti GPT-3.5 tahun lalu telah meningkatkan minat untuk memanfaatkan AI guna membantu meningkatkan kemampuan manajer investasi dalam menganalisis, mengelola risiko, dan mengambil keputusan.
Dengan demikian, perangkat AI diterapkan untuk membuat penilaian pasar lebih akurat dan mengelola risiko lebih efektif. Manajer portofolio diharapkan dapat membuat penilaian yang lebih jelas tentang pergerakan pasar, mempersempit pilihan investasi yang tepat, dan mengelola risiko saat mereka menerapkan algoritma pembelajaran mesin, pemrosesan bahasa alami, dan perangkat kecerdasan buatan dalam perdagangan mereka.
Integrasi algoritma pembelajaran mesin, serta alat pemrosesan bahasa alami ke dalam strategi perdagangan para pemain utama, membantu mereka meningkatkan efisiensi proses ini dan memperoleh keunggulan kompetitif dengan keputusan investasi dan analitik prediktif yang lebih cepat dan lebih akurat.
Dalam beberapa dekade terakhir, AI telah diterapkan di berbagai sektor industri keuangan. Di bagian administrasi, algoritma ML digunakan untuk menemukan anomali dalam log eksekusi, mendeteksi transaksi mencurigakan, serta mengelola risiko, yang mengarah pada peningkatan efisiensi dan keamanan. Di bagian administrasi, AI membantu mengelompokkan pelanggan, mengotomatiskan proses dukungan pelanggan, dan mengoptimalkan harga derivatif.
Namun, bagian yang paling menarik adalah kemampuan AI untuk sisi pembelian keuangan - mengidentifikasi sinyal prediktif di tengah kebisingan pasar dengan menganalisis sejumlah besar data secepat mungkin. Misalnya, aplikasi tersebut dapat mencakup peramalan deret waktu, segmentasi pasar, dan tentu saja, pengelolaan portofolio aset. Peluang AI untuk memproses dan menganalisis kumpulan data yang sangat besar membantu menemukan pola-pola halus yang mungkin terlewatkan oleh metode tradisional.
Pengoptimalan portofolio telah menjadi praktik umum selama beberapa dekade, berkembang secara signifikan di bawah pengembangan ilmu data dan penerapan teknik komputasi tingkat lanjut. Pendekatan klasik, seperti Teori Portofolio Modern Markowitz (1952) dan Model Penetapan Harga Aset Modal (1964) diperkenalkan lebih dari 50 tahun yang lalu tetapi masih tetap relevan. Akan tetapi, keterbatasannya dalam menangani risiko non-linier dan ketergantungan pada data historis menjadi semakin jelas dari hari ke hari.
Praktik seperti pemodelan risiko, analisis skenario, dan perdagangan kuantitatif, yang diterapkan secara luas oleh para pelaku utama, seperti Renaissance Technologies, DE Shaw, dan Two Sigma Investments telah menghasilkan penerapan algoritma yang lebih kompleks dan canggih. Selain itu, industri ini telah sangat terpengaruh oleh AI dalam beberapa tahun terakhir, karena pembelajaran mesin dan kecerdasan buatan telah membuat analisis prediktif lebih akurat, dan melakukan hal yang sama terhadap strategi investasi yang dipersonalisasi dan mengotomatiskan proses pengambilan keputusan yang kompleks.
Transformasi yang didorong oleh AI ini telah memungkinkan manajer portofolio untuk memproses sejumlah besar data secara real-time dan memecahkan tiga tantangan utama:
Menurut
Meningkatkan adopsi dan investasi dalam solusi manajemen aset yang didukung oleh AI dan menyoroti penggunaan praktis AI dalam pengoptimalan portofolio.
Adopsi AI dalam industri manajemen aset bukanlah tren baru; tren ini telah mengalami pertumbuhan dalam beberapa tahun terakhir tetapi masih terbatas pada sejumlah kecil pelaku pasar, yaitu dana lindung nilai, kantor manajemen kuantitatif, departemen penelitian besar, dan lembaga keuangan yang menggunakan layanan TI.
Sudah ada banyak bidang penerapan AI:
AI secara signifikan meningkatkan proses optimasi konstruksi portofolio. Misalnya, pendekatan klasik Teori Portofolio Modern Markowitz, yang mengandalkan konsep optimasi konveks, berfungsi sebagai pendahulu metodologi kontemporer yang digerakkan oleh AI. Alasan teori dasar ini sangat penting adalah karena teori ini menjadi dasar bagi algoritme AI untuk lebih mengubah dan menyempurnakan strategi investasi.
Saat ini, AI mengembangkan teori ini dengan mengeksplorasi dimensi data baru dan mengintegrasikan teknik analisis tingkat lanjut. Kemampuan data yang diperluas ini memungkinkan pengambilan keputusan yang lebih bernuansa dan terinformasi - sebuah praktik yang telah banyak digunakan dalam industri.
Teknik AI tertentu sangat cocok dengan manajemen kuantitatif, menggunakan sejumlah besar data tentang fundamental perusahaan, lingkungan ekonomi makro, atau kondisi pasar. Algoritme pembelajaran mesin dapat menemukan hubungan non-linier yang kompleks antara berbagai variabel dan, tentu saja, mendeteksi tren yang tidak dapat dideteksi oleh analis.
Analisis tekstual merupakan aplikasi lain dari AI dalam analisis fundamental. Dengan menggunakan pemrosesan bahasa alami (NLP), AI memproses dan menganalisis sumber-sumber tekstual seperti laporan laba perusahaan, siaran pers bank sentral, dan berita keuangan. Melalui NLP, AI dapat mengekstrak informasi yang penting secara ekonomi dan finansial dari data yang tidak terstruktur ini. Dengan demikian, AI menyediakan ukuran kuantitatif dan sistematis yang meningkatkan dan membantu interpretasi manusia.
Kekuatan AI sangat berguna dalam perdagangan, di mana kompleksitas transaksi dan kebutuhan akan kecepatan berada pada keseimbangan yang seimbang. AI mendukung perdagangan algoritmik dengan mengotomatiskan banyak tahapan proses, meningkatkan efisiensi transaksi yang dikelola di pasar keuangan.
AI telah membuka peluang untuk penawaran layanan konsultasi investasi yang lebih luas dan personal dengan biaya yang lebih rendah. Sistem ini menggunakan algoritma yang kompleks untuk memproses data pasar secara real-time, menghasilkan strategi yang paling sesuai untuk kebutuhan masing-masing klien berdasarkan tujuan pengembalian dan profil risiko mereka.
Dalam manajemen risiko, AI membantu dengan memodelkan berbagai skenario yang 'mungkin tetapi tidak diinginkan', yang pada gilirannya, meningkatkan praktik tradisional yang hanya berfokus pada hasil yang sebagian besar mungkin terjadi.
Metode Pembelajaran Mesin Klasik masih sangat populer dalam Manajemen Portofolio, yaitu: Model Linier, termasuk Ordinary Least Squares, Ridge Regression, dan Lasso Regression. Metode ini sering dikombinasikan dengan prosedur Mean-Variance Optimization dan teknik dekomposisi matriks seperti Singular Value Decomposition (SVD) dan Principal Component Analysis (PCA), yang merupakan dasar dalam memahami hubungan aset dan mengoptimalkan alokasi portofolio.
Di antara pendekatan klasik dan metode yang lebih modern terdapat Support Vector Machines (SVM). Meskipun SVM digunakan dalam praktik, SVM tidak umum digunakan tetapi memainkan peran penting, khususnya, dalam tugas klasifikasi yang bertujuan untuk memperkirakan kinerja saham.
Tugas-tugas ini biasanya meliputi prediksi apakah suatu saham akan mengalami laba atau rugi, menggunakan data keuangan historis termasuk fluktuasi harga saham dan volume perdagangan untuk memasukkan aset ke dalam kategori dan memperkirakan kinerjanya.
Berbicara tentang metode yang lebih modern, jaringan saraf menunjukkan kemajuan besar dalam pembelajaran mesin untuk manajemen portofolio dan menawarkan kemampuan yang lebih baik untuk memodelkan pola non-linier kompleks yang sulit ditangkap dengan model tradisional. Selain jaringan saraf, pendekatan klasik lainnya seperti pembelajaran terbimbing dan tak terbimbing semakin meningkatkan dan menyempurnakan analisis data, sehingga memungkinkan penemuan dan pemanfaatan sinyal pasar yang halus.
Pendekatan yang lebih baru, seperti Reinforcement Learning dan Deep Q-Learning menghadirkan kualitas ini ke dalam lingkungan pengambilan keputusan yang cepat, di mana portofolio dapat disesuaikan secara real-time untuk mengoptimalkan hasil keuangan berdasarkan pembelajaran sistem dari umpan balik pasar.
Teknik Pemrosesan Bahasa Alami seperti analisis sentimen dapat membantu memilih dan memilah opini umum dari berbagai hal seperti artikel surat kabar, kiriman media sosial, dan laporan analis. Selain itu, manajer portofolio juga dapat menganalisis bahasa yang digunakan dalam media keuangan, termasuk laporan laba perusahaan, untuk mengetahui sentimen investor dan memprediksi pergerakan pasar, yang semuanya merupakan informasi penting dalam proses pengambilan keputusan.
Perusahaan yang mengkhususkan diri dalam perdagangan frekuensi tinggi (HFT), seperti perusahaan yang menggunakan algoritma perdagangan kuantitatif bertenaga AI, menghasilkan uang dari inefisiensi yang terjadi sesaat di pasar. Perusahaan-perusahaan ini menggunakan teknologi pembelajaran mesin untuk menganalisis informasi pasar yang relevan dengan kecepatan yang sangat tinggi dan menempatkan pesanan dengan ketepatan waktu sesingkat satu milidetik.
Eksekusi yang cepat tersebut memungkinkan mereka untuk mendapatkan keuntungan dari peluang arbitrase dan memaksimalkan laba dengan mengambil tindakan terhadap perbedaan harga lebih cepat daripada pesaing. Meskipun Renaissance Technologies dikenal dengan pendekatan perdagangan kuantitatifnya, penting untuk diingat bahwa strateginya yang lebih luas mencakup berbagai periode holding dari praktik HFT tradisional, yang terutama difokuskan pada kecepatan.
LIME (Penjelasan Lokal yang Dapat Diinterpretasikan Model-agnostik) adalah metode XAI terkemuka yang digunakan untuk membuat keluaran model pembelajaran mesin yang kompleks lebih mudah dipahami. Dalam manajemen portofolio, metode ini dapat sangat berharga untuk menafsirkan bagaimana model kotak hitam membuat prediksi. Dengan menggunakan data masukan dan menganalisis dampak pada keluaran model, LIME membantu manajer portofolio dan ilmuwan data menentukan fitur mana yang lebih memengaruhi keputusan investasi daripada yang lain.
Proses ini membantu meningkatkan transparansi keputusan yang didukung AI dan mendukung upaya untuk memverifikasi dan meningkatkan kemudahan memahami model-model ini. Namun, sementara LIME meningkatkan pemahaman kita tentang perilaku model, menilai keandalan model secara keseluruhan melibatkan teknik validasi tambahan.
Teknologi AI berperan besar dalam memastikan kepatuhan terhadap kerangka regulasi dan memantau pembatasan investasi dalam industri keuangan. Dengan mengotomatiskan proses ini, sistem AI membantu perusahaan keuangan mematuhi standar hukum dengan lebih efisien, lebih akurat, dan tidak mengalami masalah. Teknologi ini sangat berharga dalam memantau kepatuhan terhadap transaksi dalam jumlah besar dan berbagai aktivitas portofolio, yang dapat dengan cepat (bahkan seketika) mengidentifikasi penyimpangan dari persyaratan regulasi atau pedoman internal.
Selain itu, penggunaan AI meminimalkan risiko kesalahan manusia, yang sangat penting dalam lingkungan regulasi berisiko tinggi di mana kesalahan dapat menyebabkan konsekuensi hukum dan keuangan.
Aplikasi AI dalam penyeimbangan ulang otomatis sangat penting untuk mempertahankan alokasi aset yang ideal dari waktu ke waktu. Aplikasi ini dapat menyesuaikan portofolio sebagai respons terhadap perubahan pasar atau pergeseran profil risiko investor, yang memastikan keselarasan dengan tujuan investasi strategis.
Selain aplikasi yang secara khusus dirancang untuk investasi, potensi pengembangan kecerdasan buatan dalam bisnis manajemen aset tampak sangat luas. Namun, terlepas dari kenyataan bahwa kita secara naluriah melihat kemungkinan mengotomatiskan pekerjaan tertentu di berbagai tahap rantai operasional, masih sulit untuk sepenuhnya mengantisipasi kekuatan disruptif kecerdasan buatan. Hal ini karena AI diharapkan dapat memunculkan sektor aplikasi baru seiring dengan kemajuan tambahan yang dikembangkan.
Kita harus menyadari keterbatasan kecerdasan buatan serta bahaya yang ditimbulkannya pada beberapa aspek manajemen portofolio, meskipun kecerdasan buatan telah memungkinkan kemajuan teknologi dan peningkatan produktivitas dengan menggunakan kecerdasan buatan. Pertama-tama, pendekatan kecerdasan buatan dan pembelajaran mesin bergantung pada data yang digunakan untuk memberi makan algoritma pembelajaran.
Diperlukan data yang berkualitas tinggi dalam hal pembaruan, keakuratan, kelengkapan, dan keterwakilan.
Selain persyaratan untuk volume data yang sangat besar, yang tidak selalu tersedia, data ini harus berkualitas baik. Jika tidak, temuan yang diperoleh dengan menggunakan model prediktif tidak dapat diandalkan atau tangguh.
Selain itu, algoritme juga dapat membuat asumsi yang salah dengan memilih tren yang tidak relevan dari kumpulan data yang dianalisis, yang dapat menyebabkan kesimpulan yang salah. Hal ini dapat mengakibatkan perebutan skala besar, lonjakan yang terlalu tajam, dan kejatuhan sekecil apa pun. Hilangnya persaingan pasar dapat terjadi karena fakta bahwa banyak operator pasar yang mengelola algoritme AI yang sama dapat melakukan keputusan yang salah secara bersamaan atau bereaksi dengan cara yang sama terhadap keadaan waktu nyata. Risiko seperti itu dapat berakibat fatal.
Meskipun AI berpotensi memberikan manfaat dalam pengelolaan portofolio, seperti di bidang apa pun, ada banyak tantangan yang harus kita ingat dan akhirnya kita atasi. Salah satu kesulitan utama adalah kemungkinan kurangnya transparansi dan masalah interpretasi model AI, yang dapat menyulitkan manajer untuk menjelaskan hasil kolaborasi mereka dengan AI. Kompleksitas penggunaan ini mungkin menjadi salah satu alasan mengapa adopsi AI dalam dana Eropa relatif rendah. Hingga September 2022,
Otoritas Pasar Keuangan Eropa (ESMA)
Pada titik ini, tampaknya kecerdasan buatan masih jauh dari sepenuhnya menggantikan manusia nyata dalam industri manajemen aset. Meskipun demikian, transparansi, hubungan kepercayaan, dan kontak antara klien dan pakar manajemen terus menjadi karakteristik penting, lebih dari sebelumnya.
Namun, kita tidak dapat menyangkal bahwa kecerdasan buatan membawa serta alat-alat baru dan menarik yang dapat digunakan dalam rantai nilai, dan potensi alat-alat ini benar-benar dapat mengubah cara industri memandang saat ini.