ხელოვნური ინტელექტის აღმავლობამ, ცხადია, იმოქმედა სხვადასხვა ინდუსტრიებზე და ფინანსური ინდუსტრია ერთ-ერთია მათ შორის, ვინც ყველაზე მეტად დაზარალდა . მაგალითად, GPT-3.5-ის მსგავსი მოდელების საჯარო გაშვებამ გასულ წელს გაზარდა ინტერესი ხელოვნური ინტელექტის გამოყენებით, რათა დაეხმაროს ფონდის მენეჯერების შესაძლებლობების გაზრდას ანალიზში, რისკების მართვაში და გადაწყვეტილების მიღებაში.
ამრიგად, AI ინსტრუმენტები დანერგილია ბაზრის შეფასებების უფრო ზუსტი გასაკეთებლად და რისკების უფრო ეფექტურად მართვისთვის. პორტფელის მენეჯერებს მოელიან, რომ უფრო მკაფიოდ შეაფასონ ბაზრის მოძრაობები, შეზღუდონ შესაბამისი საინვესტიციო არჩევანი და მართონ რისკები, როდესაც ისინი იყენებენ მანქანათმცოდნეობის ალგორითმებს, ბუნებრივი ენის დამუშავებას და ხელოვნური ინტელექტის ინსტრუმენტებს ვაჭრობაში.
მანქანათმცოდნეობის ალგორითმების, ისევე როგორც ბუნებრივი ენის დამუშავების ხელსაწყოების ინტეგრაცია ძირითადი მოთამაშეების სავაჭრო სტრატეგიებში, ეხმარება მათ გაზარდონ ამ პროცესების ეფექტურობა და მოიპოვონ კონკურენტული უპირატესობა უფრო სწრაფი და ზუსტი საინვესტიციო გადაწყვეტილებებით და პროგნოზირებადი ანალიტიკით.
ბოლო ათწლეულების განმავლობაში, ხელოვნური ინტელექტი განხორციელდა ფინანსური ინდუსტრიის სხვადასხვა სექტორში. უკანა ოფისში, ML ალგორითმები გამოიყენება შესრულების ჟურნალებში ანომალიების მოსაძებნად, საეჭვო ტრანზაქციების აღმოსაჩენად, ასევე რისკების სამართავად, რაც იწვევს ეფექტურობისა და უსაფრთხოების გაზრდას. წინა ოფისში AI ეხმარება მომხმარებელთა სეგმენტაციას, მომხმარებელთა მხარდაჭერის პროცესების ავტომატიზაციას და წარმოებულების ფასების ოპტიმიზაციას.
თუმცა, მისი ყველაზე დამაინტრიგებელი ნაწილი არის AI შესაძლებლობები ფინანსების ყიდვისთვის - პროგნოზირებადი სიგნალების იდენტიფიცირება ბაზრის ხმაურის ფონზე მნიშვნელოვანი რაოდენობის მონაცემების რაც შეიძლება სწრაფად ანალიზით. მაგალითად, ასეთი აპლიკაციები შეიძლება მოიცავდეს დროის სერიების პროგნოზირებას, ბაზრების სეგმენტირებას და, რა თქმა უნდა, აქტივების პორტფელის მართვას. ხელოვნური ინტელექტის შესაძლებლობები, დაამუშავოს და გააანალიზოს მონაცემთა უზარმაზარი ნაკრები, დაგეხმარებათ იპოვოთ დახვეწილი შაბლონები, რომლებიც ტრადიციულ მეთოდებს სავარაუდოდ გამოტოვებს.
პორტფელის ოპტიმიზაცია რამდენიმე ათეული წლის განმავლობაში გავრცელებული პრაქტიკაა, რომელიც მნიშვნელოვნად განვითარდა მონაცემთა მეცნიერების განვითარებისა და მოწინავე გამოთვლითი ტექნიკის განხორციელების პირობებში. კლასიკური მიდგომები, როგორიცაა მარკოვიცის თანამედროვე პორტფოლიოს თეორია (1952) და კაპიტალის აქტივების ფასების მოდელი (1964), დაინერგა 50 წელზე მეტი ხნის წინ, მაგრამ მაინც რჩება აქტუალური. თუმცა, მათი შეზღუდვები არაწრფივი რისკისა და ისტორიულ მონაცემებზე დამოკიდებულებაში დღითიდღე უფრო და უფრო აშკარა ხდება.
ისეთი პრაქტიკები, როგორიცაა რისკის მოდელირება, სცენარის ანალიზი და რაოდენობრივი ვაჭრობა, რომლებიც ფართოდ იქნა დანერგილი ძირითადი მოთამაშეების მიერ, როგორიცაა Renaissance Technologies, DE Shaw და Two Sigma Investments, გამოიწვია უფრო რთული და მოწინავე ალგორითმების დანერგვა. გარდა ამისა, ინდუსტრიაზე დიდი გავლენა მოახდინა AI-მ ბოლო წლებში, რადგან მანქანათმცოდნეობამ და ხელოვნურმა ინტელექტმა უფრო ზუსტი გახადა პროგნოზირებადი ანალიტიკა და იგივე მოიქცა პერსონალიზებული საინვესტიციო სტრატეგიებისა და ავტომატიზირებული გადაწყვეტილების მიღების რთული პროცესების მიმართ.
AI-ზე დაფუძნებულმა ტრანსფორმაციამ პორტფელის მენეჯერებს საშუალება მისცა რეალურ დროში დაამუშავონ მონაცემთა დიდი მასივი და გადაჭრას სამი ძირითადი გამოწვევა:
მიხედვით
ხელოვნური ინტელექტის საფუძველზე შექმნილი აქტივების მართვის გადაწყვეტილებებში მიღებისა და ინვესტიციების გაზრდა და პორტფელის ოპტიმიზაციაში ხელოვნური ინტელექტის პრაქტიკული გამოყენების ხაზგასმა.
ხელოვნური ინტელექტის მიღება აქტივების მართვის ინდუსტრიაში არ არის ახალი ტენდენცია; მან განიცადა ზრდა ბოლო წლებში, მაგრამ მაინც შემოიფარგლება ბაზრის მოთამაშეთა მცირე რაოდენობით, კერძოდ ჰეჯ-ფონდებით, რაოდენობრივი მართვის ოფისებით, დიდი კვლევითი განყოფილებებით და ფინანსური ინსტიტუტებით, რომლებიც იყენებენ IT სერვისებს.
ხელოვნური ინტელექტის გამოყენების მრავალი სფერო უკვე არსებობს:
AI მნიშვნელოვნად აუმჯობესებს პორტფელის მშენებლობის ოპტიმიზაციის პროცესს. მაგალითად, მარკოვიცის თანამედროვე პორტფოლიოს თეორიის კლასიკური მიდგომა, რომელიც ეყრდნობა ამოზნექილი ოპტიმიზაციის კონცეფციებს, ემსახურება როგორც წინამორბედს AI-ზე ორიენტირებული თანამედროვე მეთოდოლოგიებისთვის. ამ ფუნდამენტური თეორიის ასე გადამწყვეტი მიზეზი არის ის, რომ ის ქმნის საფუძველს, საიდანაც ხელოვნური ინტელექტის ალგორითმები შეიძლება შემდგომ შეცვალონ და დახვეწონ საინვესტიციო სტრატეგიები.
დღესდღეობით, AI აფართოებს ამ თეორიას მონაცემთა ახალი განზომილებების შესწავლით და მოწინავე ანალიტიკური ტექნიკის ინტეგრირებით. მონაცემთა გაფართოებული შესაძლებლობა იძლევა უფრო ნიუანსური და ინფორმირებული გადაწყვეტილების მიღების საშუალებას - პრაქტიკა, რომელიც ფართოდ გამოიყენება ინდუსტრიაში.
ზოგიერთი ხელოვნური ინტელექტის ტექნიკა სავსებით თავსებადია რაოდენობრივ მენეჯმენტთან, იყენებს დიდი მოცულობის მონაცემებს კომპანიის საფუძვლების, მაკროეკონომიკური გარემოს ან ბაზრის პირობების შესახებ. მანქანათმცოდნეობის ალგორითმებს შეუძლიათ იპოვონ რთული არაწრფივი ურთიერთობები სხვადასხვა ცვლადებს შორის და, რა თქმა უნდა, აღმოაჩინონ ტენდენციები, რომლებიც ანალიტიკოსებს არ შეუძლიათ.
ტექსტური ანალიზი არის ხელოვნური ინტელექტის კიდევ ერთი გამოყენება ფუნდამენტურ ანალიზში. ბუნებრივი ენის დამუშავების (NLP) გამოყენებით, AI ამუშავებს და აანალიზებს ტექსტურ წყაროებს, როგორიცაა კორპორატიული მოგების ანგარიშები, ცენტრალური ბანკის პრესრელიზები და ფინანსური სიახლეები. NLP-ის მეშვეობით AI-ს შეუძლია ამ არასტრუქტურირებული მონაცემებიდან ეკონომიკურად და ფინანსურად მნიშვნელოვანი ინფორმაციის ამოღება. ამით ის უზრუნველყოფს რაოდენობრივ და სისტემატურ ზომას, რომელიც აუმჯობესებს და ეხმარება ადამიანის ინტერპრეტაციებს.
ხელოვნური ინტელექტის შესაძლებლობები ძალზე სასარგებლოა ვაჭრობაში, სადაც ტრანზაქციების სირთულე და სიჩქარის საჭიროება წონასწორობაშია. AI მხარს უჭერს ალგორითმულ ვაჭრობას პროცესის მრავალი ეტაპის ავტომატიზაციის გზით, აუმჯობესებს ფინანსურ ბაზრებზე მართული ტრანზაქციების ეფექტურობას.
AI-მ გახსნა შესაძლებლობა პერსონალიზებული საინვესტიციო საკონსულტაციო სერვისების უფრო ფართო შეთავაზებისთვის დაბალ ფასად. ეს სისტემები იყენებენ კომპლექსურ ალგორითმებს რეალურ დროში ბაზრის მონაცემების დასამუშავებლად, კლიენტის ინდივიდუალური საჭიროებისთვის ყველაზე შესაფერის სტრატეგიებს მათი დაბრუნების მიზნებისა და რისკის პროფილების საფუძველზე.
რისკის მენეჯმენტში AI ეხმარება სხვადასხვა „სავარაუდო, მაგრამ არასასურველი“ სცენარების მოდელირებას, რაც თავის მხრივ აძლიერებს ტრადიციულ პრაქტიკებს, რომლებიც ფოკუსირებულია მხოლოდ ძირითადად სავარაუდო შედეგებზე.
კლასიკური მანქანათმცოდნეობის მეთოდები ჯერ კიდევ ძალიან პოპულარულია პორტფელის მენეჯმენტში და ეს არის: ხაზოვანი მოდელები, მათ შორის ჩვეულებრივი უმცირესი კვადრატები, ქედის რეგრესია და ლასო რეგრესია. ისინი ხშირად შერწყმულია საშუალო ვარიაციის ოპტიმიზაციის პროცედურასთან და მატრიცის დაშლის ტექნიკასთან, როგორიცაა სინგულარული მნიშვნელობის დაშლა (SVD) და ძირითადი კომპონენტის ანალიზი (PCA), რომლებიც ფუნდამენტურია აქტივების ურთიერთობების გასაგებად და პორტფელის განაწილების ოპტიმიზაციისთვის.
ამ კლასიკურ მიდგომებსა და უფრო თანამედროვე მეთოდებს შორის მდებარეობს დამხმარე ვექტორული მანქანები (SVM). მიუხედავად იმისა, რომ SVM-ები გამოიყენება პრაქტიკაში, ისინი არც ისე ხშირად გამოიყენება, მაგრამ მნიშვნელოვან როლს ასრულებენ, განსაკუთრებით, კლასიფიკაციის ამოცანებში, რომლებიც მიზნად ისახავს მარაგის მუშაობის პროგნოზირებას.
ეს ამოცანები ჩვეულებრივ მოიცავს წინასწარმეტყველებას, ექნება თუ არა აქცია მოგებას ან ზარალს, ისტორიული ფინანსური მონაცემების გამოყენებით, აქციების ფასების რყევებისა და ვაჭრობის მოცულობების ჩათვლით, აქტივების კატეგორიებად დასაყენებლად და მათი შესრულების პროგნოზირებისთვის.
უფრო თანამედროვე მეთოდებზე საუბრისას, ნეირონული ქსელები აჩვენებენ მთავარ მიღწევებს მანქანური სწავლების სფეროში პორტფელის მენეჯმენტისთვის და გვთავაზობენ გაუმჯობესებულ შესაძლებლობებს რთული არაწრფივი შაბლონების მოდელირებისთვის, რომლებიც ძნელია აღბეჭდილი ტრადიციული მოდელებით. გარდა ნერვული ქსელებისა, სხვა კლასიკური მიდგომები, როგორიცაა ზედამხედველობითი და ზედამხედველობის ქვეშ მყოფი სწავლება, კიდევ უფრო აუმჯობესებს და აუმჯობესებს მონაცემთა ანალიზს, რაც შესაძლებელს ხდის ბაზრის დახვეწილი სიგნალების აღმოჩენასა და გამოყენებას.
უფრო ახალი მიდგომები, როგორიცაა გაძლიერების სწავლა და ღრმა Q-სწავლება, ამ თვისებებს ავრცელებს გადაწყვეტილების მიღების სწრაფ გარემოში, სადაც პორტფოლიოების კორექტირება შესაძლებელია რეალურ დროში ფინანსური შედეგების ოპტიმიზაციისთვის, სისტემის მიერ ბაზრის გამოხმაურების საფუძველზე.
ბუნებრივი ენის დამუშავების ტექნიკა, როგორიცაა განწყობის ანალიზი, დაგეხმარებათ აირჩიოთ და აირჩიოთ საერთო მოსაზრებები ისეთი საკითხებიდან, როგორიცაა გაზეთების სტატიები, სოციალური მედიის პოსტები და ანალიტიკოსების ანგარიშები. გარდა ამისა, პორტფელის მენეჯერებს შეუძლიათ აგრეთვე გააანალიზონ ენა, რომელიც გამოიყენება ფინანსურ მედიაში, მათ შორის ფირმების შემოსავლის ანგარიშები, რათა გაერკვნენ ინვესტორების განწყობაზე და იწინასწარმეტყველონ ბაზრის მოძრაობა, რაც გადამწყვეტი ინფორმაციაა გადაწყვეტილების მიღების პროცესში.
ფირმები, რომლებიც სპეციალიზირებულნი არიან მაღალი სიხშირის ვაჭრობაში (HFT), როგორიცაა ისეთები, რომლებიც იყენებენ AI-ზე მომუშავე რაოდენობრივ სავაჭრო ალგორითმებს, ფულს შოულობენ არაეფექტურობაზე, რომელიც წარმოიქმნება მხოლოდ ერთი წუთით ბაზარზე. ეს ფირმები იყენებენ მანქანათმცოდნეობის ტექნოლოგიებს, რათა გააანალიზონ შესაბამისი ბაზრის ინფორმაცია უკიდურესად მაღალი სიჩქარით და განათავსონ შეკვეთები ზუსტი დროით, როგორც მოკლე მილიწამში.
ასეთი სწრაფი შესრულება საშუალებას აძლევს მათ ისარგებლონ საარბიტრაჟო შესაძლებლობებით და მაქსიმალური მოგება მიიღონ ფასების შეუსაბამობებზე უფრო სწრაფად, ვიდრე კონკურენტები. მიუხედავად იმისა, რომ Renaissance Technologies ცნობილია თავისი რაოდენობრივი სავაჭრო მიდგომებით, მნიშვნელოვანია გვახსოვდეს მისი უფრო ფართო სტრატეგია, რომელიც მოიცავს ტრადიციულ HFT პრაქტიკის სხვადასხვა პერიოდებს, რომლებიც ძირითადად ორიენტირებულია სიჩქარეზე.
LIME (Local Interpretable Model-agnostic Explanations) არის გამორჩეული XAI მეთოდი, რომელიც გამოიყენება მანქანური სწავლების რთული მოდელების შედეგების გასაგებად. პორტფელის მენეჯმენტში, ეს მეთოდი შეიძლება იყოს ძალიან ღირებული ინტერპრეტაციისთვის, თუ როგორ აკეთებენ შავი ყუთის მოდელები პროგნოზებს. შეყვანის მონაცემების გამოყენებით და მოდელის შედეგებზე გავლენის ანალიზით, LIME ეხმარება პორტფელის მენეჯერებს და მონაცემთა მეცნიერებს განსაზღვრონ, თუ რომელი მახასიათებელი ახდენს გავლენას საინვესტიციო გადაწყვეტილებებზე სხვებზე მეტად.
ეს პროცესი ხელს უწყობს ხელოვნური ინტელექტის გაძლიერებული გადაწყვეტილებების გამჭვირვალობის გაზრდას და მხარს უჭერს მცდელობებს გადაამოწმოს და გააუმჯობესოს რამდენად მარტივია ამ მოდელების გაგება. თუმცა, სანამ LIME აუმჯობესებს მოდელის ქცევის ჩვენს გაგებას, მოდელების საერთო სანდოობის შეფასება მოიცავს დამატებით ვალიდაციის ტექნიკას.
AI ტექნოლოგია დიდ როლს თამაშობს მარეგულირებელ ჩარჩოებთან შესაბამისობის უზრუნველსაყოფად და ფინანსურ ინდუსტრიაში ინვესტიციების შეზღუდვების მონიტორინგში. ამ პროცესების ავტომატიზაციით, ხელოვნური ინტელექტის სისტემები ეხმარება ფინანსურ ფირმებს უფრო ეფექტურად, უფრო ზუსტად დაიცვან იურიდიული სტანდარტები და არ მოხვდნენ უბედურებაში. ეს ტექნოლოგია ძალზე ღირებულია ტრანზაქციების დიდი მოცულობისა და მრავალფეროვანი პორტფელის აქტივობების შესაბამისობის მონიტორინგისთვის, სადაც მას შეუძლია სწრაფად (მყისიერად, ფაქტობრივად) დაადგინოს გადახრები მარეგულირებელი მოთხოვნებიდან ან შიდა გაიდლაინებიდან.
უფრო მეტიც, ხელოვნური ინტელექტის გამოყენება ამცირებს ადამიანური შეცდომის რისკს, რაც გადამწყვეტია მაღალი ფსონების მარეგულირებელ გარემოში, სადაც შეცდომებმა შეიძლება გამოიწვიოს სამართლებრივი და ფინანსური შედეგები.
ხელოვნური ინტელექტის აპლიკაციები ავტომატურ გადაბალანსებაში გადამწყვეტია აქტივების იდეალური განაწილების შესანარჩუნებლად დროთა განმავლობაში. მათ შეუძლიათ შეცვალონ პორტფელები ბაზრის ცვლილებების ან ინვესტორის რისკის პროფილის ცვლილებების საპასუხოდ, რაც უზრუნველყოფს სტრატეგიულ საინვესტიციო მიზნებთან შესაბამისობას.
გარდა აპლიკაციებისა, რომლებიც სპეციალურად შექმნილია ინვესტიციებისთვის, აქტივების მართვის ბიზნესში ხელოვნური ინტელექტის განვითარების პოტენციალი საკმაოდ ფართოა. თუმცა, იმისდა მიუხედავად, რომ ჩვენ ინსტინქტურად ვხედავთ კონკრეტული სამუშაოების ავტომატიზაციის შესაძლებლობას ოპერაციული ჯაჭვის სხვადასხვა ეტაპზე, მაინც რთულია ხელოვნური ინტელექტის დამრღვევი ძალის სრულად წინასწარ განსაზღვრა. ეს იმის გამო ხდება, რომ ხელოვნური ინტელექტი წარმოშობს აპლიკაციის ახალ სექტორებს, როდესაც განვითარდება დამატებითი მიღწევები.
ჩვენ უნდა გვახსოვდეს ხელოვნური ინტელექტის შეზღუდვები, ისევე როგორც ის საფრთხეები, რომლებიც მას უქმნის პორტფელის მენეჯმენტის ზოგიერთ ასპექტს, მიუხედავად იმისა, რომ მან შესაძლებელი გახადა ტექნოლოგიური წინსვლა და პროდუქტიულობა ხელოვნური ინტელექტის გამოყენებით. პირველ რიგში, ხელოვნური ინტელექტისა და მანქანათმცოდნეობის მიდგომები ეყრდნობა მონაცემებს, რომლებიც გამოიყენება სასწავლო ალგორითმების შესანახად.
აუცილებელია, რომ ეს მონაცემები იყოს მაღალი ხარისხის განახლებების, სიზუსტის, სისრულისა და წარმომადგენლობითობის თვალსაზრისით.
გარდა მონაცემთა ძალიან დიდი მოცულობის მოთხოვნისა, რომელიც ყოველთვის არ არის ხელმისაწვდომი, ეს არის შემთხვევა, რომ ეს მონაცემები უნდა იყოს კარგი ხარისხის. ნებისმიერ სხვა შემთხვევაში, დასკვნები, რომლებიც მიღებულია პროგნოზირების მოდელების გამოყენებით, არ არის სანდო ან გამძლე.
უფრო მეტიც, ალგორითმებს ასევე შეუძლიათ მცდარი ვარაუდების გაკეთება გაანალიზებული მონაცემთა ნაკრებიდან შეუსაბამო ტენდენციების არჩევით, რამაც შეიძლება გამოიწვიოს მცდარი დასკვნები. ამან შეიძლება გამოიწვიოს უხეში დაჭერა, ზედმეტად მკვეთრი ნახტომი და უმცირესი შესაძლო ავარია. საბაზრო კონკურენციის დაკარგვა შეიძლება მოხდეს იმის გამო, რომ ბაზრის ბევრ ოპერატორს, რომელიც მართავს იგივე AI ალგორითმებს, შეუძლია მიიღოს არასწორი გადაწყვეტილება ერთდროულად ან რეაგირება მოახდინოს რეალურ დროში არსებულ ვითარებაზე ანალოგიურად. ასეთი რისკი შეიძლება ფატალური გახდეს.
პორტფელის მენეჯმენტში ხელოვნური ინტელექტის პოტენციური უპირატესობების მიუხედავად, ისევე როგორც ნებისმიერ სფეროში, არსებობს უამრავი გამოწვევა, რომელიც უნდა გვახსოვდეს და საბოლოოდ – მივმართოთ. ერთ-ერთი მთავარი სირთულე არის ხელოვნური ინტელექტის მოდელების გამჭვირვალობისა და ინტერპრეტაციის საკითხების შესაძლო ნაკლებობა, რამაც შეიძლება რთული გახადოს მენეჯერებისთვის AI-თან თანამშრომლობის შედეგების ახსნა. გამოყენების ეს სირთულე შეიძლება იყოს ერთ-ერთი მიზეზი იმისა, რომ AI-ის გამოყენება ევროპულ ფონდებში შედარებით დაბალია. 2022 წლის სექტემბრის მდგომარეობით,
ევროპის ფინანსური ბაზრების ორგანო (ESMA)
ამ ეტაპზე, როგორც ჩანს, ხელოვნური ინტელექტი ჯერ კიდევ შორს არის აქტივების მენეჯმენტის ინდუსტრიაში რეალური ადამიანების სრულად ჩანაცვლებამდე. როგორც ითქვა, გამჭვირვალობა, ნდობის ურთიერთობა და კონტაქტი კლიენტებსა და მენეჯმენტის ექსპერტებს შორის კვლავაც გადამწყვეტი მახასიათებელია, როგორც არასდროს.
მიუხედავად ამისა, ჩვენ არ შეგვიძლია უარვყოთ, რომ ხელოვნურ ინტელექტს მოაქვს ახალი და საინტერესო ინსტრუმენტები, რომლებიც შეიძლება გამოყენებულ იქნას ღირებულების ჯაჭვში და ამ ინსტრუმენტების პოტენციალმა შეიძლება მართლაც შეცვალოს ინდუსტრიის დღევანდელი სახე.