Жасанды интеллекттің өсуі әртүрлі салаларға әсер еткені анық, ал қаржы саласы ең көп зардап шеккендердің бірі . Мысалы, өткен жылы GPT-3.5 сияқты үлгілердің көпшілікке ұсынылуы қор менеджерлерінің талдау, тәуекелдерді басқару және шешім қабылдаудағы қабілеттерін арттыруға көмектесу үшін AI-ды пайдалануға қызығушылықты арттырды.
Осылайша, AI құралдары нарықты бағалауды дәлірек ету және тәуекелдерді тиімдірек басқару үшін енгізілген. Портфолио менеджерлері нарықтағы қозғалыстарды нақтырақ бағалайды, сәйкес инвестициялық таңдауларды қысқартады және сауда-саттықта машиналық оқыту алгоритмдерін, табиғи тілді өңдеуді және жасанды интеллект құралдарын қолданған кезде тәуекелдерді басқарады деп күтілуде.
Машиналық оқыту алгоритмдерін, сондай-ақ табиғи тілді өңдеу құралдарын негізгі ойыншылардың сауда стратегияларына біріктіру оларға осы процестердің тиімділігін арттыруға және жылдамырақ және дәлірек инвестициялық шешімдер мен болжамды аналитика арқылы бәсекелестік артықшылыққа қол жеткізуге көмектеседі.
Соңғы онжылдықтарда AI қаржы индустриясының әртүрлі секторларында енгізілді. Бэк-офисте ML алгоритмдері орындау журналдарындағы ауытқуларды табу, күдікті транзакцияларды анықтау, сондай-ақ тиімділік пен қауіпсіздікті арттыруға әкелетін тәуекелдерді басқару үшін қолданылады. Фронт-офисте AI тұтынушыларды сегменттеуге, тұтынушыларды қолдау процестерін автоматтандыруға және туынды құралдар бағасын оңтайландыруға көмектеседі.
Дегенмен, оның ең қызықты бөлігі - қаржының сатып алу жағына арналған AI мүмкіндіктері - деректердің айтарлықтай көлемін мүмкіндігінше жылдам талдау арқылы нарықтық шу кезінде болжамды сигналдарды анықтау. Мысалы, мұндай қолданбаларға уақытша қатарларды болжау, нарықтарды сегменттеу және, әрине, активтер портфолиоларын басқару кіреді. Жасанды интеллекттің ауқымды деректер жиынын өңдеу және талдау мүмкіндіктері дәстүрлі әдістер жіберіп алуы мүмкін нәзік үлгілерді табуға көмектеседі.
Портфолионы оңтайландыру бірнеше ондаған жылдар бойы кең таралған тәжірибе болды, деректер ғылымының дамуы және алдыңғы қатарлы есептеу әдістерін енгізу аясында айтарлықтай дамып келеді. Марковицтің қазіргі заманғы портфолио теориясы (1952) және капиталдық активтерге баға белгілеу моделі (1964) сияқты классикалық тәсілдер 50 жылдан астам бұрын енгізілген, бірақ әлі де өзекті болып қала береді. Дегенмен, олардың сызықтық емес тәуекелді өңдеудегі шектеулері және тарихи деректерге тәуелділігі күн өткен сайын айқын бола түсуде.
Renaissance Technologies, DE Shaw және Two Sigma Investments сияқты негізгі ойыншылар кеңінен енгізген тәуекелдерді модельдеу, сценарийді талдау және квант саудасы сияқты тәжірибелер күрделі және жетілдірілген алгоритмдерді енгізуге әкелді. Бұған қоса, соңғы жылдары бұл салаға AI қатты әсер етті, өйткені машиналық оқыту және жасанды интеллект болжамды аналитиканы дәлірек етті және жекелендірілген инвестициялық стратегиялар мен автоматтандырылған күрделі шешім қабылдау процестеріне де солай жасады.
Бұл AI басқаратын түрлендіру портфолио менеджерлеріне нақты уақытта деректердің үлкен массивтерін өңдеуге және үш негізгі мәселені шешуге мүмкіндік берді:
- Масштабтау: Бірнеше активтер мен жаһандық нарықтардағы ауқымды деректерді басқару және талдау енді оңайырақ.
- Күрделі шешім қабылдау: AI шешім қабылдау процестерінде психологиялық және мінез-құлық талдауын қоса алғанда, көбірек факторларды «есте сақтай алады».
- Бейімделу: AI жүйелері тоқтаусыз үйреніп, жаңа нарық жағдайларына бейімделе алады, бұл менеджерлерге стратегияларды жылдам реттеуге көмектеседі.
Сәйкес
Жасанды интеллектпен жұмыс істейтін активтерді басқару шешімдерін қабылдау мен инвестициялауды ұлғайту және портфельді оңтайландыруда AI практикалық қолданылуын атап өту.
Портфельді басқаруда AI қабылдау:
Активтерді басқару индустриясында AI қабылдау жаңа тренд емес; ол соңғы жылдары өсті, бірақ әлі де нарық ойыншыларының аз санымен шектеледі, атап айтқанда хедж-қорлар, сандық басқару кеңселері, ірі зерттеу бөлімдері және IT қызметтерін пайдаланатын қаржы институттары.
Қазірдің өзінде AI үшін қолданудың көптеген өрістері бар:
Портфолионы оңтайландыру
AI портфолио құрылысын оңтайландыру процесін айтарлықтай жақсартады. Мысалы, дөңес оңтайландыру тұжырымдамаларына негізделген Марковицтің заманауи портфолио теориясының классикалық тәсілі қазіргі заманғы AI-ге негізделген әдіснамалардың алғышарттары болып табылады. Бұл іргелі теорияның маңыздылығының себебі, ол AI алгоритмдері инвестициялық стратегияларды одан әрі өзгертуге және нақтылауға мүмкіндік беретін негізді құрайды.
Қазіргі уақытта AI деректердің жаңа өлшемдерін зерттеу және озық аналитикалық әдістерді біріктіру арқылы осы теорияны кеңейтеді. Бұл кеңейтілген деректер мүмкіндігі неғұрлым нюансты және ақпараттандырылған шешім қабылдауға мүмкіндік береді - бұл салада кеңінен қолданылған тәжірибе.
Негізгі талдау
Кейбір AI әдістері компания негіздері, макроэкономикалық орта немесе нарық жағдайлары туралы деректердің үлкен көлемін пайдалана отырып, сандық басқарумен тамаша үйлеседі. Машиналық оқыту алгоритмдері әртүрлі айнымалылар арасындағы күрделі сызықты емес қатынастарды таба алады және, әрине, талдаушылар жасай алмайтын үрдістерді анықтай алады.
Мәтіндік талдау
Мәтіндік талдау - іргелі талдаудағы АИ-нің тағы бір қолданбасы. Табиғи тілді өңдеуді (NLP) пайдалана отырып, AI корпоративтік кірістер туралы есептер, орталық банктің баспасөз хабарламалары және қаржылық жаңалықтар сияқты мәтіндік көздерді өңдейді және талдайды. NLP арқылы AI осы құрылымдалмаған деректерден экономикалық және қаржылық маңызды ақпаратты ала алады. Осылайша, ол адамның түсіндірмелерін жақсартатын және көмектесетін сандық және жүйелі өлшемді қамтамасыз етеді.
Сауда қызметі
AI өкілеттіктері транзакциялардың күрделілігі мен жылдамдық қажеттілігі теңгерімде болатын саудада өте пайдалы. AI процестің көптеген кезеңдерін автоматтандыру, қаржы нарықтарында басқарылатын транзакциялардың тиімділігін арттыру арқылы алгоритмдік сауданы қолдайды.
Инвестициялық кеңес беру қызметтері
AI төмен бағамен жекелендірілген инвестициялық кеңес беру қызметтерін кеңірек ұсыну мүмкіндігін ашты. Бұл жүйелер нақты уақыттағы нарықтық деректерді өңдеу үшін күрделі алгоритмдерді пайдаланады, олардың қайтару мақсаттары мен тәуекел профильдеріне негізделген жеке клиенттердің қажеттіліктері үшін ең қолайлы стратегияларды жасайды.
Тәуекелдерді басқару
Тәуекелдерді басқаруда AI әртүрлі «ықтимал, бірақ қалаусыз» сценарийлерді модельдеу арқылы көмектеседі, бұл өз кезегінде тек ықтимал нәтижелерге бағытталған дәстүрлі тәжірибелерді жақсартады.
Портфолионы басқарудағы жасанды интеллект (AI) әдістері мен құралдары
Машиналық оқыту алгоритмдері:
Классикалық машинаны оқыту әдістері әлі де портфолио менеджментінде өте танымал және олар: сызықтық модельдер, соның ішінде қарапайым ең кіші квадраттар, жоталардың регрессиясы және лассо регрессиясы. Бұлар жиі орташа дисперсияны оңтайландыру процедурасымен және матрицаны ыдырату әдістерімен біріктіріледі, мысалы, ерекше мәнді ыдырау (SVD) және негізгі құрамдастарды талдау (PCA), олар активтер қатынастарын түсінуде және портфельді бөлуді оңтайландыруда негіз болып табылады.
Осы классикалық тәсілдер мен заманауи әдістердің арасында қолдау векторлық машиналары (SVMs) орналасқан. SVM тәжірибеде қолданылғанымен, олар кең таралған емес, бірақ маңызды рөл атқарады, атап айтқанда, акциялардың өнімділігін болжауға бағытталған жіктеу тапсырмаларында.
Бұл міндеттер, әдетте, активтерді санаттарға бөлу және олардың өнімділігін болжау үшін акциялар бағасының ауытқуы мен сауда көлемін қоса алғанда, тарихи қаржылық деректерді пайдалану арқылы акцияның пайда немесе шығынға ұшырайтынын болжауды қамтиды.
Неғұрлым заманауи әдістер туралы айтатын болсақ, нейрондық желілер портфолионы басқару үшін машиналық оқытудағы маңызды жетістіктерді көрсетеді және дәстүрлі үлгілермен түсіру қиын күрделі сызықтық емес үлгілерді модельдеу үшін жақсартылған мүмкіндіктерді ұсынады. Нейрондық желілерден басқа, бақыланатын және бақыланбайтын оқыту сияқты басқа классикалық тәсілдер деректерді талдауды одан әрі жетілдіреді және нақтылайды, бұл нәзік нарықтық сигналдарды ашуға және пайдалануға мүмкіндік береді.
Қосымша оқыту және Deep Q-Learning сияқты жаңа тәсілдер бұл қасиеттерді нарықтық кері байланыстан жүйені үйрену негізінде қаржылық нәтижелерді оңтайландыру үшін нақты уақыт режимінде портфолиоларды реттеуге болатын жылдам шешім қабылдау орталарына әкеледі.
Табиғи тілді өңдеу (NLP):
Сезімдерді талдау сияқты табиғи тілді өңдеу әдістері газет мақалалары, әлеуметтік желілердегі жазбалар және талдаушылардың есептері сияқты нәрселерден жалпы пікірлерді таңдауға және таңдауға көмектеседі. Сонымен қатар, портфель менеджерлері инвесторлардың көңіл-күйін сезіну және нарық қозғалысын болжау үшін қаржылық ақпарат құралдарында, соның ішінде фирмалардың кірістері туралы есептерде қолданылатын тілді талдай алады, олардың барлығы шешім қабылдау процесінде маңызды ақпарат болып табылады.
Сандық сауда стратегиялары:
Жоғары жиілікті саудаға (HFT) маманданған фирмалар, мысалы, AI-мен жұмыс істейтін сандық сауда алгоритмдерін қолданатын фирмалар нарықта бір сәтке пайда болатын тиімсіздіктерден ақша табады. Бұл фирмалар нарықтық ақпаратты өте жоғары жылдамдықпен талдау және миллисекунд сияқты қысқа мерзімге дәлдікпен тапсырыстарды орналастыру үшін машиналық оқыту технологияларын пайдаланады.
Мұндай жылдам орындау оларға арбитраж мүмкіндіктерін пайдалануға және бәсекелестерге қарағанда бағаның сәйкессіздігіне тезірек әрекет ету арқылы пайданы арттыруға мүмкіндік береді. Renaissance Technologies өзінің сандық сауда тәсілдерімен танымал болғанымен, оның негізінен жылдамдыққа бағытталған дәстүрлі HFT тәжірибелерінен әртүрлі ұстау кезеңдерін қамтитын кеңірек стратегиясын есте ұстаған жөн.
Түсіндірілетін AI (XAI):
LIME (Жергілікті түсіндірілетін модель-агностикалық түсініктемелер) - күрделі машиналық оқыту үлгілерінің нәтижелерін түсінікті ету үшін қолданылатын көрнекті XAI әдісі. Портфельді басқаруда бұл әдіс қара жәшік модельдерінің болжамдарды қалай жасайтынын түсіндіру үшін өте құнды болуы мүмкін. Кіріс деректерін пайдалану және үлгі нәтижелеріне әсерін талдау арқылы LIME портфолио менеджерлері мен деректер ғалымдарына қай мүмкіндіктердің басқаларға қарағанда инвестициялық шешімдерге көбірек әсер ететінін анықтауға көмектеседі.
Бұл процесс AI-ге негізделген шешімдердің мөлдірлігін арттыруға көмектеседі және осы үлгілерді түсіну қаншалықты оңай екенін тексеру және жақсарту әрекеттерін қолдайды. Дегенмен, LIME үлгі мінез-құлқы туралы түсінігімізді жақсартқанымен, үлгілердің жалпы сенімділігін бағалау қосымша валидация әдістерін қамтиды.
Сәйкестік пен мониторингтегі AI:
AI технологиясы нормативтік базалардың сақталуын қамтамасыз етуде және қаржы индустриясындағы инвестициялық шектеулерді бақылауда үлкен рөл атқарады. Бұл процестерді автоматтандыру арқылы AI жүйелері қаржылық фирмаларға заңды стандарттарды тиімдірек, дәлірек ұстануға және қиындықтарға тап болмауға көмектеседі. Бұл технология үлкен көлемдегі транзакциялар мен әртүрлі портфельдік әрекеттер бойынша сәйкестікті бақылауда өте құнды, мұнда ол реттеуші талаптардан немесе ішкі нұсқаулардан ауытқуларды тез (бірден, шын мәнінде) анықтай алады.
Сонымен қатар, AI пайдалану адам қателігінің қаупін азайтады, бұл қателер заңдық және қаржылық салдарға әкелуі мүмкін жоғары тәуекелді реттеуші орталарда өте маңызды.
Портфельді қайта теңестіру:
Автоматтандырылған қайта теңестірудегі AI қолданбалары уақыт өте келе активтерді тамаша бөлуді сақтау үшін өте маңызды. Олар стратегиялық инвестициялық мақсаттарға сәйкестікті қамтамасыз ететін нарықтық өзгерістерге немесе инвестордың тәуекел профиліндегі өзгерістерге жауап ретінде портфельдерді реттей алады.
Кеңірек көзқараста
Инвестициялар үшін арнайы әзірленген қолданбалардан басқа, активтерді басқару бизнесінде жасанды интеллектті дамыту әлеуеті кең. Дегенмен, біз операциялық тізбектің әртүрлі кезеңдерінде нақты жұмыстарды автоматтандыру мүмкіндігін инстинктивті түрде көріп отырғанымызға қарамастан, жасанды интеллекттің бұзушы күшін толық болжау әлі де қиын. Себебі AI қосымша жетістіктер дамыған сайын қолданбаның жаңа секторларын тудырады деп күтілуде.
Біз жасанды интеллекттің шектеулерін, сондай-ақ ол жасанды интеллект арқылы технологиялық жетістіктер мен өнімділікті арттыруға мүмкіндік бергеніне қарамастан, портфельді басқарудың кейбір аспектілері үшін төндіретін қауіптерді есте ұстауымыз керек. Біріншіден, жасанды интеллект және машиналық оқыту тәсілдері оқыту алгоритмдерін қамтамасыз ету үшін пайдаланылатын деректерге сүйенеді.
Бұл деректер жаңартулар, дәлдік, толықтық және репрезентативтілік тұрғысынан жоғары сапалы болуы қажет.
Әрдайым қол жетімді бола бермейтін деректердің өте үлкен көлеміне қойылатын талапқа қосымша, бұл деректердің сапасы жақсы болуы керек. Кез келген басқа жағдайда болжамды модельдерді қолдану арқылы алынған нәтижелер сенімді немесе тұрақты емес.
Сонымен қатар, алгоритмдер талданатын деректер жиынынан сәйкес емес тенденцияларды таңдау арқылы жалған болжамдар жасай алады, бұл қате тұжырымдарға әкелуі мүмкін. Бұл үлкен көлемді тартып алуға, тым өткір секіруге және ең кішкентай ықтимал апаттарға әкелуі мүмкін. Бірдей AI алгоритмдерін басқаратын көптеген нарық операторларының бір уақытта қате шешім қабылдауы немесе нақты уақыттағы жағдайға ұқсас әрекет етуіне байланысты нарықтық бәсекелестіктің жоғалуы орын алуы мүмкін. Мұндай қауіп өлімге әкелуі мүмкін.
Портфельді басқарудағы AI-ның әлеуетті артықшылықтарына қарамастан, кез келген саладағы сияқты, біз есте ұстауымыз керек және сайып келгенде, шешуге тура келетін көптеген қиындықтар бар. Негізгі қиындықтардың бірі - AI үлгілерінің ашықтығы мен түсіндіру мәселелерінің болмауы, бұл менеджерлерге AI-мен ынтымақтастығы нәтижелерін түсіндіруді қиындатуы мүмкін. Бұл пайдаланудың күрделілігі еуропалық қорларда AI қабылдаудың салыстырмалы түрде төмен болуының себептерінің бірі болуы мүмкін. 2022 жылдың қыркүйек айындағы жағдай бойынша
Еуропалық қаржы нарықтары органы (ESMA)
Осы кезде жасанды интеллект активтерді басқару саласындағы нақты адамдарды толығымен ауыстырудан әлі де алыс сияқты. Айтуынша, ашықтық, сенімділік қарым-қатынасы және клиенттер мен басқару сарапшылары арасындағы байланыс қазір бұрынғыдан да маңызды сипаттамалар болып қала береді.
Дегенмен, біз жасанды интеллект құн тізбегінде қолдануға болатын жаңа және қызықты құралдарды әкелетінін жоққа шығара алмаймыз және бұл құралдардың әлеуеті бүгінгі индустрияның көрінісін шынымен өзгерте алады.
