AIнын өсүшү, албетте, ар кандай тармактарга таасирин тийгизди, ал эми каржы тармагы эң көп таасир эткендердин бири . Мисалы, өткөн жылы GPT-3.5 сыяктуу моделдердин ачыкка чыгышы фонддун менеджерлеринин талдоо, тобокелдиктерди башкаруу жана чечим кабыл алуу жөндөмдөрүн жогорулатууга жардам берүү үчүн AI колдонууга кызыгууну арттырды.
Ошентип, AI инструменттери рынокту баалоону тактоо жана тобокелдиктерди натыйжалуу башкаруу үчүн ишке ашырылат. Портфолио менеджерлери рыноктун кыймылдарына так баа берип, ылайыктуу инвестициялык тандоолорду кыскартып, соодалоодо машина үйрөнүү алгоритмдерин, табигый тилди иштетүүнү жана жасалма интеллект куралдарын колдонгондо тобокелдиктерди башкаруусу күтүлүүдө.
Машина үйрөнүү алгоритмдерин, ошондой эле табигый тилди иштетүү куралдарын негизги оюнчулардын соода стратегияларына интеграциялоо аларга бул процесстердин эффективдүүлүгүн жогорулатууга жана тезирээк жана так инвестициялык чечимдерди жана болжолдуу аналитика менен атаандаштык артыкчылыкка ээ болууга жардам берет.
Акыркы он жылдыктарда AI каржы тармагынын ар кандай секторлорунда ишке ашырылды. Бэк-офисте ML алгоритмдери аткаруу журналдарындагы аномалияларды табуу, шектүү транзакцияларды аныктоо, ошондой эле эффективдүүлүктү жана коопсуздукту жогорулатууга алып келген тобокелдиктерди башкаруу үчүн колдонулат. Фронт-офисте AI кардарларды сегментациялоого, кардарларды колдоо процесстерин автоматташтырууга жана туундулардын баасын оптималдаштырууга жардам берет.
Бирок, анын эң кызыктуу бөлүгү - бул каржынын сатып алуу тарабы үчүн AI мүмкүнчүлүктөрү - мүмкүн болушунча тезирээк маалыматтардын олуттуу көлөмүн талдоо аркылуу рыноктук ызы-чуу учурунда болжолдоочу сигналдарды аныктоо. Мисалы, мындай тиркемелер убакыт серияларын болжолдоону, рынокторду сегменттөөнү жана, албетте, активдердин портфелдерин башкарууну камтышы мүмкүн. AIнын кеңири маалымат топтомдорун иштеп чыгуу жана талдоо мүмкүнчүлүктөрү салттуу ыкмалар байкабай калышы мүмкүн болгон тымызын үлгүлөрдү табууга жардам берет.
Портфолиону оптималдаштыруу бир нече ондогон жылдар бою кеңири таралган практика болуп калды, маалымат илиминин өнүгүшү жана алдыңкы эсептөө ыкмаларын ишке ашыруунун алкагында олуттуу түрдө өнүгүп келе жатат. Марковицтин заманбап портфолио теориясы (1952) жана капиталдык активдерди баалоо модели (1964) сыяктуу классикалык ыкмалар 50 жылдан ашык мурда киргизилген, бирок дагы эле актуалдуу бойдон калууда. Бирок, сызыктуу эмес тобокелдиктерди жана тарыхый маалыматтарга көз карандылыкты чечүүдө алардын чектөөлөрү күн өткөн сайын айкын болуп баратат.
Renaissance Technologies, DE Shaw жана Two Sigma Investments сыяктуу негизги оюнчулар тарабынан кеңири ишке ашырылган тобокелдиктерди моделдөө, сценарийлерди талдоо жана кванттык соодалоо сыяктуу практикалар татаал жана өнүккөн алгоритмдердин ишке ашырылышына алып келди. Кошумчалай кетсек, акыркы жылдары бул тармакка AI катуу таасир эткен, анткени машинаны үйрөнүү жана жасалма интеллект болжолдуу аналитиканы такыраак кылып, жекелештирилген инвестициялык стратегияларды жана автоматташтырылган татаал чечимдерди кабыл алуу процесстерин да ушундай кылды.
Бул AI башкарган трансформация портфолио менеджерлерине маалыматтардын кеңири массивдерин реалдуу убакытта иштеп чыгууга жана үч негизги көйгөйдү чечүүгө мүмкүндүк берди:
ылайык
AI тарабынан колдоого алынган активдерди башкаруу чечимдерин кабыл алууну жана инвестициялоону көбөйтүү жана портфелди оптималдаштырууда AIны практикалык колдонууну баса белгилөө.
Активдерди башкаруу тармагында AI кабыл алуу жаңы тренд эмес; ал акыркы жылдарда өсүштү байкады, бирок дагы эле рыноктун аз сандагы оюнчулары менен чектелет, атап айтканда хедж-фонддор, сандык башкаруу кеңселери, ири изилдөө бөлүмдөрү жана IT кызматтарын колдонгон каржы институттары.
AI үчүн колдонуунун көптөгөн тармактары бар:
AI портфолио курууну оптималдаштыруу процессин кыйла жакшыртат. Мисалы, томпок оптималдаштыруу концепцияларына таянган Марковицтин Заманбап Портфолио Теориясынын классикалык мамилеси азыркы AI-башкаруучу методологиялардын прекурсорлору катары кызмат кылат. Бул фундаменталдык теориянын абдан маанилүү болушунун себеби, ал AI алгоритмдери инвестициялык стратегияларды андан ары өзгөртүүгө жана тактоого негиз түзөт.
Бүгүнкү күндө AI бул теорияны маалыматтардын жаңы өлчөмдөрүн изилдөө жана алдыңкы аналитикалык ыкмаларды интеграциялоо аркылуу кеңейтүүдө. Бул кеңейтилген маалымат мүмкүнчүлүгү көбүрөөк нюанстуу жана негизделген чечим кабыл алууга мүмкүндүк берет - бул тармакта кеңири колдонулган практика.
Кээ бир AI ыкмалары компаниянын негиздери, макроэкономикалык чөйрө же рынок шарттары жөнүндө чоң көлөмдөгү маалыматтарды колдонуу менен сандык башкарууга толук шайкеш келет. Машина үйрөнүү алгоритмдери ар кандай өзгөрмөлөрдүн ортосундагы татаал сызыктуу эмес мамилелерди таба алат жана, албетте, талдоочулар көрө албаган тенденцияларды аныктай алат.
Тексттик талдоо - фундаменталдык анализде AIдын дагы бир колдонмосу. Табигый тилди иштетүүнү (NLP) колдонуп, AI корпоративдик кирешелер боюнча отчеттор, борбордук банктын пресс-релиздери жана каржы жаңылыктары сыяктуу тексттик булактарды иштеп чыгат жана талдайт. NLP аркылуу AI бул структураланбаган маалыматтардан экономикалык жана финансылык жактан маанилүү маалыматты чыгара алат. Муну менен ал адамдын интерпретациясын жакшыртуучу жана жардам берген сандык жана системалуу чараны камсыз кылат.
AIнын ыйгарым укуктары транзакциялардын татаалдыгы жана ылдамдыктын зарылдыгы тең салмакта болгон соодада абдан пайдалуу. AI процесстин көптөгөн этаптарын автоматташтыруу, каржы рынокторунда башкарылуучу транзакциялардын натыйжалуулугун жогорулатуу аркылуу алгоритмдик сооданы колдойт.
AI арзаныраак баада жекелештирилген инвестициялык кеңеш берүү кызматтарын кеңири сунуштоого мүмкүнчүлүк ачты. Бул системалар реалдуу убакыт режиминде рыноктук маалыматтарды иштеп чыгуу үчүн татаал алгоритмдерди колдонушат, алардын кайтаруу максаттарына жана тобокелдик профилдерине негизделген жеке кардарлардын муктаждыктары үчүн эң ылайыктуу стратегияларды иштеп чыгышат.
Тобокелдиктерди башкарууда AI ар кандай "болжолдуу, бирок каалабаган" сценарийлерди моделдөө аркылуу жардам берет, бул өз кезегинде көбүнчө болжолдуу натыйжаларга гана багытталган салттуу тажрыйбаларды өркүндөтөт.
Классикалык машинаны үйрөнүү ыкмалары дагы эле портфолиону башкарууда абдан популярдуу жана алар: Сызыктуу моделдер, анын ичинде Кадимки эң кичине квадраттар, Ридж регрессия жана Лассо регрессия. Булар көп учурда активдердин мамилелерин түшүнүүдө жана портфелди бөлүштүрүүнү оптималдаштырууда негиз болуп саналган Singular Value Decomposition (SVD) жана Principal Component Analysis (PCA) сыяктуу Орточо-Вариантты Оптималдаштыруу процедурасы жана матрицаны декомпозициялоо ыкмалары менен айкалышат.
Бул классикалык ыкмалар менен заманбап методдордун ортосунда жайгашкан Колдоо вектордук машиналары (SVMs). SVMs практикада колдонулса да, алар кеңири жайылган эмес, бирок, өзгөчө, запастын көрсөткүчтөрүн болжолдоого багытталган классификациялык тапшырмаларда маанилүү роль ойнойт.
Бул тапшырмалар, адатта, акциялардын киреше же чыгымга туш болорун алдын ала айтууну, анын ичинде акциялардын баасынын өзгөрүүсүн жана соода көлөмүн камтыган тарыхый финансылык маалыматтарды колдонуу менен активдерди категорияларга бөлүп, алардын аткарылышын болжолдоону камтыйт.
Заманбап методдор жөнүндө сөз кыла турган болсок, нейрон тармактары портфолиону башкаруу үчүн машинаны үйрөнүүдө негизги жетишкендиктерди көрсөтөт жана салттуу моделдер менен тартуу кыйын болгон татаал сызыктуу эмес үлгүлөрдү моделдөө үчүн жакшыртылган мүмкүнчүлүктөрдү сунуштайт. Нейрондук тармактардан тышкары, башка классикалык ыкмалар, мисалы, көзөмөлдөнгөн жана көзөмөлсүз окутуу маалыматтар анализин андан ары өркүндөтөт жана тактайт, бул рыноктун тымызын сигналдарын ачууга жана эксплуатациялоого мүмкүндүк берет.
Reinforement Learning жана Deep Q-Learning сыяктуу жаңы ыкмалар бул сапаттарды тез темпте чечим кабыл алуу чөйрөсүнө алып келет, мында портфолио рыноктук пикирлерден системаны үйрөнүүгө негизделген финансылык натыйжаларды оптималдаштыруу үчүн реалдуу убакыт режиминде коррекцияланышы мүмкүн.
Сезимди анализдөө сыяктуу табигый тилди иштетүү ыкмалары гезит макалалары, социалдык медиа билдирүүлөрү жана аналитиктердин отчеттору сыяктуу нерселерден жалпы пикирлерди тандап алууга жана тандоого жардам берет. Кошумчалай кетсек, портфолио менеджерлери финансылык маалымат каражаттарында колдонулган тилди, анын ичинде фирмалардын кирешелери жөнүндө отчетторду талдап, инвесторлордун маанайын сезип, рыноктун кыймылын болжолдой алышат, мунун баары чечим кабыл алуу процессинде маанилүү маалымат болуп саналат.
Жогорку жыштыктагы соодага (HFT) адистешкен фирмалар, AI менен иштеген сандык соода алгоритмдерин колдонгон фирмалар, рынокто бир азга эле пайда болгон натыйжасыздыктардан акча табышат. Бул фирмалар өтө жогорку ылдамдыкта тиешелүү рыноктук маалыматты талдоо үчүн машинаны үйрөнүү технологияларын колдонушат жана бир миллисекундга чейин так убакыт менен буйрутмаларды беришет.
Мындай тез аткаруу аларга арбитраж мүмкүнчүлүктөрүнөн пайда алып, атаандаштарга караганда тезирээк баанын келишпестиктери боюнча чараларды көрүү менен максималдуу киреше алууга мүмкүндүк берет. Renaissance Technologies өзүнүн сандык соода ыкмалары менен белгилүү болсо да, анын кеңири стратегиясын, негизинен, ылдамдыкка багытталган салттуу HFT тажрыйбаларынан ар кандай кармоо мезгилдерин камтыганын эстен чыгарбоо керек.
LIME (Жергиликтүү чечмеленүүчү модель-агностикалык түшүндүрмөлөр) татаал машина үйрөнүү моделдеринин натыйжаларын түшүнүктүү кылуу үчүн колдонулган көрүнүктүү XAI ыкмасы. Портфолиону башкарууда бул ыкма кара куту моделдери алдын ала айтууну чечмелөө үчүн абдан баалуу болушу мүмкүн. Киргизилген маалыматтарды колдонуу жана моделдин натыйжаларына тийгизген таасирин талдоо менен, LIME портфолио менеджерлерине жана маалымат таануучуларга кайсы өзгөчөлүктөр башкаларга караганда инвестициялык чечимдерге көбүрөөк таасир этээрин аныктоого жардам берет.
Бул процесс AI тарабынан колдоого алынган чечимдердин ачыктыгын жогорулатууга жардам берет жана бул моделдерди түшүнүү канчалык оңой экенин текшерүү жана жакшыртуу аракеттерин колдойт. Бирок, LIME моделдин жүрүм-турумун түшүнүүбүздү жакшыртса, моделдердин жалпы ишенимдүүлүгүн баалоо кошумча текшерүү ыкмаларын камтыйт.
AI технологиясы ченемдик укуктук базанын сакталышын камсыз кылууда жана каржы тармагындагы инвестициялык чектөөлөрдү көзөмөлдөөдө чоң роль ойнойт. Бул процесстерди автоматташтыруу менен, AI тутумдары финансылык фирмаларга укуктук стандарттарды натыйжалуураак, так карманууга жана кыйынчылыкка кабылбоого жардам берет. Бул технология чоң көлөмдөгү транзакцияларда жана ар түрдүү портфелдик иш-аракеттерде шайкештикти көзөмөлдөөдө абдан баалуу, мында ал тез арада (бир заматта, иш жүзүндө) ченемдик талаптардан же ички көрсөтмөлөрдөн четтөөлөрдү аныктай алат.
Мындан тышкары, AI колдонуу каталар укуктук жана каржылык кесепеттерге алып келиши мүмкүн болгон жогорку коюмдарды жөнгө салуучу чөйрөлөрдө чечүүчү мааниге ээ болгон адам катасынын тобокелдигин азайтат.
Автоматташтырылган балансташтыруудагы AI колдонмолору убакыттын өтүшү менен идеалдуу активдерди бөлүштүрүү үчүн абдан маанилүү. Алар стратегиялык инвестициялык максаттарга шайкеш келүүнү камсыз кылган инвестордун тобокелдик профилиндеги рыноктук өзгөрүүлөргө же өзгөрүүлөргө жооп катары портфелдерди тууралай алышат.
Инвестициялар үчүн атайын иштелип чыккан тиркемелерден тышкары, активдерди башкаруу бизнесинин ичинде жасалма интеллектти өнүктүрүү потенциалы кеңири көрүнөт. Бирок, биз инстинктивдүү түрдө оперативдүү чынжырдын ар кандай этаптарында конкреттүү жумуштарды автоматташтыруу мүмкүнчүлүгүн көрүп жатканыбызга карабастан, жасалма интеллекттин кыйратуучу күчүн толук алдын ала айтуу дагы эле кыйын. Себеби, AI кошумча жетишкендиктер иштелип чыккандыктан, колдонуунун жаңы секторлорун пайда кылат деп күтүлүүдө.
Биз жасалма интеллекттин чектөөлөрүн, ошондой эле ал жасалма интеллекттин жардамы менен технологиялык жетишкендиктерди жана өндүрүмдүүлүктү жогорулатууга мүмкүндүк бергенине карабастан, портфелди башкаруунун кээ бир аспектилери үчүн келтирген коркунучтарды эстен чыгарбашыбыз керек. Биринчиден, жасалма интеллект жана машина үйрөнүү ыкмалары окутуу алгоритмдерин камсыз кылуу үчүн колдонулган маалыматтарга таянат.
Бул маалыматтар жаңыртуу, тактык, толуктук жана өкүлчүлүк жагынан жогорку сапатта болушу керек.
Дайыма эле боло бербеген өтө чоң көлөмдөгү маалыматтардын талабынан тышкары, бул маалыматтар сапаттуу болушу керек. Башка учурларда, болжолдуу моделдерди колдонуу менен алынган жыйынтыктар ишенимдүү же туруктуу эмес.
Мындан тышкары, алгоритмдер талданган маалыматтар топтомунан тиешеси жок тенденцияларды тандап алуу менен жалган божомолдорду жасай алат, бул ката тыянактарга алып келиши мүмкүн. Бул чоң масштабдагы кармап калууга, өтө курч секирүүлөргө жана эң кичинекей кыйроого алып келиши мүмкүн. Рыноктук атаандаштыкты жоготуу бир эле AI алгоритмдерин башкарган көптөгөн рыноктук операторлор бир эле учурда туура эмес чечим кабыл алышы же реалдуу убакытта болгон жагдайга окшош реакция кылышы мүмкүн. Мындай коркунуч өлүмгө алып келиши мүмкүн.
Портфолиону башкарууда AIнын потенциалдуу артыкчылыктарына карабастан, ар кандай тармактагыдай эле, биз эстен чыгарбашыбыз керек болгон көптөгөн көйгөйлөр бар. Негизги кыйынчылыктардын бири AI моделдеринин ачык-айкындыгынын жана интерпретациялоо маселелеринин жоктугу, бул менеджерлерге AI менен кызматташуунун натыйжаларын түшүндүрүүнү кыйындатат. Бул колдонуу татаалдыгы европалык фонддордо AI кабыл алынышы салыштырмалуу төмөн болгон себептердин бири болушу мүмкүн. 2022-жылдын сентябрына карата,
Европанын каржы рынокторунун органы (ESMA)
Бул учурда, жасалма интеллект активдерди башкаруу тармагындагы чыныгы адамдарды толугу менен алмаштыруудан дагы эле көп убакыт бар окшойт. Айтылгандай, ачыктык, ишеним мамилелери жана кардарлар менен башкаруу эксперттеринин ортосундагы байланыш азыр болуп көрбөгөндөй маанилүү мүнөздөмөлөр болуп калууда.
Ошентсе да, биз жасалма интеллект кошумча нарк чынжырында колдонула турган жаңы жана кызыктуу куралдарды алып келерин тана албайбыз жана бул куралдардын потенциалы чындап эле тармактын бүгүнкү көрүнүшүн өзгөртө алат.