![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
AI augimas akivaizdžiai paveikė įvairias pramonės šakas, o finansų pramonė yra viena iš tų, kurioms buvo padarytas didžiausias poveikis . Pavyzdžiui, praėjusiais metais viešai pristatyti modeliai, tokie kaip GPT-3.5, padidino susidomėjimą dirbtinio intelekto panaudojimu, siekiant padėti padidinti fondų valdytojų gebėjimus analizuoti, valdyti riziką ir priimti sprendimus.
Taigi, dirbtinio intelekto įrankiai yra įdiegti, kad rinkos vertinimai būtų tikslesni ir efektyviau valdoma rizika. Tikimasi, kad portfelio valdytojai aiškiau įvertins rinkos judėjimus, susiaurins tinkamus investavimo pasirinkimus ir valdys riziką, kai prekyboje taikys mašininio mokymosi algoritmus, natūralios kalbos apdorojimą ir dirbtinio intelekto įrankius.
Mašininio mokymosi algoritmų, taip pat natūralios kalbos apdorojimo įrankių integravimas į pagrindinių žaidėjų prekybos strategijas padeda jiems padidinti šių procesų efektyvumą ir įgyti konkurencinį pranašumą greitesniais ir tikslesniais investavimo sprendimais bei nuspėjamąją analizę.
Pastaraisiais dešimtmečiais dirbtinis intelektas buvo diegiamas įvairiuose finansų pramonės sektoriuose. Užpakalinėje biure ML algoritmai naudojami norint rasti anomalijas vykdymo žurnaluose, aptikti įtartinas operacijas, taip pat valdyti riziką, todėl padidėja efektyvumas ir saugumas. Pirmajame biure AI padeda segmentuoti klientus, automatizuoti klientų aptarnavimo procesus ir optimizuoti išvestinių finansinių priemonių kainodarą.
Tačiau labiausiai intriguojanti dalis yra AI galimybės, skirtos finansų pirkimo pusei – nustatyti nuspėjamuosius signalus esant rinkos triukšmui, kuo greičiau analizuojant didelius duomenų kiekius. Pavyzdžiui, tokios programos gali apimti laiko eilučių prognozavimą, rinkų segmentavimą ir, žinoma, turto portfelių valdymą. AI galimybės apdoroti ir analizuoti didžiulius duomenų rinkinius padeda rasti subtilių modelių, kurių tradiciniai metodai tikriausiai nepastebės.
Portfelio optimizavimas buvo įprasta praktika jau kelis dešimtmečius, smarkiai besivystanti plėtojant duomenų mokslą ir diegiant pažangias skaičiavimo technikas. Klasikiniai metodai, tokie kaip Markowitzo šiuolaikinė portfelio teorija (1952) ir kapitalo turto kainų nustatymo modelis (1964), buvo pristatyti daugiau nei prieš 50 metų, bet vis dar aktualūs. Tačiau jų apribojimai, susiję su nelinijinės rizikos valdymu ir priklausomybe nuo istorinių duomenų, kasdien tampa vis akivaizdesni.
Tokios praktikos kaip rizikos modeliavimas, scenarijų analizė ir kiekybinė prekyba, kurią plačiai įgyvendino pagrindiniai veikėjai, tokie kaip Renaissance Technologies, DE Shaw ir Two Sigma Investments, paskatino įdiegti sudėtingesnius ir pažangesnius algoritmus. Be to, pramonė pastaraisiais metais labai paveikė AI, nes mašininis mokymasis ir dirbtinis intelektas padarė nuspėjamąją analizę tikslesnę ir padarė tą patį su personalizuotomis investavimo strategijomis ir automatizuotus sudėtingus sprendimų priėmimo procesus.
Ši AI pagrįsta transformacija leido portfelio valdytojams realiu laiku apdoroti daugybę duomenų ir išspręsti tris pagrindinius iššūkius:
Pagal
Didesnis pritaikymas ir investicijos į turto valdymo sprendimus, paremtus AI, ir pabrėžiamas praktinis AI panaudojimas optimizuojant portfelį.
AI pritaikymas turto valdymo pramonėje nėra nauja tendencija; pastaraisiais metais jis augo, bet vis dar apsiriboja nedideliu rinkos dalyvių skaičiumi, ty rizikos draudimo fondais, kiekybinio valdymo biurais, dideliais tyrimų skyriais ir finansinėmis institucijomis, naudojančiomis IT paslaugas.
Jau yra daug AI taikymo sričių:
AI žymiai pagerina portfelio kūrimo optimizavimo procesą. Pavyzdžiui, klasikinis Markowitzo šiuolaikinės portfelio teorijos požiūris, kuris remiasi išgaubtomis optimizavimo koncepcijomis, yra šiuolaikinių dirbtinio intelekto metodų pirmtakas. Priežastis, kodėl ši pagrindinė teorija yra tokia svarbi, yra ta, kad ji sudaro pagrindą, kuriuo remdamiesi AI algoritmai gali toliau keisti ir tobulinti investavimo strategijas.
Šiais laikais dirbtinis intelektas plečia šią teoriją tyrinėdamas naujas duomenų dimensijas ir integruodamas pažangias analizės technologijas. Šios išplėstos duomenų galimybės leidžia priimti niuansingesnius ir labiau pagrįstus sprendimus – tai praktika, kuri buvo plačiai naudojama pramonėje.
Tam tikri AI metodai puikiai suderinami su kiekybiniu valdymu, naudojant didelius duomenų kiekius apie įmonės pagrindus, makroekonominę aplinką ar rinkos sąlygas. Mašininio mokymosi algoritmai gali rasti sudėtingus netiesinius ryšius tarp skirtingų kintamųjų ir, žinoma, aptikti tendencijas, kurių analitikai negali.
Teksto analizė yra dar vienas AI taikymas fundamentalioje analizėje. Naudodamas natūralios kalbos apdorojimą (NLP), AI apdoroja ir analizuoja tekstinius šaltinius, pvz., įmonių pajamų ataskaitas, centrinio banko pranešimus spaudai ir finansines naujienas. Naudodamas NLP, dirbtinis intelektas iš šių nestruktūrizuotų duomenų gali išgauti ekonomiškai ir finansiškai svarbią informaciją. Tokiu būdu ji suteikia kiekybinę ir sisteminę priemonę, kuri pagerina ir padeda žmonėms interpretuoti.
AI galios itin naudingos prekyboje, kur sandorių sudėtingumas ir greičio poreikis yra subalansuoti. AI palaiko algoritminę prekybą automatizuodamas daugelį proceso etapų, pagerindamas finansų rinkose valdomų sandorių efektyvumą.
Dirbtinis intelektas atvėrė galimybę pasiūlyti platesnį asmeniniams poreikiams pritaikytų investicinių konsultacijų paslaugas už mažesnę kainą. Šios sistemos naudoja sudėtingus algoritmus realaus laiko rinkos duomenims apdoroti ir pateikia tinkamiausias strategijas individualiems klientų poreikiams, atsižvelgiant į jų grąžos tikslus ir rizikos profilius.
Valdant riziką, dirbtinis intelektas padeda modeliuoti įvairius „tikėtinus, bet nepageidaujamus“ scenarijus, o tai savo ruožtu sustiprina tradicinę praktiką, orientuotą tik į dažniausiai tikėtinus rezultatus.
Klasikiniai mašininio mokymosi metodai vis dar yra labai populiarūs portfelio valdyme, ir jie yra: tiesiniai modeliai, įskaitant paprastus mažiausius kvadratus, keteros regresiją ir laso regresiją. Jie dažnai derinami su vidutinių nuokrypių optimizavimo procedūra ir matricos skaidymo metodais, tokiais kaip vienaskaitos vertės skaidymas (SVD) ir pagrindinių komponentų analizė (PCA), kurie yra esminiai norint suprasti turto santykius ir optimizuoti portfelio paskirstymą.
Tarp šių klasikinių metodų ir modernesnių metodų yra paramos vektorių mašinos (SVM). Nors SVM yra naudojami praktikoje, jie nėra taip dažnai naudojami, tačiau atlieka svarbų vaidmenį, ypač atliekant klasifikavimo užduotis, kuriomis siekiama prognozuoti atsargų efektyvumą.
Šios užduotys paprastai apima prognozavimą, ar akcijos patirs pelno ar nuostolių, naudojant istorinius finansinius duomenis, įskaitant akcijų kainų svyravimus ir prekybos apimtis, kad būtų galima suskirstyti turtą į kategorijas ir prognozuoti jų rezultatus.
Kalbant apie modernesnius metodus, neuroniniai tinklai rodo didelius portfelio valdymo mašininio mokymosi pasiekimus ir siūlo patobulintas galimybes modeliuoti sudėtingus nelinijinius modelius, kuriuos sunku užfiksuoti naudojant tradicinius modelius. Be neuroninių tinklų, kiti klasikiniai metodai, tokie kaip prižiūrimas ir neprižiūrimas mokymasis, dar labiau pagerina ir patobulina duomenų analizę, todėl galima atrasti ir panaudoti subtilius rinkos signalus.
Naujesni metodai, pvz., stiprinamasis mokymasis ir gilus Q-Learning, suteikia šias savybes į greitą sprendimų priėmimo aplinką, kur portfeliai gali būti koreguojami realiuoju laiku, siekiant optimizuoti finansinius rezultatus, remiantis sistemos mokymusi iš rinkos atsiliepimų.
Natūralios kalbos apdorojimo metodai, pvz., nuotaikų analizė, gali padėti išsirinkti įprastas nuomones iš laikraščių straipsnių, socialinių tinklų įrašų ir analitikų ataskaitų. Be to, portfelio valdytojai taip pat gali analizuoti kalbą, vartojamą finansinėje žiniasklaidoje, įskaitant įmonių pajamų ataskaitas, kad pajustų investuotojų nuotaikas ir nuspėtų rinkos judėjimą – visa tai yra labai svarbi informacija priimant sprendimus.
Įmonės, kurios specializuojasi aukšto dažnio prekyboje (HFT), kaip ir tos, kurios naudoja dirbtinio intelekto pagrindu sukurtus kiekybinius prekybos algoritmus, uždirba iš neefektyvumo, kuris rinkoje atsiranda tik akimirką. Šios įmonės naudoja mašininio mokymosi technologijas, kad itin dideliu greičiu analizuotų svarbią rinkos informaciją ir pateiktų užsakymus tiksliai per milisekundę.
Toks greitas vykdymas leidžia jiems pasinaudoti arbitražo galimybėmis ir maksimaliai padidinti pelną imantis veiksmų dėl kainų skirtumų greičiau nei konkurentai. Nors Renaissance Technologies yra žinomas dėl savo kiekybinių prekybos metodų, svarbu nepamiršti jos platesnės strategijos, apimančios įvairius laikymo laikotarpius nuo tradicinės HFT praktikos, kurios daugiausia dėmesio skiria greičiui.
LIME (Local Interpretable Model-Agnostic Explanations) yra ryškus XAI metodas, naudojamas sudėtingų mašininio mokymosi modelių išvestims padaryti suprantamesnes. Portfelio valdyme šis metodas gali būti labai naudingas aiškinant, kaip juodosios dėžės modeliai daro prognozes. Naudodama įvesties duomenis ir analizuodama poveikį modelio rezultatams, LIME padeda portfelio valdytojams ir duomenų mokslininkams nustatyti, kurios savybės daro įtaką investavimo sprendimams labiau nei kitos.
Šis procesas padeda padidinti dirbtinio intelekto skatinamų sprendimų skaidrumą ir remia pastangas patikrinti bei pagerinti šių modelių supratimą. Tačiau, nors LIME pagerina mūsų supratimą apie modelio elgesį, bendram modelių patikimumui įvertinti reikalingi papildomi patvirtinimo metodai.
AI technologija atlieka svarbų vaidmenį užtikrinant, kad būtų laikomasi reguliavimo sistemų ir stebint investicijų apribojimus finansų pramonėje. Automatizavusios šiuos procesus AI sistemos padeda finansų įmonėms efektyviau, tiksliau laikytis teisinių standartų ir nepakliūti į bėdą. Ši technologija yra labai vertinga stebint atitiktį didelėms sandorių apimtims ir įvairioms portfelio veikloms, kai ji gali greitai (iš tikrųjų akimirksniu) nustatyti nukrypimus nuo reguliavimo reikalavimų ar vidinių gairių.
Be to, dirbtinio intelekto naudojimas sumažina žmogiškųjų klaidų riziką, kuri yra labai svarbi didelės svarbos reguliavimo aplinkoje, kur klaidos gali sukelti teisines ir finansines pasekmes.
AI programos automatizuoto perbalansavimo metu yra labai svarbios norint išlaikyti idealų turto paskirstymą laikui bėgant. Jie gali koreguoti portfelius, reaguodami į rinkos pokyčius ar investuotojo rizikos profilio pokyčius, o tai užtikrina suderinimą su strateginiais investavimo tikslais.
Be programų, kurios yra specialiai sukurtos investicijoms, dirbtinio intelekto plėtros potencialas turto valdymo versle yra didelis. Tačiau, nepaisant to, kad instinktyviai matome galimybę automatizuoti konkrečius darbus įvairiuose veiklos grandinės etapuose, vis dar sunku iki galo numatyti dirbtinio intelekto ardomąją galią. Taip yra todėl, kad tikimasi, kad dirbtinis intelektas atsiras naujų taikymo sektorių, kai bus plėtojama papildoma pažanga.
Turime nepamiršti dirbtinio intelekto apribojimų ir pavojų, kuriuos jis kelia kai kuriems portfelio valdymo aspektams, nepaisant to, kad naudojant dirbtinį intelektą jis leido pasiekti technologinę pažangą ir padidinti produktyvumą. Visų pirma, dirbtinio intelekto ir mašininio mokymosi metodai remiasi duomenimis, kurie naudojami mokymosi algoritmams maitinti.
Būtina, kad šie duomenys būtų aukštos kokybės atnaujinimų, tikslumo, išsamumo ir reprezentatyvumo požiūriu.
Be reikalavimo pateikti labai didelį duomenų kiekį, kuris ne visada prieinamas, šie duomenys turi būti geros kokybės. Bet kuriuo kitu atveju išvados, gautos naudojant nuspėjamuosius modelius, nėra patikimos ar atsparios.
Be to, algoritmai taip pat gali daryti klaidingas prielaidas, iš analizuojamo duomenų rinkinio atrinkdami nereikšmingas tendencijas, dėl kurių gali būti padarytos klaidingos išvados. Dėl to galimi grubūs griebimai, per staigūs šuoliai ir smulkiausios įmanomos avarijos. Konkurencija rinkoje gali būti prarasta dėl to, kad daugelis rinkos operatorių, valdančių tuos pačius dirbtinio intelekto algoritmus, gali priimti neteisingą sprendimą vienu metu arba panašiai reaguoti į realaus laiko aplinkybes. Tokia rizika gali tapti mirtina.
Nepaisant galimos dirbtinio intelekto naudos valdant portfelį, kaip ir bet kurioje kitoje srityje, yra daugybė iššūkių, kuriuos turime nepamiršti ir galiausiai išspręsti. Vienas iš pagrindinių sunkumų yra galimas AI modelių skaidrumo ir interpretavimo problemų trūkumas, dėl kurio vadovams gali būti sudėtinga paaiškinti bendradarbiavimo su AI rezultatus. Šis naudojimo sudėtingumas gali būti viena iš priežasčių, kodėl dirbtinio intelekto panaudojimas Europos fonduose yra palyginti mažas. 2022 m. rugsėjo mėn.
Europos finansų rinkų institucija (EVPRI)
Šiuo metu atrodo, kad dirbtinis intelektas dar toli nuo visiško realių žmonių pakeitimo turto valdymo pramonėje. Nepaisant to, skaidrumas, pasitikėjimo santykiai ir kontaktai tarp klientų ir valdymo ekspertų ir toliau yra itin svarbūs bruožai, kaip niekada anksčiau.
Tačiau negalime paneigti, kad dirbtinis intelektas atneša naujų ir įdomių įrankių, kurie gali būti naudojami vertės grandinėje, o šių įrankių potencialas iš tikrųjų gali pakeisti pramonės išvaizdą šiandien.