AI-ийн өсөлт нь янз бүрийн салбаруудад нөлөөлсөн нь ойлгомжтой бөгөөд санхүүгийн салбар хамгийн их нөлөөлсөн салбаруудын нэг юм. Жишээлбэл, өнгөрсөн жил GPT-3.5 гэх мэт загваруудыг олон нийтэд танилцуулсан нь сангийн менежерүүдийн дүн шинжилгээ хийх, эрсдэлийн удирдлага, шийдвэр гаргах чадварыг нэмэгдүүлэхэд туслах хиймэл оюун ухааныг ашиглах сонирхолыг нэмэгдүүлсэн.
Тиймээс зах зээлийн үнэлгээг илүү нарийвчлалтай болгож, эрсдэлийг илүү үр дүнтэй удирдах зорилгоор хиймэл оюун ухааны хэрэгслүүдийг хэрэгжүүлдэг. Төсвийн ерөнхийлөн захирагч нар арилжаандаа машин сургалтын алгоритм, байгалийн хэлээр боловсруулалт, хиймэл оюун ухааны хэрэгслийг ашиглахдаа зах зээлийн хөдөлгөөнд илүү тодорхой дүгнэлт хийж, хөрөнгө оруулалтын зохистой сонголтыг нарийсгаж, эрсдэлийг удирдах ёстой.
Машин сургалтын алгоритмууд, мөн байгалийн хэлээр боловсруулах хэрэгслүүдийг гол тоглогчдын арилжааны стратегид нэгтгэх нь эдгээр үйл явцын үр ашгийг нэмэгдүүлэх, илүү хурдан бөгөөд үнэн зөв хөрөнгө оруулалтын шийдвэр гаргах, урьдчилан таамаглах аналитик ашиглан өрсөлдөх давуу талыг олж авахад тусалдаг.
Сүүлийн хэдэн арван жилд хиймэл оюун ухаан нь санхүүгийн салбарын янз бүрийн салбарт хэрэгжиж байна. Арын албанд ML алгоритмыг гүйцэтгэлийн бүртгэлээс гажуудлыг илрүүлэх, сэжигтэй гүйлгээг илрүүлэх, эрсдэлийг удирдахад ашигладаг бөгөөд ингэснээр үр ашиг, аюулгүй байдлыг нэмэгдүүлэхэд хүргэдэг. Урд оффисын хувьд хиймэл оюун ухаан нь хэрэглэгчдийг сегментчилэх, үйлчлүүлэгчдэд туслах үйл явцыг автоматжуулах, деривативын үнийг оновчтой болгоход тусалдаг.
Гэсэн хэдий ч үүний хамгийн сонирхолтой хэсэг нь санхүүгийн худалдан авалтын талбарт зориулсан хиймэл оюун ухааны чадавхи юм - зах зээлийн шуугиан дунд урьдчилан таамаглах дохиог тодорхойлох, их хэмжээний өгөгдлийг аль болох хурдан шинжлэх замаар тодорхойлох. Жишээлбэл, ийм програмууд нь цаг хугацааны цувралыг урьдчилан таамаглах, зах зээлийг сегментчлэх, мэдээжийн хэрэг хөрөнгийн багцыг удирдах зэрэг багтаж болно. AI-ийн өргөн уудам мэдээллийн багцыг боловсруулж, шинжлэх боломжууд нь уламжлалт аргуудыг орхигдуулж болзошгүй нарийн хэв маягийг олоход тусалдаг.
Багцын оновчлол нь өгөгдлийн шинжлэх ухааны хөгжил, дэвшилтэт тооцооллын техникийг хэрэгжүүлэх явцад ихээхэн хувьсан өөрчлөгдөж, хэдэн арван жилийн турш нийтлэг практик байсаар ирсэн. Марковицын орчин үеийн багцын онол (1952), Капитал хөрөнгийн үнийн загвар (1964) зэрэг сонгодог аргуудыг 50 гаруй жилийн өмнө нэвтрүүлсэн боловч өнөөг хүртэл хамааралтай хэвээр байна. Гэсэн хэдий ч тэдний шугаман бус эрсдэлийг зохицуулах хязгаарлалт, түүхэн мэдээллээс хамаарал нь өдөр ирэх тусам улам тодорхой болж байна.
Renaissance Technologies, DE Shaw, Two Sigma Investments зэрэг гол тоглогчдын өргөнөөр хэрэгжүүлсэн эрсдэлийн загварчлал, хувилбарын дүн шинжилгээ, тоон арилжаа зэрэг дадлага нь илүү төвөгтэй, дэвшилтэт алгоритмуудыг хэрэгжүүлэхэд хүргэсэн. Нэмж дурдахад, машин сургалт, хиймэл оюун ухаан нь урьдчилан таамаглах аналитикийг илүү нарийвчлалтай болгож, хувь хүний хөрөнгө оруулалтын стратеги болон автоматжуулсан цогц шийдвэр гаргах үйл явцыг мөн адил хийсэн тул сүүлийн жилүүдэд энэ салбар хиймэл оюун ухаанд ихээхэн нөлөөлсөн.
Энэхүү хиймэл оюун ухаанд суурилсан өөрчлөлт нь багцын менежерүүдэд асар их хэмжээний өгөгдлийг бодит цаг хугацаанд боловсруулж, үндсэн гурван асуудлыг шийдвэрлэх боломжийг олгосон:
дагуу
Хиймэл оюун ухаанаар ажилладаг хөрөнгийн удирдлагын шийдлүүдийн хэрэглээ, хөрөнгө оруулалтыг нэмэгдүүлж, багцын оновчлолд хиймэл оюун ухааны практик хэрэглээг онцлон тэмдэглэв.
Хөрөнгийн удирдлагын салбарт хиймэл оюун ухаан нэвтрүүлэх нь шинэ чиг хандлага биш; Энэ нь сүүлийн жилүүдэд өсөлттэй байгаа хэдий ч мэдээллийн технологийн үйлчилгээг ашигладаг эрсдэлээс хамгаалах сан, тоон менежментийн алба, томоохон судалгааны алба, санхүүгийн байгууллагууд гэх мэт цөөн тооны зах зээлийн тоглогчидоор хязгаарлагдаж байна.
AI-ийн хэрэглээний олон талбарууд аль хэдийн бий:
AI нь багцын бүтээн байгуулалтыг оновчтой болгох үйл явцыг ихээхэн сайжруулдаг. Жишээлбэл, Марковицын орчин үеийн багцын онолын гүдгэр оновчлолын үзэл баримтлалд тулгуурласан сонгодог хандлага нь орчин үеийн хиймэл оюун ухаанд суурилсан арга зүйг бий болгох үндэс суурь болж байна. Энэхүү суурь онол нь маш чухал ач холбогдолтой болсон шалтгаан нь AI алгоритмууд нь хөрөнгө оруулалтын стратегийг цаашид өөрчилж, боловсронгуй болгох үндэс суурийг бүрдүүлдэгт оршино.
Өнөө үед хиймэл оюун ухаан нь өгөгдлийн шинэ хэмжигдэхүүнийг судалж, аналитикийн дэвшилтэт аргуудыг нэгтгэснээр энэ онолыг өргөжүүлж байна. Энэхүү өргөтгөсөн мэдээллийн чадавхи нь илүү нарийн, мэдээлэлтэй шийдвэр гаргах боломжийг олгодог бөгөөд энэ нь салбарт өргөн хэрэглэгддэг практик юм.
Хиймэл оюун ухааны тодорхой аргууд нь компанийн үндсэн суурь, макро эдийн засгийн орчин эсвэл зах зээлийн нөхцөл байдлын талаархи их хэмжээний өгөгдлийг ашиглан тоон удирдлагатай төгс нийцдэг. Машины сургалтын алгоритмууд нь янз бүрийн хувьсагчдын хоорондох нарийн шугаман бус харилцааг олох боломжтой бөгөөд мэдээжийн хэрэг шинжээчдийн чадахгүй байгаа чиг хандлагыг илрүүлдэг.
Текстийн шинжилгээ нь суурь шинжилгээнд хиймэл оюун ухааны өөр нэг хэрэглээ юм. Байгалийн хэлний боловсруулалтыг (NLP) ашиглан хиймэл оюун ухаан нь компанийн орлогын тайлан, төв банкны хэвлэлийн мэдээ, санхүүгийн мэдээ зэрэг текстэн эх сурвалжийг боловсруулж, дүн шинжилгээ хийдэг. NLP-ээр дамжуулан хиймэл оюун ухаан нь энэхүү бүтэцгүй өгөгдлөөс эдийн засаг, санхүүгийн чухал мэдээллийг гаргаж авах боломжтой. Ингэснээр хүний тайлбарыг сайжруулж, тусалдаг тоон болон системчилсэн хэмжүүрээр хангадаг.
AI-ийн хүч нь гүйлгээний нарийн төвөгтэй байдал, хурдны хэрэгцээ тэнцвэртэй байдаг арилжаанд маш их хэрэгтэй байдаг. AI нь үйл явцын олон үе шатыг автоматжуулж, санхүүгийн зах зээлд удирддаг гүйлгээний үр ашгийг дээшлүүлэх замаар алгоритмын арилжааг дэмждэг.
AI нь хувийн хөрөнгө оруулалтын зөвлөх үйлчилгээг хямд үнээр өргөнөөр санал болгох боломжийг нээж өгсөн. Эдгээр системүүд нь зах зээлийн бодит цагийн өгөгдлийг боловсруулахын тулд нарийн төвөгтэй алгоритмуудыг ашигладаг бөгөөд тэдний буцах зорилго, эрсдэлийн профайл дээр үндэслэн үйлчлүүлэгч бүрийн хэрэгцээнд хамгийн тохиромжтой стратегийг боловсруулдаг.
Эрсдэлийн менежментийн хувьд хиймэл оюун ухаан нь янз бүрийн "боломжтой, гэхдээ хүсээгүй" хувилбаруудыг загварчлах замаар тусалдаг бөгөөд энэ нь эргээд зөвхөн магадлал бүхий үр дагаварт анхаарлаа төвлөрүүлдэг уламжлалт практикийг сайжруулдаг.
Сонгодог машин сургалтын аргууд нь багцын менежментэд маш их алдартай хэвээр байгаа бөгөөд эдгээр нь: Энгийн хамгийн бага квадратууд, нурууны регресс, Лассо регресс зэрэг шугаман загварууд юм. Эдгээрийг ихэвчлэн Дундаж-зөрчлийн оновчлолын процедур болон ганц үнэ цэнийн задаргаа (SVD) болон үндсэн бүрэлдэхүүн хэсгүүдийн шинжилгээ (PCA) зэрэг матрицын задралын аргуудтай хослуулдаг бөгөөд эдгээр нь хөрөнгийн харилцааг ойлгох, багцын хуваарилалтыг оновчтой болгоход үндэс суурь болдог.
Эдгээр сонгодог аргууд болон илүү орчин үеийн аргуудын дунд байрладаг нь Support Vector Machines (SVMs) юм. Хэдийгээр SVM-ийг практикт ашигладаг боловч тэдгээр нь тийм ч түгээмэл биш боловч хувьцааны гүйцэтгэлийг урьдчилан таамаглахад чиглэсэн ангиллын ажилд чухал үүрэг гүйцэтгэдэг.
Эдгээр ажлууд нь ихэвчлэн хувьцааны үнэ ханшийн хэлбэлзэл, арилжааны хэмжээ зэрэг санхүүгийн түүхэн өгөгдлийг ашиглан хөрөнгийг ангилж, гүйцэтгэлийг нь урьдчилан таамаглах, ашиг эсвэл алдагдал хүлээх эсэхийг урьдчилан таамаглах зэрэг багтдаг.
Илүү орчин үеийн аргуудын талаар ярих юм бол мэдрэлийн сүлжээнүүд нь багцын менежментийн машин сургалтын томоохон дэвшлийг харуулж, уламжлалт загвараар барихад хэцүү нарийн төвөгтэй шугаман бус хэв маягийг загварчлах сайжруулсан чадварыг санал болгодог. Мэдрэлийн сүлжээнээс гадна хяналттай болон хяналтгүй суралцах зэрэг бусад сонгодог аргууд нь мэдээллийн шинжилгээг улам сайжруулж, сайжруулж, зах зээлийн нарийн дохиог олж илрүүлэх, ашиглах боломжтой болгодог.
Бататгах сургалт, Гүн Q-сургалт зэрэг шинэ арга барилууд нь эдгээр чанаруудыг хурдан шийдвэр гаргах орчинд авчирч, зах зээлийн санал хүсэлтээс суралцах системийн үндсэн дээр санхүүгийн үр дүнг оновчтой болгохын тулд багцуудыг бодит цаг хугацаанд тохируулах боломжтой.
Мэдрэмжийн шинжилгээ гэх мэт байгалийн хэлийг боловсруулах арга нь сонины нийтлэл, сошиал медиа нийтлэл, шинжээчийн тайлан гэх мэт зүйлсээс нийтлэг санал бодлыг сонгох, сонгоход тусалдаг. Нэмж дурдахад, багцын менежерүүд шийдвэр гаргах үйл явцад чухал мэдээлэл болох хөрөнгө оруулагчдын мэдрэмжийг мэдэрч, зах зээлийн хөдөлгөөнийг урьдчилан таамаглахын тулд санхүүгийн мэдээллийн хэрэгсэл, тэр дундаа пүүсүүдийн орлогын тайланг ашигладаг хэл дээр дүн шинжилгээ хийх боломжтой.
Өндөр давтамжийн арилжаанд (HFT) мэргэшсэн пүүсүүд, жишээлбэл, хиймэл оюун ухаанаар ажилладаг тоон арилжааны алгоритмуудыг ашигладаг пүүсүүд зах зээлд хоромхон зуур тохиолддог үр ашиггүй байдлаас мөнгө олдог. Эдгээр пүүсүүд машин сургалтын технологийг ашиглан зах зээлийн холбогдох мэдээллийг маш өндөр хурдтайгаар задлан шинжилж, нэг миллисекунд шиг богино хугацаанд захиалга өгдөг.
Ийм хурдан гүйцэтгэл нь өрсөлдөгчдөөсөө илүү хурдан үнийн зөрүүтэй арга хэмжээ авах замаар арбитражийн боломжоос ашиг хүртэх, ашгийг нэмэгдүүлэх боломжийг олгодог. Renaissance Technologies нь арилжааны тоон арга барилаараа алдартай хэдий ч хурдыг голчлон анхаардаг уламжлалт HFT практикээс янз бүрийн хугацааг хамарсан илүү өргөн стратегийг санах нь чухал юм.
LIME (Local Interpretable Model-agnostic Explanations) нь нарийн төвөгтэй машин сургалтын загваруудын үр дүнг илүү ойлгомжтой болгоход ашигладаг алдартай XAI арга юм. Багцын менежментийн хувьд энэ арга нь хар хайрцагны загварууд хэрхэн таамаглал дэвшүүлж байгааг тайлбарлахад маш үнэ цэнэтэй байж болно. LIME нь оролтын өгөгдлийг ашиглаж, загвар гаралтад үзүүлэх нөлөөллийг шинжилснээр багцын менежерүүд болон өгөгдөл судлаачдад хөрөнгө оруулалтын шийдвэрт бусдаас илүү ямар шинж чанар нөлөөлж байгааг тодорхойлоход тусалдаг.
Энэ үйл явц нь хиймэл оюун ухаанаар дэмжигдсэн шийдвэрийн ил тод байдлыг нэмэгдүүлэхэд тусалж, эдгээр загваруудыг ойлгоход хэр хялбар болохыг шалгах, сайжруулах хүчин чармайлтыг дэмждэг. Гэсэн хэдий ч LIME нь загварын зан үйлийн талаарх бидний ойлголтыг сайжруулж байгаа хэдий ч загваруудын ерөнхий найдвартай байдлыг үнэлэхэд нэмэлт баталгаажуулалтын аргууд орно.
AI технологи нь санхүүгийн салбарын зохицуулалтын тогтолцоог дагаж мөрдөх, хөрөнгө оруулалтын хязгаарлалтыг хянахад чухал үүрэг гүйцэтгэдэг. Эдгээр үйл явцыг автоматжуулснаар AI систем нь санхүүгийн компаниудад хуулийн стандартыг илүү үр дүнтэй, үнэн зөв баримталж, асуудалд орохгүй байхад тусалдаг. Энэхүү технологи нь их хэмжээний гүйлгээ болон олон төрлийн багцын үйл ажиллагааны хэрэгжилтийг хянахад маш үнэ цэнэтэй бөгөөд зохицуулалтын шаардлага эсвэл дотоод удирдамжаас хазайлтыг хурдан (шууд, бодитоор) тодорхойлох боломжтой.
Түүнчлэн, хиймэл оюун ухааныг ашиглах нь хүний алдааны эрсдлийг бууруулдаг бөгөөд энэ нь алдаа нь хууль эрх зүйн болон санхүүгийн үр дагаварт хүргэж болзошгүй өндөр эрсдэлтэй зохицуулалтын орчинд нэн чухал юм.
Автоматжуулсан дахин тэнцвэржүүлэх AI програмууд нь хөрөнгийн оновчтой хуваарилалтыг цаг хугацааны явцад хадгалахад маш чухал юм. Тэд зах зээлийн өөрчлөлт эсвэл хөрөнгө оруулагчийн эрсдэлийн профайлын өөрчлөлтийн хариуд багцуудыг тохируулах боломжтой бөгөөд энэ нь стратегийн хөрөнгө оруулалтын зорилтуудтай нийцэж байгааг баталгаажуулдаг.
Хөрөнгө оруулалтын зориулалтаар тусгайлан боловсруулсан програмуудаас гадна хөрөнгийн удирдлагын бизнест хиймэл оюун ухааныг хөгжүүлэх боломж асар их юм. Гэсэн хэдий ч бид үйл ажиллагааны гинжин хэлхээний янз бүрийн үе шатанд тодорхой ажлуудыг автоматжуулах боломжийг зөнгөөрөө харж байгаа хэдий ч хиймэл оюун ухааны эвдрэлийн хүчийг бүрэн таамаглахад хэцүү хэвээр байна. Учир нь хиймэл оюун ухаан нь нэмэлт дэвшилтүүдийг хөгжүүлснээр хэрэглээний шинэ салбаруудыг бий болгох төлөвтэй байна.
Хиймэл оюун ухааныг ашиглан технологийн дэвшил, бүтээмжийг нэмэгдүүлэх боломжийг олгосон хэдий ч хиймэл оюун ухааны хязгаарлалт, түүний багцын менежментийн зарим асуудалд учирч болох аюулыг бид санаж байх ёстой. Эхний ээлжинд хиймэл оюун ухаан, машин сургалтын арга барил нь сургалтын алгоритмыг тэжээхэд ашигладаг өгөгдөлд тулгуурладаг.
Энэ өгөгдөл нь шинэчлэлт, нарийвчлал, бүрэн бүтэн байдал, төлөөллийн хувьд өндөр чанартай байх шаардлагатай.
Маш их хэмжээний өгөгдөлд тавигдах шаардлагаас гадна тэр бүр олддоггүй ч энэ өгөгдөл нь сайн чанартай байх ёстой. Бусад тохиолдолд урьдчилан таамаглах загвар ашиглан олж авсан үр дүн нь найдвартай эсвэл уян хатан биш юм.
Түүнчлэн, алгоритмууд нь дүн шинжилгээ хийсэн өгөгдлийн багцаас хамааралгүй чиг хандлагыг сонгосноор буруу таамаглал дэвшүүлж, алдаатай дүгнэлт гаргах боломжтой. Энэ нь их хэмжээний шүүрч авах, хэт огцом үсрэх, хамгийн бага осолд хүргэж болзошгүй. Хиймэл оюун ухаантай ижил алгоритмуудыг удирдаж буй олон зах зээлийн операторууд нэгэн зэрэг буруу шийдвэр гаргах эсвэл бодит цагийн нөхцөл байдалд ижил төстэй хариу үйлдэл үзүүлэхээс болж зах зээлийн өрсөлдөөн алдагдаж магадгүй юм. Ийм эрсдэл нь үхэлд хүргэж болзошгүй юм.
Төсвийн ерөнхийлөн захирагчдад хиймэл оюун ухааны боломжит ашиг тусыг үл харгалзан аливаа салбарын нэгэн адил бидний санаж байх ёстой бөгөөд эцэст нь шийдвэрлэх шаардлагатай олон сорилтууд байдаг. Гол бэрхшээлүүдийн нэг нь AI загваруудын ил тод байдал, тайлбарын асуудал дутмаг байгаа нь менежерүүдэд хиймэл оюун ухаантай хамтран ажилласны үр дүнг тайлбарлахад хүндрэл учруулж болзошгүй юм. Энэхүү хэрэглээний нарийн төвөгтэй байдал нь Европын санд хиймэл оюун ухааныг нэвтрүүлэх нь харьцангуй бага байгаа шалтгаануудын нэг байж болох юм. 2022 оны есдүгээр сарын байдлаар
Европын санхүүгийн зах зээлийн газар (ESMA)
Одоогийн байдлаар хиймэл оюун ухаан нь хөрөнгийн удирдлагын салбарын жинхэнэ хүмүүсийг орлуулахаас хол байгаа бололтой. Үүнийг хэлэхэд ил тод байдал, итгэлцлийн харилцаа, үйлчлүүлэгчид болон менежментийн мэргэжилтнүүдийн хоорондын холбоо нь урьд өмнөхөөсөө илүү чухал шинж чанарууд хэвээр байна.
Гэсэн хэдий ч хиймэл оюун ухаан нь нэмүү өртгийн сүлжээнд ашиглагдах шинэ, сэтгэл хөдөлгөм хэрэгслүүдийг авчирдаг бөгөөд эдгээр хэрэгслүүдийн боломж нь өнөөгийн салбарын харагдах байдлыг үнэхээр өөрчилж чадна гэдгийг бид үгүйсгэж чадахгүй.