![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Kebangkitan AI jelas telah memberi kesan kepada pelbagai industri, dan industri kewangan adalah antara yang paling terkesan . Sebagai contoh, pelancaran awam model seperti GPT-3.5 tahun lepas telah meningkatkan minat untuk menggunakan AI untuk membantu meningkatkan kebolehan pengurus dana dalam analisis, pengurusan risiko dan membuat keputusan.
Oleh itu, alat AI dilaksanakan untuk menjadikan penilaian pasaran lebih tepat dan mengurus risiko dengan lebih berkesan. Pengurus portfolio dijangka membuat penilaian yang lebih jelas tentang pergerakan pasaran, mengecilkan pilihan pelaburan yang sesuai dan mengurus risiko apabila mereka menggunakan algoritma pembelajaran mesin, pemprosesan bahasa semula jadi dan alat kecerdasan buatan dalam dagangan mereka.
Penyepaduan algoritma pembelajaran mesin, serta alat pemprosesan bahasa semula jadi ke dalam strategi dagangan pemain utama, membantu mereka meningkatkan kecekapan proses ini dan memperoleh kelebihan daya saing dengan keputusan pelaburan dan analisis ramalan yang lebih pantas dan tepat.
Dalam dekad yang lalu, AI telah dilaksanakan dalam pelbagai sektor industri kewangan. Di pejabat belakang, algoritma ML digunakan untuk mencari anomali dalam log pelaksanaan, mengesan transaksi yang mencurigakan, serta mengurus risiko, yang membawa kepada peningkatan kecekapan dan keselamatan. Di pejabat hadapan, AI membantu membahagikan pelanggan, mengautomasikan proses sokongan pelanggan dan mengoptimumkan harga derivatif.
Walau bagaimanapun, bahagian yang paling menarik ialah keupayaan AI untuk bahagian belian kewangan - mengenal pasti isyarat ramalan di tengah-tengah kebisingan pasaran dengan menganalisis sejumlah besar data secepat mungkin. Sebagai contoh, aplikasi sedemikian mungkin termasuk peramalan siri masa, pembahagian pasaran dan sudah tentu, pengurusan portfolio aset. Peluang AI untuk memproses dan menganalisis set data yang luas membantu mencari corak halus yang mungkin akan terlepas daripada kaedah tradisional.
Pengoptimuman portfolio telah menjadi amalan biasa selama beberapa dekad, berkembang dengan ketara di bawah pembangunan sains data dan pelaksanaan teknik pengiraan lanjutan. Pendekatan klasik, seperti Teori Portfolio Moden Markowitz (1952) dan Model Harga Aset Modal (1964) telah diperkenalkan lebih daripada 50 tahun lalu tetapi masih kekal relevan. Walau bagaimanapun, batasan mereka dalam mengendalikan risiko tidak linear dan pergantungan pada data sejarah semakin jelas dari hari ke hari.
Amalan seperti pemodelan risiko, analisis senario dan perdagangan kuantiti, yang dilaksanakan secara meluas oleh pemain utama, seperti Renaissance Technologies, DE Shaw, dan Two Sigma Investments telah membawa kepada pelaksanaan algoritma yang lebih kompleks dan maju. Di samping itu, industri ini telah banyak dipengaruhi oleh AI dalam beberapa tahun kebelakangan ini, kerana pembelajaran mesin dan kecerdasan buatan telah menjadikan analitik ramalan lebih tepat, dan melakukan perkara yang sama terhadap strategi pelaburan yang diperibadikan dan proses membuat keputusan yang kompleks secara automatik.
Transformasi dipacu AI ini telah membolehkan pengurus portfolio memproses tatasusunan data yang luas dalam masa nyata dan menyelesaikan tiga cabaran utama:
mengikut
Meningkatkan penggunaan dan pelaburan dalam penyelesaian pengurusan aset yang dikuasakan oleh AI dan menyerlahkan penggunaan praktikal AI dalam pengoptimuman portfolio.
Penerimaan AI dalam industri pengurusan aset bukanlah trend baharu; ia telah menyaksikan pertumbuhan dalam beberapa tahun kebelakangan ini tetapi masih terhad kepada sebilangan kecil pemain pasaran iaitu dana lindung nilai, pejabat pengurusan kuantitatif, jabatan penyelidikan besar dan institusi kewangan yang menggunakan perkhidmatan IT.
Terdapat banyak bidang aplikasi untuk AI:
AI meningkatkan dengan ketara proses pengoptimuman pembinaan portfolio. Sebagai contoh, pendekatan klasik Teori Portfolio Moden Markowitz, yang bergantung pada konsep pengoptimuman cembung, berfungsi sebagai pendahulu kepada metodologi dipacu AI kontemporari. Sebab teori asas ini sangat penting ialah ia membentuk asas dari mana algoritma AI boleh terus mengubah dan memperhalusi strategi pelaburan.
Pada masa kini, AI mengembangkan teori ini dengan meneroka dimensi data baharu dan menyepadukan teknik analisis lanjutan. Keupayaan data yang diperluaskan ini membolehkan pembuatan keputusan yang lebih bernuansa dan termaklum - amalan yang telah digunakan secara meluas dalam industri.
Teknik AI tertentu sangat serasi dengan pengurusan kuantitatif, menggunakan volum besar data tentang asas syarikat, persekitaran makroekonomi atau keadaan pasaran. Algoritma pembelajaran mesin boleh mencari hubungan bukan linear yang kompleks antara pembolehubah yang berbeza dan, sudah tentu, mengesan arah aliran yang tidak dapat dilakukan oleh penganalisis.
Analisis teks ialah satu lagi aplikasi AI dalam analisis asas. Menggunakan pemprosesan bahasa semula jadi (NLP), AI memproses dan menganalisis sumber teks seperti laporan pendapatan korporat, siaran akhbar bank pusat dan berita kewangan. Melalui NLP, AI boleh mengekstrak maklumat penting dari segi ekonomi dan kewangan daripada data tidak berstruktur ini. Dengan berbuat demikian, ia menyediakan ukuran kuantitatif dan sistematik yang menambah baik dan membantu tafsiran manusia.
Kuasa AI sangat berguna dalam perdagangan, di mana kerumitan transaksi dan keperluan untuk kelajuan berada pada keseimbangan. AI menyokong perdagangan algoritma dengan mengautomasikan banyak peringkat proses, meningkatkan kecekapan transaksi yang diuruskan dalam pasaran kewangan.
AI telah membuka peluang untuk menawarkan perkhidmatan nasihat pelaburan yang diperibadikan yang lebih luas pada kos yang lebih rendah. Sistem ini menggunakan algoritma yang kompleks untuk memproses data pasaran masa nyata, menghasilkan strategi yang paling sesuai untuk keperluan pelanggan individu berdasarkan objektif pulangan dan profil risiko mereka.
Dalam pengurusan risiko, AI membantu dengan memodelkan pelbagai senario 'kemungkinan tetapi tidak diingini', yang seterusnya, meningkatkan amalan tradisional yang hanya memfokuskan pada kebanyakan hasil yang berkemungkinan.
Kaedah Pembelajaran Mesin Klasik masih sangat popular dalam Pengurusan Portfolio, dan ia adalah: Model Linear, termasuk Kuasa Dua Terkecil Biasa, Regresi Ridge dan Regresi Lasso. Ini sering digabungkan dengan prosedur Pengoptimuman Min-Varian dan teknik penguraian matriks seperti Penguraian Nilai Tunggal (SVD) dan Analisis Komponen Utama (PCA), yang merupakan asas dalam memahami hubungan aset dan mengoptimumkan peruntukan portfolio.
Terletak di antara pendekatan klasik ini dan kaedah yang lebih moden ialah Mesin Vektor Sokongan (SVM). Walaupun SVM digunakan dalam amalan, ia tidak digunakan seperti biasa tetapi memainkan peranan penting, terutamanya, dalam tugas klasifikasi yang bertujuan untuk meramal prestasi saham.
Tugasan ini biasanya termasuk meramalkan sama ada saham akan mengalami untung atau rugi, menggunakan data kewangan sejarah termasuk turun naik harga saham dan volum dagangan untuk meletakkan aset ke dalam kategori dan meramalkan prestasinya.
Bercakap tentang kaedah yang lebih moden, rangkaian saraf menunjukkan kemajuan besar dalam pembelajaran mesin untuk pengurusan portfolio dan menawarkan keupayaan yang lebih baik untuk memodelkan corak bukan linear kompleks yang sukar ditangkap dengan model tradisional. Selain rangkaian saraf, pendekatan klasik lain seperti pembelajaran diselia dan tanpa pengawasan menambah baik dan memperhalusi analisis data, menjadikan penemuan dan eksploitasi isyarat pasaran halus mungkin.
Pendekatan yang lebih baharu, seperti Pembelajaran Pengukuhan dan Pembelajaran Q Mendalam membawa kualiti ini ke dalam persekitaran membuat keputusan pantas, di mana portfolio boleh diselaraskan dalam masa nyata untuk mengoptimumkan hasil kewangan berdasarkan pembelajaran sistem daripada maklum balas pasaran.
Teknik Pemprosesan Bahasa Semulajadi seperti analisis sentimen boleh membantu memilih dan memilih pendapat biasa daripada perkara seperti artikel akhbar, siaran media sosial dan laporan penganalisis. Selain itu, pengurus portfolio juga boleh menganalisis bahasa yang digunakan dalam media kewangan, termasuk laporan pendapatan firma, untuk merasakan sentimen pelabur dan meramalkan pergerakan pasaran, yang kesemuanya merupakan maklumat penting dalam proses membuat keputusan.
Firma yang pakar dalam perdagangan frekuensi tinggi (HFT), seperti yang menggunakan algoritma dagangan kuantitatif dikuasakan AI, memperoleh wang daripada ketidakcekapan yang berlaku seketika dalam pasaran. Firma-firma ini menggunakan teknologi pembelajaran mesin untuk menganalisis maklumat pasaran yang berkaitan pada kelajuan yang sangat tinggi dan membuat pesanan dengan masa yang tepat untuk sesingkat milisaat.
Pelaksanaan pantas sedemikian membolehkan mereka mendapat manfaat daripada peluang arbitraj dan memaksimumkan keuntungan dengan mengambil tindakan ke atas percanggahan harga lebih cepat daripada pesaing. Walaupun Renaissance Technologies terkenal dengan pendekatan perdagangan kuantitatifnya, adalah penting untuk mengingati strateginya yang lebih luas yang merangkumi pelbagai tempoh pegangan daripada amalan HFT tradisional, yang tertumpu terutamanya pada kelajuan.
LIME (Penjelasan Model-agnostik Boleh Ditafsir Tempatan) ialah kaedah XAI yang menonjol yang digunakan untuk menjadikan output model pembelajaran mesin yang kompleks lebih mudah difahami. Dalam pengurusan portfolio, kaedah ini boleh menjadi sangat berharga untuk mentafsir cara model kotak hitam membuat ramalan. Dengan menggunakan data input dan menganalisis kesan pada output model, LIME membantu pengurus portfolio dan saintis data menentukan ciri yang mempengaruhi keputusan pelaburan lebih daripada yang lain.
Proses ini membantu mempertingkatkan ketelusan keputusan yang dipertingkatkan AI dan menyokong usaha untuk mengesahkan dan menambah baik betapa mudahnya untuk memahami model ini. Walau bagaimanapun, sementara LIME meningkatkan pemahaman kita tentang tingkah laku model, menilai kebolehpercayaan keseluruhan model melibatkan teknik pengesahan tambahan.
Teknologi AI memainkan peranan utama dalam memastikan pematuhan dengan rangka kerja kawal selia dan memantau sekatan pelaburan dalam industri kewangan. Dengan mengautomasikan proses ini, sistem AI membantu firma kewangan mematuhi piawaian undang-undang dengan lebih cekap, lebih tepat dan tidak menghadapi masalah. Teknologi ini sangat berharga dalam memantau pematuhan merentas jumlah urus niaga yang besar dan aktiviti portfolio yang pelbagai, di mana ia boleh dengan cepat (segera, sebenarnya) mengenal pasti penyelewengan daripada keperluan kawal selia atau garis panduan dalaman.
Selain itu, penggunaan AI meminimumkan risiko kesilapan manusia, yang penting dalam persekitaran kawal selia yang berisiko tinggi di mana kesilapan boleh membawa kepada akibat undang-undang dan kewangan.
Aplikasi AI dalam pengimbangan semula automatik adalah penting untuk mengekalkan peruntukan aset yang ideal dari semasa ke semasa. Mereka boleh melaraskan portfolio sebagai tindak balas kepada perubahan pasaran atau anjakan dalam profil risiko pelabur, yang memastikan penjajaran dengan matlamat pelaburan strategik.
Selain aplikasi yang direka khusus untuk pelaburan, potensi untuk pembangunan kecerdasan buatan dalam perniagaan pengurusan aset nampaknya luas. Walau bagaimanapun, walaupun pada hakikatnya kita secara naluriah melihat kemungkinan mengautomasikan pekerjaan tertentu pada pelbagai peringkat rantaian operasi, masih sukar untuk menjangka sepenuhnya kuasa gangguan kecerdasan buatan. Ini kerana AI dijangka akan menimbulkan sektor aplikasi baharu apabila kemajuan tambahan dibangunkan.
Kita mesti mengambil kira batasan kecerdasan buatan serta bahaya yang ditimbulkannya untuk beberapa aspek pengurusan portfolio, walaupun pada hakikatnya ia telah membolehkan kemajuan teknologi dan peningkatan produktiviti menggunakan kecerdasan buatan. Pertama sekali, pendekatan kecerdasan buatan dan pembelajaran mesin bergantung pada data yang digunakan untuk membekalkan algoritma pembelajaran.
Data ini mestilah berkualiti tinggi dari segi kemas kini, ketepatan, kesempurnaan dan keterwakilan.
Sebagai tambahan kepada keperluan untuk volum data yang sangat besar, yang tidak selalu tersedia, data ini mestilah berkualiti. Dalam mana-mana kes lain, penemuan yang diperoleh menggunakan model ramalan tidak boleh dipercayai atau berdaya tahan.
Selain itu, algoritma juga boleh membuat andaian palsu dengan memilih arah aliran yang tidak relevan daripada set data yang dianalisis, yang boleh membawa kepada kesimpulan yang salah. Ini boleh mengakibatkan rebutan berskala kasar, lompatan yang terlalu tajam dan ranap sekecil mungkin. Kehilangan persaingan pasaran mungkin berlaku disebabkan fakta bahawa banyak pengendali pasaran yang menguruskan algoritma AI yang sama boleh melakukan keputusan yang salah secara serentak atau bertindak balas dengan cara yang serupa kepada keadaan masa nyata. Risiko sedemikian boleh membawa maut.
Walaupun potensi manfaat AI dalam pengurusan portfolio, seperti dalam mana-mana bidang, terdapat banyak cabaran yang perlu kita ingat dan akhirnya - tangani. Salah satu kesukaran utama ialah kemungkinan kekurangan ketelusan dan isu tafsiran model AI, yang boleh menjadikan ia mencabar bagi pengurus untuk menerangkan hasil kerjasama mereka dengan AI. Kerumitan penggunaan ini mungkin salah satu sebab mengapa penggunaan AI dalam dana Eropah agak rendah. Sehingga September 2022,
Pihak Berkuasa Pasaran Kewangan Eropah (ESMA)
Pada ketika ini, nampaknya kecerdasan buatan masih jauh untuk menggantikan orang sebenar sepenuhnya dalam industri pengurusan aset. Sebenarnya, ketelusan, hubungan kepercayaan dan hubungan antara pelanggan dan pakar pengurusan terus menjadi ciri penting, kini lebih daripada sebelumnya.
Namun, kita tidak boleh menafikan bahawa kecerdasan buatan membawa bersamanya alat baharu dan menarik yang boleh digunakan dalam rantaian nilai, dan potensi alatan ini benar-benar boleh mengubah penampilan industri hari ini.