Go molaleng gore go hlatloga ga AI go kgomile diintaseteri tše di fapa-fapanego, gomme intaseteri ya tša ditšhelete e   . Ka mohlala, go tsebagatšwa ga phatlalatša ga dika tša go swana le GPT-3.5 ngwagola go okeditše kgahlego ya go šomiša AI go thuša go oketša bokgoni bja balaodi ba matlole tshekatshekong, taolo ya kotsi, le go tšea diphetho. gare ga tšeo di kgomilwego kudu  Ka go realo, didirišwa tša AI di phethagatšwa go dira gore dikelo tša mmaraka di nepagetše kudu le go laola dikotsi ka mo go atlegilego kudu. Balaodi ba dipotfolio ba letetšwe go dira kelo ye e kwagalago ya metsamao ya mmaraka, go fokotša dikgetho tša maleba tša dipeeletšo, le go laola dikotsi ge ba diriša dialgoritmo tša go ithuta ka motšhene, tshepedišo ya polelo ya tlhago, le didirišwa tša bohlale bja maitirelo kgwebong ya bona.  Kopanyo ya dialgoritmo tša go ithuta ka motšhene, gammogo le didirišwa tša go šoma ka polelo ya tlhago ka gare ga maano a kgwebo a dibapadi tše bohlokwa, e ba thuša go oketša bokgoni bja ditshepedišo tše le go hwetša mohola wa phadišano ka diphetho tša dipeeletšo tše di akgofilego le tše di nepagetšego le ditshekatsheko tša go bolela e sa le pele.  Mo mengwagengsomeng ya go feta, AI e phethagaditšwe ka mafapheng a go fapana a intasteri ya ditšhelete. Ka ofising ya ka morago, dialgoritmo tša ML di šomišwa go hwetša diphapano ka gare ga dilog tša phethagatšo, go utolla ditirišano tše di belaetšago, gammogo le go laola dikotsi, tšeo di lebišago go oketšegeng ga bokgoni le tšhireletšo. Ka ofising ya ka pele, AI e thuša go arola bareki, go itiriša ditshepedišo tša thekgo ya bareki, le go dira gore theko ya ditšweletšwa tše di tšwago go tšona e šome gabotse.  Le ge go le bjalo, karolo ye e kgahlišago kudu ya yona ke bokgoni bja AI bja lehlakore la go reka la ditšhelete - go šupa matshwao a go bolela e sa le pele gare ga lešata la mmaraka ka go sekaseka palo ye bohlokwa ya datha ka lebelo ka mo go kgonegago. Ka mohlala, dikgopelo tše bjalo di ka akaretša go bolelela pele lelokelelo la nako, go arola mebaraka, gomme go ba gona, go laola dipotfolio tša matlotlo. Menyetla ya AI ya go šoma le go sekaseka di-dataset tše dikgolo e thuša go hwetša dipaterone tše di sa lemogegego tšeo mohlomongwe mekgwa ya setšo e tlago go di foša.  Go dira gore dipotfolio di šome gabotse e bile mokgwa wo o tlwaelegilego ka mengwagasome ye mmalwa, wo o tšwelelago kudu ka fase ga tlhabollo ya saense ya datha le go tsenywa tirišong ga dithekniki tša khomphutha tša maemo a godimo. Mekgwa ya Сlassical, go swana le Markowitz’s Modern Portfolio Theory (1952) le Capital Asset Pricing Model (1964) e tsebagaditšwe mengwageng ya go feta ye 50 ye e fetilego eupša e sa dutše e le ya maleba. Le ge go le bjalo, mellwane ya bona ya go swara kotsi yeo e sego ya mothalo le go ithekga ka datha ya histori e thoma go bonagala kudu letšatši le letšatši.  Mekgwa ya go swana le go dira mohlala wa kotsi, tshekatsheko ya maemo, le kgwebo ya quant, yeo e phethagaditšwego kudu ke dibapadi tše bohlokwa, go swana le Renaissance Technologies, DE Shaw, le Two Sigma Investments e lebišitše go phethagatšo ya dialgoritmo tše di raraganego kudu le tše di tšwetšego pele. Go tlaleletša, intasteri e amilwe kudu ke AI mo mengwageng ya morago bjale, ka ge go ithuta ka motšhene le bohlale bja maitirelo di dirile gore ditshekatsheko tša go bolela e sa le pele di nepagetše kudu, gomme di dirile se se swanago go maano a dipeeletšo ao a hlamilwego ka bowena le ditshepedišo tše di raraganego tša go tšea diphetho ka go itiriša.  Phetogo ye yeo e laolwago ke AI e kgontšhitše balaodi ba dipotfolio go šoma dihlopha tše kgolo tša datha ka nako ya nnete le go rarolla ditlhohlo tše tharo tše kgolo:    Go laola le go sekaseka ya data ya tekanyo ye kgolo go tšwa go dithoto tše ntši le mebaraka ya lefase ka bophara bjale go bonolo kudu go e dira. Scalability:    AI e ka “gopola” mabaka a mantši, go akaretša le ditshekatsheko tša monagano le tša boitshwaro, ditshepedišong tša go dira diphetho. Go Dira Diphetho mo go Raraganego:    Ditshepedišo tša AI di ka ithuta ka go se eme gomme tša tlwaela maemo a mafsa a mmaraka, tša thuša balaodi go beakanya maano ka pela.  Go tlwaelana le maemo:  Go ya ka  , AI ka mmarakeng wa Taolo ya Matlotlo e be e lekanyeditšwe go USD 2.5 pilione gomme go letetšwe gore e tla gola ka CAGR ya 24% mo mengwageng ye 10 ye e tlago. Se se kgahlišago ke gore Portfolio Optimization e etelela pele ka go arolwa ga mmaraka wa Lefase ka Bophara ka tirišo, gomme ya latelwa ke Tshekatsheko ya Datha, yeo e ikarabelago ka  .   Ditemogo tša Mmaraka wa Lefase ka Bophara   25% ya karolo ya mmaraka  Go oketša go amogelwa le peeletšo ka ditharollong tša taolo ya matlotlo tšeo di matlafatšwago ke AI le go tšweletša tšhomišo ye e šomago ya AI ka go dira gore potefolio e šome gabotse.    Go Amogelwa ga AI ka go Taolo ya Potefolio:  Go amogelwa ga AI ka gare ga intasteri ya taolo ya matlotlo ga se mokgwa wo mofsa; e bone kgolo mo mengwageng ya morago bjale eupša e sa lekanyeditšwe go palo ye nnyane ya dibapadi tša mmaraka e lego ditšhelete tša go šireletša, diofisi tša taolo ya boleng, mafapha a magolo a nyakišišo, le dihlongwa tša ditšhelete tšeo di šomišago ditirelo tša IT.   Go na le mafelo a mantši a tirišo ya AI e šetše e le:   Optimization ya Potefolio  AI haholo betters tshebetso ya potefolio kaho optimization. Ka mohlala, mokgwa wa segologolo wa Teori ya Potefolio ya Sebjalebjale ya Markowitz, yeo e ithekgilego ka dikgopolo tša go dira gore dilo di šome gabotse tše di kgopamego, o šoma bjalo ka selelekela sa mekgwa ya sebjalebjale yeo e laolwago ke AI. Lebaka leo ka lona teori ye ya motheo e lego bohlokwa kudu ke gore e bopa motheo wo go tšwa go wona dialgoritmo tša AI di ka fetošago le go hlwekišwa ga maano a dipeeletšo go ya pele.  Matšatšing a lehono, AI e katološa teori ye ka go hlahloba dikarolo tše mpsha tša datha le go kopanya dithekniki tša tshekatsheko ya maemo a godimo. Bokgoni bjo bja datha bjo bo katološitšwego bo dumelela go tšea diphetho tše di nago le mahlakore a mannyane le tše di nago le tsebo - mokgwa wo o šomišitšwego kudu ka intastering.   Tshekatsheko ya Motheo  Dithekniki tše itšego tša AI di dumelelana ka mo go phethagetšego le taolo ya boleng, di diriša dibolumo tše dikgolo tša data mabapi le dilo tša motheo tša khamphani, tikologo ya tša boiphedišo e kgolo goba maemo a mmaraka. Dialgoritmo tša go ithuta ka motšhene di ka hwetša dikamano tše di raraganego tšeo e sego tša mothalo magareng ga diphetogo tše di fapanego gomme, go ba gona, di utolla ditshekamelo tšeo basekaseki ba sa kgonego go di kgona.   Tshekatsheko ya Sengwalwa  Tshekatsheko ya sengwalwa ke tirišo ye nngwe ya AI tshekatshekong ya motheo. Ka go šomiša tshepedišo ya polelo ya tlhago (NLP), AI e šoma le go sekaseka methopo ya mongwalo go swana le dipego tša meputso ya dikhamphani, ditokollo tša kgatišo tša panka ya bogareng, le ditaba tša ditšhelete. Ka NLP, AI e ka ntšha tshedimošo ye bohlokwa ya ekonomi le ya ditšhelete go tšwa go datha ye yeo e sa rulaganywago. Ka go dira bjalo, e fa tekanyo ya boleng le ya thulaganyo yeo e kaonafatšago le go thuša ditlhathollo tša batho.   Ditiro tša Kgwebo  Matla a AI a na le mohola kudu kgwebong, moo go raragana ga ditirišano le go nyakega ga lebelo di leka-lekanego. AI e thekga kgwebo ya algorithmic ka go itiriša dikgato tše ntši tša tshepedišo, go kaonafatša bokgoni bja ditirišano tšeo di laolwago mebarakeng ya ditšhelete.   Ditirelo tša Keletšo ya Dipeeletšo  AI e butše sebaka sa kabo ye e nabilego ya ditirelo tša keletšo ya dipeeletšo tše di hlamilwego ka bowena ka theko ya fase. Ditshepedišo tše di šomiša dialgoritmo tše di raraganego go šoma datha ya mmaraka ya nako ya nnete, di tla ka maano a maleba kudu a dinyakwa tša bareki ka o tee ka o tee go ya ka maikemišetšo a bona a go boela morago le diprofaele tša kotsi.   Taolo ya Kotsi  Ka taolo ya kotsi, AI e thuša ka go dira mohlala wa maemo a go fapafapana a ‘go kgonega eupša a sa rategego’, ao ka go le lengwe, a godišago mekgwa ya setšo yeo e lebeletšego fela dipoelo tšeo di ka bago gona kudu.   Dithekniki le Didirišwa tša Bohlale bja Maitirelo (AI) ka go Taolo ya Potefolio   Di-Algorithm tša go Ithuta ka Motšhene:  Mekgwa ya Thuto ya Motšhene ya Segologolo e sa tumile kudu ka go Taolo ya Potefolio, gomme ke: Mehlala ya Mothaladi, go akaretšwa Disekwere tše Nnyane tše di Tlwaelegilego, Khuduego ya Ridge, le Khuduego ya Lasso. Tše gantši di kopanywa le tshepedišo ya Mean-Variance Optimization le dithekniki tša go bola ga matrix tša go swana le Singular Value Decomposition (SVD) le Principal Component Analysis (PCA), tšeo e lego motheo go kwešišeng dikamano tša matlotlo le go kaonafatša dikabo tša dipotfolio.  E lego magareng ga mekgwa ye ya sebjalebjale le mekgwa ya sebjalebjale kudu ke Mešomo ya Thekgo ya Vector (SVMs). Le ge e le gore di-SVM di šomišwa ka tirišo, ga di šomišwe ka tlwaelo eupša di kgatha tema ye bohlokwa, kudukudu, ka mešomong ya go hlopha yeo e lebišitšwego go bolelela pele tshepedišo ya setoko.  Mešomo ye gantši e akaretša go bolela e sa le pele ge e ba setoko se tla itemogela poelo goba tahlegelo, go šomiša datha ya histori ya ditšhelete go akaretšwa go fetofetoga ga theko ya setoko le dibolumo tša kgwebišano go bea dithoto ka magoro le go bolelela pele tshepedišo ya tšona.  Ge re bolela ka mekgwa ya sebjalebjale kudu, dinetweke tša ditšhika di bontšha tšwelopele ye kgolo ya go ithuta ka motšhene bakeng sa taolo ya potefolio gomme di fa bokgoni bjo bo kaonafetšego bja go dira mohlala wa dipaterone tše di raraganego tšeo e sego tša mothalo tšeo go lego thata go di swara ka dika tša setšo. Ntle le dinetweke tša ditšhika, mekgwa ye mengwe ya kgale ya go swana le go ithuta mo go hlokometšwego le mo go sa hlokomelwego go kaonafatša le go hlwekišwa gape tshekatsheko ya datha, go dira gore go utollwa le go šomišwa ga matshwao a mmaraka ao a sa lemogegego go kgonege.  Mekgwa ye mefsa, go swana le Thuto ya Matlafatšo le Thuto ya Q-ye e Tebilego e tliša dika tše tikologong ya go tšea diphetho ka lebelo, moo dipotfolio di ka beakanywago ka nako ya nnete go kaonafatša dipoelo tša ditšhelete tše di theilwego godimo ga go ithuta ga tshepedišo go tšwa go ditshwaotshwao tša mmaraka.  Tshepetšo ya Polelo ya Tlhago (NLP):  Dithekniki tša Tshepetšo ya Polelo ya Tlhago go swana le tshekatsheko ya maikutlo di ka thuša go kgetha le go kgetha dikgopolo tše di tlwaelegilego go tšwa dilong tša go swana le diathikele tša kuranta, dipolelo tša ditaba tša leago, le dipego tša basekaseki. Go tlaleletša, balaodi ba dipotfolio ba ka sekaseka gape leleme leo le šomišwago ka go boraditaba ba ditšhelete, go akaretšwa dipego tša mogolo wa difeme, go ikwa ka ntle ga maikutlo a babeeletši le go bolela e sa le pele ka metsamao ya mmaraka, tšeo ka moka e lego info ya bohlokwa tshepedišong ya go tšea diphetho.  Maano a Kgwebo ya Boleng:  Difeme tšeo di ikgethilego kgwebong ya maqhubu a magolo (HFT), go swana le tšeo di dirišago di-algorithm tša kgwebo ya boleng tšeo di šomišwago ke AI, di dira tšhelete ka go se šome gabotse mo go diregago ka motsotswana feela mmarakeng. Difeme tše di šomiša theknolotši ya go ithuta ka motšhene go sekaseka tshedimošo ya maleba ya mmaraka ka lebelo le legolo kudu le go dira ditaelo ka nako ye e nepagetšego ka nako ye kopana bjalo ka milisekonde.  Phethagatšo ye bjalo ya ka pela e ba dumelela go holega go tšwa go dibaka tša arbitrage le go godiša dipoelo ka go tšea magato ka go se dumelelane ga ditheko ka lebelo go feta baphadišani. Le ge Renaissance Technologies e tsebja ka mekgwa ya yona ya kgwebišano ya boleng, go bohlokwa go gopola leano la yona le le nabilego leo le akaretšago dinako tše di fapafapanego tša go swara go tšwa go mekgwa ya setšo ya HFT, yeo e lebantšhitšwego kudu go lebelo.  AI yeo e hlaloswago (XAI): .  LIME (Local Interpretable Model-agnostic Explanations) ke mokgwa wo o tšwelelago wa XAI wo o šomišwago go dira gore dipoelo tša dika tša go ithuta ka motšhene tše di raraganego di kwešišege kudu. Ka taolo ya potefolio, mokgwa wo o ka ba bohlokwa kudu bakeng sa go hlatholla ka moo dika tša lepokisi le lentsho di dirago dipolelelopele. Ka go šomiša datha ya tsenyo le go sekaseka khuetšo go ditšweletšwa tša mohlala, LIME e thuša balaodi ba dipotfolio le borasaense ba datha go hlaloša gore ke diponagalo dife tšeo di tutuetšago diphetho tša dipeeletšo go feta tše dingwe.  Tshepetšo ye e thuša go godiša go ba pepeneneng ga diphetho tše di godišitšwego ke AI le go thekga maitapišo a go netefatša le go kaonafatša ka fao go ka bago bonolo go kwešiša dika tše. Le ge go le bjalo, le ge LIME e kaonafatša kwešišo ya rena ya boitshwaro bja mohlala, go sekaseka go botega ka kakaretšo ga dika go akaretša dithekniki tša tlaleletšo tša netefatšo.  AI ka go Kobamelo le Tlhokomelo:  AI tech e kgatha tema ye kgolo go netefatša kobamelo ya ditlhako tša taolo le go hlokomela dithibelo tša dipeeletšo ka gare ga intasteri ya ditšhelete. Ka go itirela ditshepedišo tše, ditshepedišo tša AI di thuša difeme tša tša ditšhelete go kgomarela ditekanyetšo tša molao ka mo go atlegilego kudu, ka mo go nepagetšego kudu le go se tsene mathateng. Theknolotši ye e bohlokwa kudu go hlokomeleng kobamelo go ralala le dibolumo tše kgolo tša ditirišano le mediro ya potefolio ye e fapanego, moo e ka kgonago go šupa ka pela (ka ponyo ya leihlo, ge e le gabotse) go fapoga go tšwa go dinyakwa tša taolo goba ditlhahlo tša ka gare.  Go feta moo, tšhomišo ya AI e fokotša kotsi ya phošo ya batho, yeo e lego bohlokwa kudu tikologong ya taolo yeo e nago le ditšhelete tše dintši moo diphošo di ka lebišago ditlamoragong tša molao le tša ditšhelete.  Go Lekalekanya gape ga Potefolio: .  Ditirišo tša AI ka go tekatekano leswa ka go itiriša di bohlokwa kudu go hlokomela dikabo tša matlotlo tše di loketšego ge nako e dutše e eya. Ba ka beakanya dipotfolio go arabela diphetogo tša mmaraka goba diphetogo ka go profaele ya kotsi ya motsetedi, yeo e netefatšago go sepelelana le dinepo tša peeletšo tša maano.  Ka Pono e Nabilego  Go tlaleletša go dikgopelo tšeo di hlamilwego ka go lebanya bakeng sa dipeeletšo, bokgoni bja tlhabollo ya bohlale bja maitirelo ka gare ga kgwebo ya taolo ya matlotlo bo bonala e le bjo bogolo. Le ge go le bjalo, go sa šetšwe taba ya gore ka tlhago re bona kgonagalo ya go itirela mešomo ye e itšego dikgatong tše di fapanego tša ketane ya tshepedišo, go sa le thata go lebelela pele ka botlalo maatla a tšhitišo a bohlale bja maitirelo. Se ke ka lebaka la gore AI e letetšwe go fa mafapha a maswa a tirišo ge tšwelopele ya tlaleletšo e hlabollwa.  Re swanetše go ela hloko mellwane ya bohlale bja maitirelo gammogo le dikotsi tšeo bo di tlišago go dikarolo tše dingwe tša taolo ya dipotfolio, go sa šetšwe gore e dirile gore go kgonege gore go be le tšwelopele ya theknolotši le dipoelo tša tšweletšo ka go šomiša bohlale bja maitirelo. Sa mathomo, bohlale bja maitirelo le mekgwa ya go ithuta ka motšhene di ithekgile ka datha yeo e šomišwago go fepa dialgoritmo tša go ithuta.  Go a nyakega gore ya data ye e be ya boleng bjo bo phagamego go ya ka diapdeite, go nepagala, go felela, le boemedi.  Go tlaleletša go tlhokego ya bophagamo bjo bogolo kudu bja datha, yeo e sego ka mehla e hwetšagalago, ke taba ya gore datha ye e swanetše go ba ya boleng bjo bobotse. Boemong le ge e le bofe bjo bongwe, dikhwetšo tšeo di hwetšwago ka go šomiša dika tša go bolela e sa le pele ga di botege goba ga di kgotlelele.  Go feta moo, di-algorithm di ka dira gape dikakanyo tša maaka ka go kgetha ditshekamelo tše di sa rego selo go tšwa go dataset yeo e seka-sekwago, yeo e ka lebišago diphethong tše di fošagetšego. Se se ka feleletša ka go swara ka tekanyo e kgolo, go tlola mo go lego bogale kudu le go thulana mo gonyenyane kudu mo go kgonegago. Tahlegelo ya phadišano ya mmaraka e ka direga ka lebaka la gore bao ba šomago ka mmaraka ba bantši bao ba laolago dialgoritmo tše di swanago tša AI ba ka dira phetho ye e fošagetšego ka nako e tee goba ba arabela ka tsela ye e swanago maemong a nako ya nnete. Kotsi e bjalo e ka ba e bolayago.  Go sa šetšwe mehola yeo e ka bago gona ya AI ka go taolo ya dipotfolio, bjalo ka lefapheng lefe goba lefe, go na le ditlhohlo tše ntši tšeo re swanetšego go di gopola gomme mafelelong – re di rarolle. E nngwe ya mathata a magolo ke go hloka go kgonega ga go ba pepeneneng le ditaba tša tlhathollo ya dika tša AI, tšeo di ka dirago gore go be tlhohlo go balaodi go hlaloša dipoelo tša tirišano ya bona le AI. Go raragana mo ga tšhomišo e ka ba le lengwe la mabaka ao ka ona go amogelwa ga AI ka ditšheleteng tša Yuropa go lego fase kudu. Go tloga ka Lewedi 2022, .  e theilwego European Union e ile ya bolela gore e diriša AI ditshepedišong tša bona tša dipeeletšo.   ke ditšhelete tše 65 feela go tše 22 000  Bolaodi bja Mebaraka ya Ditšhelete ya Yuropa (ESMA) .  mabaka ao a ka tsenyago letsogo go tekanyo ya fase ya go amogelwa, go swana le go hloka ditlhako tša taolo tše di kwagalago le mabokgoni a AI gare ga balaodi ba matlole. Le ge go le bjalo, tlhohlo ya go hlaloša dipoelo tša AI ka lebaka la go raragana ga mohlala le yona e ka ba ye nngwe ya mabaka ao a lokafatšago tekanyo ya fase ya go amogelwa. Ke nagana gore re tla hwetša seo ge nako e dutše e eya.   e lemogile  Mo nakong ye, go bonagala bohlale bja maitirelo bo sa le kgole le go tšeela batho ba kgonthe legato ka mo go feletšego intasetering ya taolo ya dithoto. Ge seo se bolelwa, go ba pepeneneng, kamano ya go bota, le kgokagano magareng ga bareki le ditsebi tša taolo di tšwela pele go ba dika tše bohlokwa, bjale go feta le ge e le neng pele.  Le ge go le bjalo, re ka se ganetše gore bohlale bja maitirelo bo tliša didirišwa tše mpsha le tše di kgahlišago tšeo di ka šomišwago ketaneng ya boleng, gomme bokgoni bja didirišwa tše bo ka tloga bo fetoša tsela yeo intasteri e lebelegago ka yona lehono.

Quant

Certain

Lasso

Nowadays

scale

Read My Stories

Modumo wo o tšweleditšwe ka polelo ya mathomo ya kanegelo!

Nako e telele kudu; Go bala

Make resilience your competitive advantage

Taolo ya Potefolio: Ditsela ka Moka tšeo AI e Fetošago Maano a Sebjalebjale a Matlotlo

About Author

DITLHAHLOBO

HANG TAGS YA GO FEGA

ARTICLE YE E HLAHILWE KA

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps