د AI زیاتوالی په ښکاره ډول په مختلفو صنعتونو اغیزه کړې، او د مالي صنعت د هغو څخه دی چې تر ټولو ډیر اغیزمن شوي . د مثال په توګه، تیر کال د GPT-3.5 په څیر د ماډلونو عامه پیل د AI کارولو سره علاقه زیاته کړې ترڅو په تحلیلونو، د خطر مدیریت، او پریکړه کولو کې د فنډ مدیرانو وړتیاوو لوړولو کې مرسته وکړي.
پدې توګه ، د AI وسیلې پلي کیږي ترڅو د بازار ارزونې خورا دقیقې کړي او خطرونه په مؤثره توګه اداره کړي. د پورټ فولیو مدیرانو څخه تمه کیږي چې د بازار حرکتونو روښانه ارزونه وکړي، د مناسبې پانګې اچونې انتخابونه محدود کړي، او خطرونه اداره کړي کله چې دوی د ماشین زده کړې الګوریتمونه، د طبیعي ژبې پروسس، او د مصنوعي استخباراتو وسیلې د دوی په سوداګرۍ کې پلي کوي.
د ماشین زده کړې الګوریتمونو ادغام ، په بیله بیا د کلیدي لوبغاړو سوداګرۍ ستراتیژیو کې د طبیعي ژبې پروسس کولو وسیلې ، له دوی سره مرسته کوي چې د دې پروسو موثریت زیات کړي او د ګړندي او ډیر دقیق پانګوونې پریکړو او وړاندوینې تحلیلونو سره سیالي ګټه ترلاسه کړي.
په تیرو لسیزو کې، AI د مالي صنعت په بیلابیلو سکتورونو کې پلي شوي. په شاته دفتر کې، د ML الګوریتمونه د اجرا کولو لاګونو کې د ګډوډۍ موندلو لپاره کارول کیږي، د شکمنو معاملو کشف کول، او همدارنګه د خطرونو اداره کول، د موثریت او امنیت د زیاتوالي لامل کیږي. په مخکینۍ دفتر کې، AI د پیرودونکو برخې کولو، د پیرودونکو مالتړ پروسې اتومات کولو، او د مشتق قیمتونو غوره کولو کې مرسته کوي.
په هرصورت، د دې ترټولو زړه پورې برخه د مالي پیرود اړخ لپاره د AI وړتیاوې دي - د امکان تر حده د پام وړ ډیټا تحلیل کولو سره د بازار شور په مینځ کې د وړاندوینې نښې پیژندل. د مثال په توګه، دا ډول غوښتنلیکونه ممکن د وخت لړۍ وړاندوینه، د بازارونو قطع کول، او البته، د شتمنیو پورټ فولیو اداره کول شامل وي. د پراخو ډیټاسیټونو پروسس او تحلیل لپاره د AI فرصتونه د فرعي نمونو موندلو کې مرسته کوي چې دودیز میتودونه شاید له لاسه ورکړي.
د پورټ فولیو اصلاح کول د څو لسیزو راهیسې یو عام عمل دی چې د ډیټا ساینس پرمختګ او د پرمختللي کمپیوټري تخنیکونو پلي کولو لاندې د پام وړ وده کوي. کلاسیکي طریقې، لکه د مارکویټز عصري پورټ فولیو تیوري (1952) او د سرمایه پانګې د قیمت کولو ماډل (1964) له 50 څخه ډیر کاله وړاندې معرفي شوي مګر لاهم اړونده پاتې دي. په هرصورت، د غیر خطي خطرونو په اداره کولو کې د دوی محدودیتونه او د تاریخي معلوماتو انحصار ورځ په ورځ ډیریږي.
د خطر ماډلینګ ، سناریو تحلیل ، او مقدار سوداګرۍ په څیر تمرینونه چې د کلیدي لوبغاړو لخوا په پراخه کچه پلي شوي ، لکه د رینیسانس ټیکنالوژۍ ، DE شا ، او دوه سیګما پانګوونې د لا پیچلي او پرمختللي الګوریتم پلي کولو لامل شوي. سربیره پردې ، صنعت په وروستي کلونو کې د AI لخوا خورا ډیر اغیزمن شوی ، ځکه چې د ماشین زده کړې او مصنوعي استخباراتو وړاندوینې تحلیلونه خورا دقیق کړي ، او د شخصي پانګوونې ستراتیژیو او اتومات پیچلي پریکړه کولو پروسو ته یې ورته کړي.
دا د AI لخوا پرمخ وړل شوي بدلون د پورټ فولیو مدیرانو ته وړتیا ورکړې چې په ریښتیني وخت کې د ډیټا پراخه لړۍ پروسس کړي او درې اصلي ننګونې حل کړي:
په وینا د
د AI لخوا پرمخ وړل شوي د شتمنیو مدیریت حلونو کې د منلو او پانګوونې زیاتوالی او د پورټ فولیو اصلاح کولو کې د AI عملي کارول روښانه کول.
د شتمنیو مدیریت صنعت کې د AI منل یو نوی رجحان ندی؛ دې په وروستي کلونو کې وده لیدلې مګر لاهم د بازار لږ شمیر لوبغاړو پورې محدود دی لکه د هیج فنډونو ، کمیتي مدیریت دفترونه ، لوی څیړنې څانګې ، او مالي ادارې چې د IT خدماتو کاروي.
د AI لپاره د غوښتنلیک ډیری ساحې لا دمخه شتون لري:
AI د پام وړ د پورټ فولیو جوړولو اصلاح کولو پروسه ښه کوي. د مثال په توګه، د مارکویټز د عصري پورټ فولیو تیورۍ کلاسیک طریقه، چې د محدط اصلاح کولو مفکورو باندې تکیه کوي، د معاصر AI لخوا پرمخ وړل شوي میتودونو لپاره د مخکیني په توګه کار کوي. دلیل چې دا بنسټیز تیوري خورا مهم دی دا دی چې دا هغه اساس جوړوي چې له هغې څخه د AI الګوریتم کولی شي د پانګوونې ستراتیژۍ نور هم بدل او اصلاح کړي.
نن ورځ، AI د ډیټا نوي ابعادو سپړلو او د پرمختللي تحلیلي تخنیکونو یوځای کولو سره دې تیوري ته پراختیا ورکوي. د دې پراخ شوي ډیټا وړتیا د ډیر دقیق او باخبره پریکړې کولو لپاره اجازه ورکوي - یو تمرین چې په صنعت کې په پراخه کچه کارول شوی.
د AI ځینې تخنیکونه د کمیتي مدیریت سره په بشپړ ډول مطابقت لري، د شرکت اساساتو، لوی اقتصادي چاپیریال، یا د بازار شرایطو په اړه د ډیرو معلوماتو په کارولو سره. د ماشین زده کړې الګوریتمونه کولی شي د مختلف متغیرونو ترمینځ پیچلي غیر خطي اړیکې ومومي او البته ، هغه رجحانات کشف کړي چې شنونکي یې نشي کولی.
متني تحلیل په بنسټیز تحلیل کې د AI بل غوښتنلیک دی. د طبیعي ژبې پروسس کولو (NLP) په کارولو سره ، AI متني سرچینې پروسس کوي او تحلیل کوي لکه د کارپوریټ عاید راپورونه ، د مرکزي بانک مطبوعاتي اعلامیې ، او مالي خبرونه. د NLP له لارې، AI کولی شي له دې غیر منظم شوي معلوماتو څخه اقتصادي او مالي مهم معلومات راوباسي. په دې کولو سره، دا یو کمیتي او سیستماتیک اندازه وړاندې کوي چې د انسان تفسیر ته وده ورکوي او مرسته کوي.
د AI واکونه په سوداګرۍ کې خورا ګټور دي، چیرې چې د معاملو پیچلتیا او د سرعت اړتیا په توازن کې وي. AI د پروسې ډیری مرحلو اتومات کولو سره د الګوریتمیک سوداګرۍ ملاتړ کوي ، په مالي بازارونو کې اداره شوي لیږدونو موثریت ته وده ورکوي.
AI په ټیټ لګښت کې د شخصي پانګوونې مشورتي خدماتو پراخه وړاندیز لپاره فرصت خلاص کړی. دا سیسټمونه د ریښتیني وخت بازار ډیټا پروسس کولو لپاره پیچلي الګوریتمونه کاروي ، د دوی د راستنیدونکي اهدافو او خطر پروفایلونو پراساس د انفرادي پیرودونکو اړتیاو لپاره خورا مناسب ستراتیژیو سره راځي.
د خطر مدیریت کې، AI د مختلف 'احتمالي مګر ناغوښتل شوي' سناریوګانو ماډل کولو سره مرسته کوي، کوم چې په پایله کې، دودیز عملونو ته وده ورکوي چې یوازې په احتمالي پایلو تمرکز کوي.
د کلاسیک ماشین زده کړې میتودونه لاهم د پورټ فولیو مدیریت کې خورا مشهور دي ، او دوی دا دي: خطي ماډلونه ، پشمول د عادي ټیټ چوکیو ، ریج ریګریشن ، او لاسو ریګریشن. دا په مکرر ډول د مین - تغیر اصلاح کولو پروسې او د میټرکس تخریب تخنیکونو سره یوځای کیږي لکه د واحد ارزښت تخریب (SVD) او اصلي اجزا تحلیل (PCA) ، کوم چې د شتمنیو اړیکو پوهیدو او د پورټ فولیو تخصیص اصلاح کولو کې بنسټیز دي.
د دې کلاسیک میتودونو او نورو عصري میتودونو تر مینځ موقعیت لري د ملاتړ ویکتور ماشینونه (SVMs). که څه هم SVMs په عمل کې کارول کیږي، دوی په عام ډول ځای پرځای شوي ندي مګر د پام وړ رول لوبوي، په ځانګړې توګه، د ډلبندۍ کارونو کې چې موخه یې د سټاک فعالیت اټکل کول دي.
پدې دندو کې معمولا دا وړاندوینه کول شامل دي چې ایا سټاک به ګټه یا زیان تجربه کړي ، د تاریخي مالي معلوماتو په کارولو سره د سټاک قیمت کې بدلونونه او د سوداګرۍ حجم په شمول د شتمنیو په کټګوریو کې اچول او د دوی د فعالیت وړاندوینه.
د نورو عصري میتودونو په اړه خبرې کول، عصبي شبکې د پورټ فولیو مدیریت لپاره د ماشین زده کړې کې لوی پرمختګونه ښیې او د پیچلو غیر خطي نمونو ماډل کولو لپاره غوره وړتیاوې وړاندې کوي چې د دودیزو ماډلونو سره نیول ستونزمن دي. د عصبي شبکو سربیره، نورې کلاسیکې لارې لکه څارل شوي او غیر څارل شوي زده کړې د ډیټا تحلیل نور هم ښه کوي او پاکوي، د فرعي مارکیټ سیګنالونو کشف او استخراج ممکنه کوي.
نوې کړنلارې، لکه د پیاوړتیا زده کړه او ژور Q-Learning دا ځانګړتیاوې د ګړندۍ پریکړې کولو چاپیریال ته راوړي، چیرې چې پورټ فولیو په ریښتیني وخت کې تنظیم کیدی شي ترڅو د بازار فیډبیک څخه د سیسټم زده کړې پراساس مالي پایلې غوره کړي.
د طبیعي ژبې پروسس کولو تخنیکونه لکه د احساساتو تحلیل کولی شي د شیانو څخه د عام نظرونو غوره کولو او غوره کولو کې مرسته وکړي لکه د ورځپاڼو مقالو، ټولنیزو رسنیو پوسټونو، او شنونکي راپورونو. برسیره پردې، د پورټ فولیو مدیران کولی شي په مالي رسنیو کې کارول شوې ژبه هم تحلیل کړي، په شمول د شرکتونو عاید راپورونه، د پانګوالو احساساتو احساس کولو او د بازار حرکتونو وړاندوینه کوي، چې دا ټول د پریکړې کولو پروسې کې مهم معلومات دي.
هغه شرکتونه چې د لوړې فریکونسۍ سوداګرۍ (HFT) کې تخصص لري ، لکه هغه څوک چې د AI ځواک لرونکي کمیتي سوداګرۍ الګوریتم ګماري ، په بې کفایتۍ پیسې ګټي چې په بازار کې یوازې د یوې شیبې لپاره پیښیږي. دا شرکتونه د ماشین زده کړې ټیکنالوژي کاروي ترڅو د بازار اړوند معلومات په خورا لوړ سرعت تحلیل کړي او د دقیق وخت سره د ملی ثانوي لنډ وخت لپاره امرونه ورکړي.
دا ډول ګړندي اجرا کول دوی ته اجازه ورکوي چې د مینځګړیتوب فرصتونو څخه ګټه پورته کړي او د سیالانو په پرتله ګړندي د نرخ توپیرونو په اړه اقدام کولو سره ګټه اعظمي کړي. پداسې حال کې چې د رینیسانس ټیکنالوژي د هغې د کمیتي سوداګرۍ تګلارې لپاره پیژندل کیږي، دا مهمه ده چې د هغې پراخې ستراتیژۍ په پام کې ونیسئ چې د دودیزو HFT تمریناتو څخه مختلف د ساتلو دورې پکې شاملې دي، کوم چې په سرعت باندې تمرکز کوي.
LIME (د ځایی تشریح وړ ماډل - اګنوسټیک توضیحات) د XAI یو مشهور میتود دی چې د پیچلي ماشین زده کړې ماډلونو پایلو ته د پوهیدو وړ کولو لپاره کارول کیږي. د پورټ فولیو مدیریت کې، دا طریقه د دې تشریح کولو لپاره خورا ارزښتناکه کیدی شي چې د تور بکس ماډل څنګه وړاندوینې کوي. د ان پټ ډیټا په کارولو او د ماډل محصولاتو اغیزې تحلیل کولو سره ، LIME د پورټ فولیو مدیرانو او ډیټا ساینس پوهانو سره مرسته کوي چې کوم ځانګړتیاوې د نورو په پرتله د پانګوونې پریکړو اغیزه کوي.
دا پروسه د AI لخوا وده شوي پریکړو شفافیت ته وده ورکولو کې مرسته کوي او د دې ماډلونو پوهیدل څومره اسانه کیدی شي تصدیق او وده کولو هڅو ملاتړ کوي. په هرصورت، پداسې حال کې چې LIME د ماډل چلند په اړه زموږ پوهه ښه کوي، د ماډلونو ټولیز اعتبار ارزونه د تایید کولو اضافي تخنیکونه شامل دي.
د AI ټیکنالوژي د تنظیمي چوکاټونو اطاعت او په مالي صنعت کې د پانګوونې محدودیتونو نظارت کولو کې لوی رول لوبوي. د دې پروسو په اتومات کولو سره، د AI سیسټمونه د مالي شرکتونو سره مرسته کوي چې قانوني معیارونو ته په ډیر اغیزمنه توګه، ډیر دقیق، او په ستونزو کې نه راځي. دا ټیکنالوژي د لوی مقدار لیږدونو او متنوع پورټ فولیو فعالیتونو کې د اطاعت نظارت کولو کې خورا ارزښت لري ، چیرې چې دا کولی شي په چټکۍ سره (په حقیقت کې) د تنظیمي اړتیاو یا داخلي لارښوونو څخه انحرافات وپیژني.
سربیره پردې ، د AI کارول د انساني خطا خطر کموي ، کوم چې د لوړې کچې تنظیم کونکي چاپیریال کې خورا مهم دی چیرې چې غلطۍ د قانوني او مالي پایلو لامل کیدی شي.
په اتوماتیک بیا توازن کې د AI غوښتنلیکونه د وخت په تیریدو سره د مثالي شتمنیو تخصیص ساتلو لپاره خورا مهم دي. دوی کولی شي د بازار بدلونونو یا د پانګوالو د خطر پروفایل کې بدلونونو په ځواب کې پورټ فولیو تنظیم کړي ، کوم چې د ستراتیژیکو پانګوونې اهدافو سره سمون تضمینوي.
د غوښتنلیکونو سربیره چې په ځانګړي ډول د پانګوونې لپاره ډیزاین شوي ، د شتمنیو مدیریت سوداګرۍ کې د مصنوعي استخباراتو پراختیا احتمال خورا پراخه ښکاري. په هرصورت، د دې حقیقت سره سره چې موږ د عملیاتي سلسلې په مختلفو مرحلو کې د ځانګړو دندو د اتومات کولو احتمال په طبیعي ډول ګورو، دا لاهم ستونزمنه ده چې د مصنوعي استخباراتو د ویجاړونکي ځواک بشپړ اټکل وشي. دا ځکه چې AI تمه کیږي چې د غوښتنلیک نوي سکتورونو ته وده ورکړي ځکه چې اضافي پرمختګونه رامینځته کیږي.
موږ باید د مصنوعي استخباراتو محدودیتونه او همدارنګه هغه خطرونه په پام کې ونیسو چې دا د پورټ فولیو مدیریت ځینې اړخونو لپاره رامینځته کوي ، سره له دې چې دا د مصنوعي استخباراتو په کارولو سره د تخنیکي پرمختګونو او تولیداتو لاسته راوړنې امکان لري. په لومړي ځای کې، د مصنوعي استخباراتو او د ماشین زده کړې طریقې په ډیټا تکیه کوي چې د زده کړې الګوریتمونو تغذیه کولو لپاره کارول کیږي.
دا اړینه ده چې دا معلومات د تازه کولو، دقت، بشپړتیا، او نمایندګۍ له مخې لوړ کیفیت ولري.
د ډیټا خورا لوی مقدار لپاره اړتیا سربیره ، کوم چې تل شتون نلري ، دا هغه قضیه ده چې دا ډاټا باید د ښه کیفیت وي. په بل هر حالت کې، هغه موندنې چې د وړاندوینې ماډلونو په کارولو سره ترلاسه شوي د باور وړ یا انعطاف وړ ندي.
سربیره پردې، الګوریتمونه کولی شي د تحلیل شوي ډیټاسیټ څخه غیر مناسب رجحانات په غوره کولو سره غلط انګیرنې هم رامینځته کړي ، کوم چې ممکن د غلطو پایلو لامل شي. دا کیدای شي د ناخالص پیمانه غصب، کودونو چې ډیر تیز وي، او ترټولو کوچنۍ ممکنه حادثې پایله ولري. د بازار سیالۍ له لاسه ورکول ممکن د دې حقیقت له امله پیښ شي چې د بازار ډیری چلونکي د ورته AI الګوریتم اداره کولی شي په ورته وخت کې غلط پریکړه وکړي یا د ریښتیني وخت حالت ته ورته عکس العمل وکړي. دا ډول خطر کیدای شي وژونکي شي.
د پورټ فولیو مدیریت کې د AI احتمالي ګټو سره سره ، لکه څنګه چې په هره برخه کې ، ډیری ننګونې شتون لري چې موږ یې باید په ذهن کې وساتو او په پای کې - پته. یو له اصلي ستونزو څخه د AI ماډلونو د روڼتیا او تشریح مسلو احتمالي نشتوالی دی ، کوم چې کولی شي د مدیرانو لپاره دا ننګونه وکړي چې د AI سره د دوی د همکارۍ پایلې تشریح کړي. د دې کارونې پیچلتیا ممکن یو له هغه دلیلونو څخه وي چې ولې په اروپایی فنډونو کې د AI منل نسبتا ټیټ دي. د ۲۰۲۲ کال د سپتمبر تر میاشتې پورې،
د اروپا د مالي بازارونو اداره (ESMA)
پدې مرحله کې ، داسې ښکاري چې مصنوعي استخبارات لاهم د شتمنیو مدیریت صنعت کې د ریښتیني خلکو ځای په ځای کولو څخه اوږده لاره ده. دا ویل کیږي، روڼتیا، د باور اړیکه، او د پیرودونکو او مدیریت متخصصینو ترمنځ اړیکه اوس هم د هر وخت څخه ډیر مهم ځانګړتیاوې دي.
بیا هم، موږ نشو کولی دا رد کړو چې مصنوعي استخبارات د دې سره نوي او په زړه پوري وسیلې راوړي چې د ارزښت سلسله کې کارول کیدی شي، او د دې وسیلو احتمال کولی شي واقعیا هغه لاره بدله کړي چې صنعت نن ورځ ښکاري.