![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Vzostup AI očividne ovplyvnil rôzne odvetvia a finančný priemysel patrí medzi tie, ktoré boli ovplyvnené najviac . Napríklad verejné spustenie modelov ako GPT-3.5 v minulom roku zvýšilo záujem o využívanie AI na pomoc pri zvyšovaní schopností manažérov fondov v oblasti analýzy, riadenia rizík a rozhodovania.
Preto sú implementované nástroje AI na presnejšie hodnotenie trhu a efektívnejšie riadenie rizík. Od správcov portfólia sa očakáva, že budú jasnejšie posudzovať pohyby na trhu, zúžiť výber vhodných investícií a riadiť riziká, keď pri obchodovaní použijú algoritmy strojového učenia, spracovanie prirodzeného jazyka a nástroje umelej inteligencie.
Integrácia algoritmov strojového učenia, ako aj nástrojov na spracovanie prirodzeného jazyka do obchodných stratégií kľúčových hráčov, im pomáha zvýšiť efektivitu týchto procesov a získať konkurenčnú výhodu vďaka rýchlejším a presnejším investičným rozhodnutiam a prediktívnej analýze.
V posledných desaťročiach bola AI implementovaná v rôznych sektoroch finančného priemyslu. V back office sa algoritmy ML používajú na vyhľadávanie anomálií v protokoloch vykonávania, detekciu podozrivých transakcií, ako aj riadenie rizík, čo vedie k zvýšeniu efektívnosti a bezpečnosti. Vo front office pomáha AI segmentovať zákazníkov, automatizovať procesy zákazníckej podpory a optimalizovať ceny derivátov.
Najzaujímavejšou časťou sú však možnosti umelej inteligencie pre nákupnú stranu financií – identifikuje prediktívne signály uprostred trhového hluku tak, že čo najrýchlejšie analyzuje značné množstvo údajov. Takéto aplikácie môžu napríklad zahŕňať predpovedanie časových radov, segmentáciu trhov a samozrejme správu portfólií aktív. Príležitosti AI na spracovanie a analýzu rozsiahlych množín údajov pomáhajú nájsť jemné vzory, ktoré tradičné metódy pravdepodobne vynechajú.
Optimalizácia portfólia je bežnou praxou už niekoľko desaťročí, pričom sa výrazne rozvíja v rámci rozvoja vedy o údajoch a implementácie pokročilých výpočtových techník. Klasické prístupy, ako napríklad Markowitzova teória moderného portfólia (1952) a model oceňovania kapitálových aktív (1964), boli zavedené pred viac ako 50 rokmi, ale stále zostávajú relevantné. Ich obmedzenia pri zvládaní nelineárneho rizika a závislosti od historických údajov sú však zo dňa na deň čoraz zreteľnejšie.
Praktiky, ako je modelovanie rizík, analýza scenárov a kvantové obchodovanie, široko implementované kľúčovými hráčmi, ako sú Renaissance Technologies, DE Shaw a Two Sigma Investments, viedli k implementácii komplexnejších a pokročilejších algoritmov. Okrem toho bolo toto odvetvie v posledných rokoch výrazne ovplyvnené AI, pretože strojové učenie a umelá inteligencia spresnili prediktívnu analytiku a urobili to isté pre personalizované investičné stratégie a automatizované komplexné rozhodovacie procesy.
Táto transformácia riadená umelou inteligenciou umožnila portfóliovým manažérom spracovávať obrovské množstvo údajov v reálnom čase a riešiť tri hlavné výzvy:
Podľa
Zvýšenie prijatia a investícií do riešení správy aktív poháňaných AI a zdôraznenie praktického využitia AI pri optimalizácii portfólia.
Prijatie AI v odvetví správy aktív nie je novým trendom; v posledných rokoch zaznamenala rast, ale stále je obmedzená na malý počet hráčov na trhu, konkrétne hedžové fondy, kancelárie kvantitatívneho manažmentu, veľké výskumné oddelenia a finančné inštitúcie využívajúce služby IT.
Už teraz existuje veľa oblastí použitia AI:
AI výrazne zlepšuje proces optimalizácie konštrukcie portfólia. Napríklad klasický prístup Markowitzovej Modern Portfolio Theory, ktorý sa opiera o koncepty konvexnej optimalizácie, slúži ako predchodca súčasných metodológií riadených AI. Dôvod, prečo je táto základná teória taká kľúčová, je ten, že tvorí základ, z ktorého môžu algoritmy AI ďalej meniť a zdokonaľovať investičné stratégie.
V súčasnosti AI rozširuje túto teóriu skúmaním nových dimenzií údajov a integráciou pokročilých analytických techník. Táto rozšírená dátová kapacita umožňuje precíznejšie a informovanejšie rozhodovanie – postup, ktorý sa v tomto odvetví široko používa.
Niektoré techniky umelej inteligencie sú dokonale kompatibilné s kvantitatívnym riadením, pričom využívajú veľké objemy údajov o fundamentoch spoločnosti, makroekonomickom prostredí alebo trhových podmienkach. Algoritmy strojového učenia dokážu nájsť zložité nelineárne vzťahy medzi rôznymi premennými a, samozrejme, odhaliť trendy, ktoré analytici nedokážu.
Textová analýza je ďalšou aplikáciou AI vo fundamentálnej analýze. Pomocou spracovania prirodzeného jazyka (NLP) AI spracováva a analyzuje textové zdroje, ako sú správy o výnosoch spoločností, tlačové správy centrálnej banky a finančné správy. Prostredníctvom NLP dokáže AI z týchto neštruktúrovaných údajov extrahovať ekonomicky a finančne dôležité informácie. Tým poskytuje kvantitatívne a systematické opatrenie, ktoré zlepšuje a pomáha ľudským interpretáciám.
Schopnosti AI sú mimoriadne užitočné pri obchodovaní, kde sú zložitosť transakcií a potreba rýchlosti v rovnováhe. Umelá inteligencia podporuje algoritmické obchodovanie automatizáciou mnohých fáz procesu, čím sa zlepšuje efektívnosť transakcií spravovaných na finančných trhoch.
AI otvorila príležitosť pre širšiu ponuku personalizovaných investičných poradenských služieb za nižšiu cenu. Tieto systémy využívajú komplexné algoritmy na spracovanie trhových údajov v reálnom čase, pričom prichádzajú s najvhodnejšími stratégiami pre individuálne potreby klientov na základe ich cieľov návratnosti a rizikových profilov.
Pri riadení rizík pomáha AI modelovaním rôznych „pravdepodobných, ale nežiaducich“ scenárov, ktoré zase zlepšujú tradičné postupy, ktoré sa zameriavajú iba na väčšinou pravdepodobné výsledky.
Klasické metódy strojového učenia sú stále veľmi populárne v správe portfólia a sú to: lineárne modely, vrátane obyčajných najmenších štvorcov, hrebeňová regresia a lasová regresia. Tieto sa často kombinujú s postupom optimalizácie priemernej odchýlky a technikami rozkladu matice, ako je singulárna hodnota rozkladu (SVD) a analýza hlavných komponentov (PCA), ktoré sú základom pre pochopenie vzťahov medzi aktívami a optimalizáciu alokácie portfólia.
Medzi týmito klasickými prístupmi a modernejšími metódami sú podporné vektorové stroje (SVM). Hoci sa SVM v praxi používajú, nie sú tak bežne nasadzované, ale zohrávajú významnú úlohu najmä pri klasifikačných úlohách zameraných na predpovedanie výkonnosti zásob.
Tieto úlohy zvyčajne zahŕňajú predpovedanie, či akcie zaznamenajú zisk alebo stratu, pomocou historických finančných údajov vrátane kolísania cien akcií a objemov obchodovania na zaradenie aktív do kategórií a predpovedanie ich výkonnosti.
Keď už hovoríme o modernejších metódach, neurónové siete vykazujú významný pokrok v strojovom učení na správu portfólia a ponúkajú vylepšené možnosti modelovania zložitých nelineárnych vzorov, ktoré je ťažké zachytiť tradičnými modelmi. Okrem neurónových sietí aj iné klasické prístupy, ako napríklad učenie pod dohľadom a bez dozoru, ďalej zlepšujú a zdokonaľujú analýzu údajov, čím umožňujú objavovanie a využívanie jemných trhových signálov.
Novšie prístupy, ako je posilňovanie a hĺbkové učenie, prinášajú tieto kvality do prostredia rýchleho rozhodovania, kde možno portfóliá upravovať v reálnom čase, aby sa optimalizovali finančné výsledky na základe systémového učenia sa zo spätnej väzby trhu.
Techniky spracovania prirodzeného jazyka, ako je analýza sentimentu, môžu pomôcť pri výbere a výbere bežných názorov z vecí, ako sú novinové články, príspevky na sociálnych sieťach a správy analytikov. Okrem toho môžu manažéri portfólia tiež analyzovať jazyk používaný vo finančných médiách, vrátane správ o výnosoch firiem, aby vycítili sentiment investorov a predpovedali pohyby na trhu, čo sú všetky kľúčové informácie v rozhodovacom procese.
Firmy, ktoré sa špecializujú na vysokofrekvenčné obchodovanie (HFT), ako napríklad tie, ktoré využívajú kvantitatívne obchodné algoritmy poháňané AI, zarábajú na neefektívnosti, ktorá sa na trhu vyskytne len na chvíľu. Tieto firmy používajú technológie strojového učenia na analýzu relevantných trhových informácií pri extrémne vysokých rýchlostiach a zadávajú objednávky s presným načasovaním len na milisekúndu.
Takáto rýchla realizácia im umožňuje ťažiť z arbitrážnych príležitostí a maximalizovať zisky tým, že pri cenových nezrovnalostiach konajú rýchlejšie ako konkurenti. Zatiaľ čo spoločnosť Renaissance Technologies je známa svojimi kvantitatívnymi obchodnými prístupmi, je dôležité mať na pamäti jej širšiu stratégiu zahŕňajúcu rôzne obdobia držby z tradičných postupov HFT, ktoré sú zamerané najmä na rýchlosť.
LIME (Local Interpretable Model-Agnostic Explanations) je významná metóda XAI používaná na to, aby boli výstupy zložitých modelov strojového učenia zrozumiteľnejšie. Pri správe portfólia môže byť táto metóda veľmi cenná na interpretáciu toho, ako modely čiernej skrinky robia predpovede. Použitím vstupných údajov a analýzou vplyvu na výstupy modelu pomáha LIME portfóliovým manažérom a vedcom údajov definovať, ktoré funkcie ovplyvňujú investičné rozhodnutia viac ako iné.
Tento proces pomáha zvýšiť transparentnosť rozhodnutí podporovaných AI a podporuje úsilie o overenie a zlepšenie toho, aké jednoduché môžu byť tieto modely pochopiteľné. Zatiaľ čo LIME zlepšuje naše chápanie správania modelov, hodnotenie celkovej spoľahlivosti modelov zahŕňa ďalšie validačné techniky.
Technika AI zohráva významnú úlohu pri zabezpečovaní súladu s regulačnými rámcami a monitorovaní investičných obmedzení vo finančnom odvetví. Automatizáciou týchto procesov systémy AI pomáhajú finančným firmám dodržiavať právne normy efektívnejšie, presnejšie a nedostať sa do problémov. Táto technológia je veľmi cenná pri monitorovaní zhody vo veľkých objemoch transakcií a rôznorodých portfóliových aktivitách, kde dokáže rýchlo (v skutočnosti okamžite) identifikovať odchýlky od regulačných požiadaviek alebo interných smerníc.
Okrem toho používanie AI minimalizuje riziko ľudskej chyby, ktorá je rozhodujúca vo vysoko postavených regulačných prostrediach, kde chyby môžu viesť k právnym a finančným dôsledkom.
Aplikácie AI v automatizovanom vyvažovaní sú kľúčové pre udržanie ideálnej alokácie aktív v priebehu času. Môžu upravovať portfóliá v reakcii na zmeny trhu alebo posuny v rizikovom profile investora, čo zabezpečuje súlad so strategickými investičnými cieľmi.
Okrem aplikácií, ktoré sú špeciálne navrhnuté na investície, sa zdá, že potenciál pre rozvoj umelej inteligencie v rámci podnikania v oblasti správy aktív je rozsiahly. Avšak aj napriek tomu, že inštinktívne vidíme možnosť automatizácie konkrétnych úloh v rôznych fázach operačného reťazca, je stále ťažké plne predvídať rušivú silu umelej inteligencie. Je to preto, že sa očakáva, že umelá inteligencia povedie k vzniku nových sektorov použitia, keďže sa budú vyvíjať ďalšie pokroky.
Musíme mať na pamäti obmedzenia umelej inteligencie, ako aj riziká, ktoré predstavuje pre niektoré aspekty správy portfólia, napriek tomu, že umožnila technologický pokrok a zvýšenie produktivity pomocou umelej inteligencie. V prvom rade sa prístupy umelej inteligencie a strojového učenia spoliehajú na údaje, ktoré sa používajú na napájanie učebných algoritmov.
Je potrebné, aby tieto údaje mali vysokú kvalitu z hľadiska aktualizácie, presnosti, úplnosti a reprezentatívnosti.
Okrem požiadavky na veľmi veľký objem dát, ktorý nie je vždy dostupný, platí, že tieto dáta musia byť kvalitné. V každom inom prípade zistenia získané pomocou prediktívnych modelov nie sú spoľahlivé ani odolné.
Algoritmy môžu navyše vytvárať nesprávne predpoklady vyberaním irelevantných trendov z analyzovaného súboru údajov, čo môže viesť k chybným záverom. To môže mať za následok hrubé uchopenie, príliš ostré skoky a najmenšie možné pády. Strata hospodárskej súťaže na trhu môže nastať v dôsledku skutočnosti, že mnohí trhoví operátori spravujúci rovnaké algoritmy AI by mohli urobiť nesprávne rozhodnutie súčasne alebo reagovať podobným spôsobom na okolnosť v reálnom čase. Takéto riziko sa môže stať osudným.
Napriek potenciálnym výhodám AI pri správe portfólia, ako v každej inej oblasti, existuje množstvo výziev, ktoré musíme mať na pamäti a nakoniec – riešiť. Jedným z hlavných problémov je možný nedostatok transparentnosti a problémov s interpretáciou modelov AI, v dôsledku čoho môže byť pre manažérov náročné vysvetliť výsledky ich spolupráce s AI. Táto zložitosť využívania môže byť jedným z dôvodov, prečo je prijatie AI v európskych fondoch relatívne nízke. Od septembra 2022
Európsky orgán pre finančné trhy (ESMA)
V tomto momente sa zdá, že umelá inteligencia má stále ďaleko k tomu, aby úplne nahradila skutočných ľudí v odvetví správy aktív. Ako už bolo povedané, transparentnosť, vzťah dôvery a kontakt medzi klientmi a odborníkmi na manažment sú aj naďalej kľúčovými charakteristikami, teraz viac ako kedykoľvek predtým.
Napriek tomu nemôžeme poprieť, že umelá inteligencia so sebou prináša nové a vzrušujúce nástroje, ktoré možno použiť v hodnotovom reťazci, a potenciál týchto nástrojov by mohol skutočne zmeniť spôsob, akým toto odvetvie dnes vyzerá.