![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Kuongezeka kwa AI kwa hakika kumeathiri tasnia mbalimbali, na tasnia ya fedha ni kati ya zile ambazo zimeathiriwa zaidi . Kwa mfano, uzinduzi wa umma wa miundo kama vile GPT-3.5 mwaka jana umeongeza nia ya kutumia AI ili kusaidia kuongeza uwezo wa wasimamizi wa hazina katika uchanganuzi, udhibiti wa hatari na kufanya maamuzi.
Kwa hivyo, zana za AI zinatekelezwa ili kufanya tathmini za soko kuwa sahihi zaidi na kudhibiti hatari kwa ufanisi zaidi. Wasimamizi wa kwingineko wanatarajiwa kufanya tathmini iliyo wazi zaidi kuhusu mienendo ya soko, kupunguza chaguo sahihi za uwekezaji, na kudhibiti hatari wanapotumia kanuni za kujifunza kwa mashine, kuchakata lugha asilia na zana za kijasusi bandia katika biashara zao.
Ujumuishaji wa kanuni za ujifunzaji wa mashine, pamoja na zana za kuchakata lugha asilia katika mikakati ya kibiashara ya wahusika wakuu, huwasaidia kuongeza ufanisi wa michakato hii na kupata faida ya ushindani kwa kufanya maamuzi ya haraka na sahihi zaidi ya uwekezaji na uchanganuzi wa kutabiri.
Katika miongo iliyopita, AI imetekelezwa katika sekta tofauti za tasnia ya fedha. Katika ofisi ya nyuma, algorithms ya ML hutumiwa kupata hitilafu katika kumbukumbu za utekelezaji, kuchunguza shughuli za kutiliwa shaka, na pia kudhibiti hatari, na kusababisha kuongezeka kwa ufanisi na usalama. Katika ofisi ya mbele, AI inasaidia kugawa wateja, kubadilisha michakato ya usaidizi kwa wateja kiotomatiki, na kuongeza bei ya bidhaa.
Hata hivyo, sehemu yake ya kuvutia zaidi ni uwezo wa AI kwa upande wa ununuzi wa fedha - kutambua ishara za ubashiri kati ya kelele za soko kwa kuchanganua kiasi kikubwa cha data haraka iwezekanavyo. Kwa mfano, programu kama hizi zinaweza kujumuisha utabiri wa mfululizo wa saa, masoko ya sehemu, na bila shaka, kudhibiti jalada la mali. Fursa za AI za kuchakata na kuchambua hifadhidata kubwa husaidia kupata mifumo fiche ambayo mbinu za kitamaduni pengine zitakosa.
Uboreshaji wa kwingineko umekuwa jambo la kawaida kwa miongo kadhaa, ikibadilika sana chini ya ukuzaji wa sayansi ya data na utekelezaji wa mbinu za hali ya juu za kukokotoa. Mbinu za Сlassical, kama vile Nadharia ya Kisasa ya Kwingineko ya Markowitz (1952) na Muundo wa Bei ya Mali ya Mtaji (1964) zilianzishwa zaidi ya miaka 50 iliyopita lakini bado zinabaki kuwa muhimu. Walakini, mapungufu yao katika kushughulikia hatari isiyo ya mstari na utegemezi wa data ya kihistoria inazidi kuwa dhahiri zaidi siku hadi siku.
Mazoezi kama vile uundaji wa vielelezo vya hatari, uchanganuzi wa matukio, na biashara ya wingi, inayotekelezwa kwa upana na wahusika wakuu, kama vile Teknolojia ya Renaissance, DE Shaw, na Uwekezaji Mbili wa Sigma yamesababisha utekelezaji wa algoriti changamano na ya hali ya juu zaidi. Kwa kuongezea, tasnia imeathiriwa sana na AI katika miaka ya hivi karibuni, kwani kujifunza kwa mashine na akili ya bandia kumefanya uchanganuzi wa ubashiri kuwa sahihi zaidi, na kufanya vivyo hivyo kwa mikakati ya uwekezaji iliyobinafsishwa na michakato changamano ya kiotomatiki ya kufanya maamuzi.
Mabadiliko haya yanayoendeshwa na AI yamewawezesha wasimamizi wa kwingineko kuchakata safu nyingi za data katika muda halisi na kutatua changamoto kuu tatu:
Kulingana na
Kuongezeka kwa kupitishwa na uwekezaji katika suluhu za usimamizi wa mali zinazoendeshwa na AI na kuangazia matumizi ya vitendo ya AI katika uboreshaji wa kwingineko.
Kupitishwa kwa AI ndani ya tasnia ya usimamizi wa mali sio mwelekeo mpya; imeona ukuaji katika miaka ya hivi karibuni lakini bado ni mdogo kwa idadi ndogo ya wachezaji wa soko yaani hedge funds, ofisi za usimamizi wa kiasi, idara kubwa za utafiti, na taasisi za fedha zinazotumia huduma za IT.
Kuna nyanja nyingi za maombi ya AI tayari:
AI inaboresha sana mchakato wa uboreshaji wa ujenzi wa kwingineko. Kwa mfano, mbinu ya kitamaduni ya Nadharia ya Kisasa ya Kwingineko ya Markowitz, ambayo inategemea dhana ya uboreshaji mbonyeo, hutumika kama kitangulizi cha mbinu za kisasa zinazoendeshwa na AI. Sababu ya nadharia hii ya msingi kuwa muhimu sana ni kwamba inaunda msingi ambao kanuni za AI zinaweza kubadilisha zaidi na kuboresha mikakati ya uwekezaji.
Siku hizi, AI inapanua nadharia hii kwa kuchunguza vipimo vipya vya data na kuunganisha mbinu za hali ya juu za uchanganuzi. Uwezo huu wa data uliopanuliwa unaruhusu kufanya maamuzi ya kina na yenye ufahamu zaidi - mazoezi ambayo yametumika sana katika tasnia.
Mbinu fulani za AI zinaendana kikamilifu na usimamizi wa kiasi, kwa kutumia kiasi kikubwa cha data kuhusu misingi ya kampuni, mazingira ya uchumi mkuu, au hali ya soko. Kanuni za ujifunzaji wa mashine zinaweza kupata mahusiano changamano yasiyo ya mstari kati ya vigeu tofauti na, bila shaka, kugundua mienendo ambayo wachambuzi hawawezi.
Uchambuzi wa maandishi ni matumizi mengine ya AI katika uchanganuzi wa kimsingi. Kwa kutumia uchakataji wa lugha asilia (NLP), AI huchakata na kuchanganua vyanzo vya maandishi kama vile ripoti za mapato ya kampuni, taarifa za benki kuu kwa vyombo vya habari na habari za fedha. Kupitia NLP, AI inaweza kupata taarifa muhimu za kiuchumi na kifedha kutoka kwa data hii ambayo haijaundwa. Kwa kufanya hivyo, hutoa kipimo cha kiasi na cha utaratibu ambacho kinaboresha na kusaidia tafsiri za kibinadamu.
Uwezo wa AI ni muhimu sana katika biashara, ambapo utata wa shughuli na hitaji la kasi ziko kwenye usawa. AI inasaidia biashara ya algoriti kwa kugeuza hatua nyingi za mchakato kiotomatiki, kuboresha ufanisi wa miamala inayodhibitiwa katika masoko ya fedha.
AI imefungua fursa ya utoaji mpana wa huduma za ushauri wa uwekezaji wa kibinafsi kwa gharama ya chini. Mifumo hii hutumia algoriti changamano kuchakata data ya soko ya wakati halisi, inayokuja na mikakati inayofaa zaidi kwa mahitaji ya mteja mmoja mmoja kulingana na malengo yao ya kurudi na wasifu wa hatari.
Katika udhibiti wa hatari, AI husaidia kwa kuiga hali mbalimbali 'zinazowezekana lakini zisizohitajika', ambazo kwa upande wake, huongeza mazoea ya kitamaduni ambayo huzingatia tu matokeo yanayowezekana.
Mbinu za Kujifunza za Mashine za Kawaida bado ni maarufu sana katika Usimamizi wa Portfolio, nazo ni: Miundo ya Mistari, ikijumuisha Viwanja Vidogo vya Kawaida, Regression ya Ridge, na Regression ya Lasso. Hizi huunganishwa mara kwa mara na utaratibu wa Uboreshaji wa Wastani wa Uboreshaji na mbinu za mtengano wa matrix kama vile Mtengano wa Thamani Moja (SVD) na Uchanganuzi wa Kipengele Kikuu (PCA), ambazo ni za msingi katika kuelewa uhusiano wa mali na kuboresha ugawaji wa kwingineko.
Iliyopatikana kati ya mbinu hizi za kitamaduni na njia za kisasa zaidi ni Mashine za Vekta za Msaada (SVMs). Ingawa SVM hutumiwa katika mazoezi, hazitumiwi kama kawaida lakini zina jukumu muhimu, haswa, katika kazi za uainishaji zinazolenga kutabiri utendakazi wa hisa.
Majukumu haya kwa kawaida ni pamoja na kutabiri kama hisa itapata faida au hasara, kwa kutumia data ya kihistoria ya kifedha ikijumuisha mabadiliko ya bei ya hisa na kiasi cha biashara ili kuweka mali katika kategoria na kutabiri utendakazi wao.
Ikizungumza kuhusu mbinu za kisasa zaidi, mitandao ya neva huonyesha maendeleo makubwa katika ujifunzaji wa mashine kwa usimamizi wa kwingineko na kutoa uwezo ulioboreshwa wa kuiga muundo changamano usio na mstari ambao ni vigumu kunasa kwa miundo ya kitamaduni. Kando na mitandao ya neva, mbinu zingine za kitamaduni kama vile ujifunzaji unaosimamiwa na bila kusimamiwa huboresha zaidi na kuboresha uchanganuzi wa data, na kufanya ugunduzi na utumiaji wa mawimbi fiche ya soko iwezekanavyo.
Mbinu mpya zaidi, kama vile Kuimarisha Mafunzo na Mafunzo ya kina ya Q-Kujifunza huleta sifa hizi katika mazingira ya haraka ya kufanya maamuzi, ambapo portfolios zinaweza kubadilishwa kwa wakati halisi ili kuboresha matokeo ya kifedha kulingana na mfumo wa kujifunza kutoka kwa maoni ya soko.
Mbinu za Kuchakata Lugha Asilia kama vile uchanganuzi wa hisia zinaweza kusaidia kuchagua na kuchagua maoni ya kawaida kutoka kwa mambo kama vile makala za magazeti, machapisho ya mitandao ya kijamii na ripoti za wachambuzi. Zaidi ya hayo, wasimamizi wa kwingineko wanaweza pia kuchanganua lugha inayotumiwa katika vyombo vya habari vya fedha, ikiwa ni pamoja na ripoti za mapato ya makampuni, ili kuhisi hisia za wawekezaji na kutabiri harakati za soko, ambayo yote ni maelezo muhimu katika mchakato wa kufanya maamuzi.
Makampuni ambayo yana utaalam wa biashara ya masafa ya juu (HFT), kama yale yanayotumia kanuni za biashara ya kiasi inayoendeshwa na AI, hupata pesa kwa uzembe unaotokea kwa muda mfupi sokoni. Kampuni hizi hutumia teknolojia ya kujifunza kwa mashine ili kuchanganua taarifa muhimu za soko kwa kasi ya juu sana na kutoa maagizo kwa usahihi wa muda kwa muda mfupi kama millisecond.
Utekelezaji wa haraka kama huo huwaruhusu kufaidika na fursa za usuluhishi na kuongeza faida kwa kuchukua hatua juu ya tofauti za bei haraka kuliko washindani. Ingawa Renaissance Technologies inajulikana kwa mbinu zake za biashara ya kiasi, ni muhimu kukumbuka mkakati wake mpana unaojumuisha vipindi mbalimbali vya kushikilia kutoka kwa mazoea ya jadi ya HFT, ambayo yanalenga zaidi kasi.
LIME (Maelezo ya Kielelezo-Maelezo ya Ndani Yanayoweza Kutafsirika) ni mbinu maarufu ya XAI inayotumiwa kufanya matokeo ya miundo changamano ya kujifunza mashine kueleweka zaidi. Katika usimamizi wa kwingineko, njia hii inaweza kuwa muhimu sana kwa kutafsiri jinsi mifano ya kisanduku cheusi hufanya ubashiri. Kwa kutumia data ya ingizo na kuchanganua athari kwenye matokeo ya miundo, LIME husaidia wasimamizi wa jalada na wanasayansi wa data kufafanua vipengele vinavyoathiri zaidi maamuzi ya uwekezaji kuliko vingine.
Utaratibu huu husaidia kuimarisha uwazi wa maamuzi yaliyoboreshwa na AI na kuunga mkono juhudi za kuthibitisha na kuboresha jinsi rahisi kuelewa miundo hii inaweza kuwa. Hata hivyo, ingawa LIME inaboresha uelewa wetu wa tabia ya mfano, kutathmini uaminifu wa jumla wa miundo inahusisha mbinu za ziada za uthibitishaji.
Teknolojia ya AI ina jukumu kubwa katika kuhakikisha utiifu wa mifumo ya udhibiti na ufuatiliaji wa vikwazo vya uwekezaji ndani ya sekta ya fedha. Kwa kufanya michakato hii kiotomatiki, mifumo ya AI husaidia makampuni ya kifedha kushikamana na viwango vya kisheria kwa ufanisi zaidi, kwa usahihi zaidi, na kutoingia kwenye matatizo. Teknolojia hii ni muhimu sana katika kufuatilia utiifu katika idadi kubwa ya miamala na shughuli mbalimbali za kwingineko, ambapo inaweza kutambua kwa haraka (papo hapo, kwa kweli) kukiuka mahitaji ya udhibiti au miongozo ya ndani.
Zaidi ya hayo, matumizi ya AI hupunguza hatari ya makosa ya kibinadamu, ambayo ni muhimu katika mazingira ya udhibiti wa hali ya juu ambapo makosa yanaweza kusababisha matokeo ya kisheria na kifedha.
Programu za AI katika kusawazisha upya kiotomatiki ni muhimu kwa kudumisha ugawaji bora wa mali kwa wakati. Wanaweza kurekebisha portfolios kulingana na mabadiliko ya soko au mabadiliko katika wasifu wa hatari wa mwekezaji, ambayo inahakikisha upatanishi na malengo ya kimkakati ya uwekezaji.
Kando na programu ambazo zimeundwa mahususi kwa ajili ya uwekezaji, uwezekano wa uundaji wa akili bandia ndani ya biashara ya usimamizi wa mali unaonekana kuwa mkubwa. Hata hivyo, pamoja na ukweli kwamba sisi kwa asili tunaona uwezekano wa automatisering kazi maalum katika hatua mbalimbali za mlolongo wa uendeshaji, bado ni vigumu kutarajia kikamilifu nguvu ya kuvuruga ya akili ya bandia. Hii ni kwa sababu AI inatarajiwa kutoa sekta mpya za utumiaji kadiri maendeleo ya ziada yanavyotengenezwa.
Ni lazima tuzingatie mapungufu ya akili bandia na vile vile hatari ambayo inaleta kwa baadhi ya vipengele vya usimamizi wa kwingineko, licha ya ukweli kwamba imewezesha maendeleo ya teknolojia na mafanikio ya tija kwa kutumia akili ya bandia. Kwanza, akili bandia na mbinu za kujifunza kwa mashine zinategemea data ambayo hutumiwa kulisha algoriti za kujifunza.
Ni muhimu kwamba data hii iwe ya ubora wa juu kulingana na masasisho, usahihi, ukamilifu na uwakilishi.
Mbali na mahitaji ya kiasi kikubwa sana cha data, ambayo haipatikani kila wakati, ni kesi kwamba data hii lazima iwe ya ubora mzuri. Katika hali nyingine yoyote, matokeo ambayo yanapatikana kwa kutumia mifano ya ubashiri sio ya kuaminika au ya kustahimili.
Zaidi ya hayo, algoriti zinaweza pia kutoa mawazo ya uwongo kwa kuchagua mitindo isiyofaa kutoka kwa mkusanyiko wa data unaochanganuliwa, ambayo inaweza kusababisha hitimisho potofu. Hii inaweza kusababisha unyakuzi wa jumla, miruko mikali sana, na ajali ndogo zaidi zinazowezekana. Kupotea kwa ushindani wa soko kunaweza kutokea kutokana na ukweli kwamba waendeshaji wengi wa soko wanaosimamia kanuni sawa za AI wanaweza kufanya uamuzi usio sahihi kwa wakati mmoja au kuitikia kwa njia sawa na hali ya wakati halisi. Hatari kama hiyo inaweza kuwa mbaya.
Licha ya faida zinazowezekana za AI katika usimamizi wa kwingineko, kama katika uwanja wowote, kuna changamoto nyingi ambazo tunapaswa kukumbuka na hatimaye - kushughulikia. Mojawapo ya shida kuu ni uwezekano wa kukosekana kwa uwazi na maswala ya tafsiri ya mifano ya AI, ambayo inaweza kufanya iwe changamoto kwa wasimamizi kuelezea matokeo ya ushirikiano wao na AI. Utata huu wa utumiaji unaweza kuwa moja ya sababu kwa nini kupitishwa kwa AI katika fedha za Ulaya ni ndogo. Kufikia Septemba 2022,
Mamlaka ya Masoko ya Fedha ya Ulaya (ESMA)
Kwa wakati huu, inaonekana kwamba akili ya bandia bado iko mbali sana na kuchukua nafasi ya watu halisi katika tasnia ya usimamizi wa mali. Hiyo inasemwa, uwazi, uhusiano wa kuaminiana, na mawasiliano kati ya wateja na wataalam wa usimamizi huendelea kuwa sifa muhimu, sasa zaidi kuliko hapo awali.
Hata hivyo, hatuwezi kukataa kwamba akili bandia huleta zana mpya na za kusisimua zinazoweza kutumika katika msururu wa thamani, na uwezo wa zana hizi unaweza kubadilisha jinsi sekta inavyoonekana leo.