![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Ang pagtaas ng AI ay malinaw na nakaapekto sa iba't ibang mga industriya, at ang industriya ng pananalapi ay kabilang sa mga naapektuhan nang husto . Halimbawa, ang pampublikong paglulunsad ng mga modelo tulad ng GPT-3.5 noong nakaraang taon ay nagpapataas ng interes sa paggamit ng AI upang makatulong na mapataas ang kakayahan ng mga tagapamahala ng pondo sa pagsusuri, pamamahala sa peligro, at paggawa ng desisyon.
Kaya, ipinapatupad ang mga tool ng AI upang gawing mas tumpak ang mga pagtatasa sa merkado at mas epektibong pamahalaan ang mga panganib. Ang mga tagapamahala ng portfolio ay inaasahang gagawa ng mas malinaw na pagtatasa ng mga paggalaw ng merkado, paliitin ang mga naaangkop na pagpipilian sa pamumuhunan, at pamahalaan ang mga panganib kapag nag-apply sila ng mga algorithm ng machine learning, pagproseso ng natural na wika, at mga tool ng artificial intelligence sa kanilang pangangalakal.
Ang pagsasama-sama ng mga algorithm sa pag-aaral ng machine, pati na rin ang mga natural na tool sa pagpoproseso ng wika sa mga pangunahing diskarte sa pangangalakal ng mga manlalaro, ay nakakatulong sa kanila na pataasin ang kahusayan ng mga prosesong ito at makakuha ng competitive advantage na may mas mabilis at mas tumpak na mga desisyon sa pamumuhunan at predictive analytics.
Sa nakalipas na mga dekada, ipinatupad ang AI sa iba't ibang sektor ng industriya ng pananalapi. Sa back office, ginagamit ang mga ML algorithm para maghanap ng mga anomalya sa mga execution log, makakita ng mga kahina-hinalang transaksyon, pati na rin pamahalaan ang mga panganib, na humahantong sa pagtaas ng kahusayan at seguridad. Sa front office, tinutulungan ng AI na i-segment ang mga customer, i-automate ang mga proseso ng suporta sa customer, at i-optimize ang pagpepresyo ng derivatives.
Gayunpaman, ang pinaka nakakaintriga na bahagi nito ay ang mga kakayahan ng AI para sa panig ng pagbili ng pananalapi - pagtukoy ng mga predictive na signal sa gitna ng ingay ng merkado sa pamamagitan ng pagsusuri ng malalaking halaga ng data nang mabilis hangga't maaari. Halimbawa, maaaring kabilang sa mga naturang application ang pagtataya ng serye ng oras, pagse-segment ng mga merkado, at siyempre, pamamahala ng mga portfolio ng asset. Ang mga pagkakataon ng AI na magproseso at mag-analisa ng malalawak na dataset ay nakakatulong upang makahanap ng mga banayad na pattern na malamang na makaligtaan ng mga tradisyonal na pamamaraan.
Ang pag-optimize ng portfolio ay isang pangkaraniwang kasanayan sa loob ng ilang dekada, na makabuluhang umuunlad sa ilalim ng pagbuo ng agham ng data at pagpapatupad ng mga advanced na diskarte sa pagkalkula. Ang mga klasikal na diskarte, tulad ng Markowitz's Modern Portfolio Theory (1952) at Capital Asset Pricing Model (1964) ay ipinakilala higit sa 50 taon na ang nakakaraan ngunit nananatiling may kaugnayan pa rin. Gayunpaman, ang kanilang mga limitasyon sa paghawak ng non-linear na panganib at pag-asa sa makasaysayang data ay nagiging mas at mas malinaw sa araw.
Ang mga kasanayan tulad ng risk modeling, scenario analysis, at quant trading, na malawakang ipinatupad ng mga pangunahing manlalaro, gaya ng Renaissance Technologies, DE Shaw, at Two Sigma Investments ay humantong sa pagpapatupad ng mas kumplikado at advanced na mga algorithm. Bilang karagdagan, ang industriya ay lubos na naapektuhan ng AI sa mga nakalipas na taon, dahil ang machine learning at artificial intelligence ay ginawang mas tumpak ang predictive analytics, at ganoon din ang ginawa sa mga personalized na diskarte sa pamumuhunan at mga automated na kumplikadong proseso ng paggawa ng desisyon.
Ang pagbabagong ito na hinimok ng AI ay nagbigay-daan sa mga portfolio manager na magproseso ng napakaraming hanay ng data sa real-time at malutas ang tatlong pangunahing hamon:
Ayon sa
Ang pagtaas ng pag-aampon at pamumuhunan sa mga solusyon sa pamamahala ng asset na pinapagana ng AI at itinatampok ang praktikal na paggamit ng AI sa pag-optimize ng portfolio.
Ang pag-aampon ng AI sa loob ng industriya ng pamamahala ng asset ay hindi isang bagong kalakaran; ito ay nakakita ng paglago sa mga nakalipas na taon ngunit limitado pa rin sa isang maliit na bilang ng mga manlalaro sa merkado tulad ng mga pondo ng hedge, mga tanggapan ng pamamahala ng dami, malalaking departamento ng pananaliksik, at mga institusyong pampinansyal na gumagamit ng mga serbisyong IT.
Mayroon nang maraming larangan ng aplikasyon para sa AI:
Lubos na pinahusay ng AI ang proseso ng pag-optimize ng pagbuo ng portfolio. Halimbawa, ang klasikal na diskarte ng Markowitz's Modern Portfolio Theory, na umaasa sa convex optimization concepts, ay nagsisilbing precursor sa mga kontemporaryong pamamaraan na hinimok ng AI. Ang dahilan kung bakit napakahalaga ng pundasyong teorya na ito ay dahil ito ang bumubuo ng batayan kung saan ang mga algorithm ng AI ay maaaring higit pang baguhin at pinuhin ang mga diskarte sa pamumuhunan.
Sa ngayon, pinalawak ng AI ang teoryang ito sa pamamagitan ng paggalugad ng mga bagong dimensyon ng data at pagsasama ng mga advanced na analytical technique. Ang pinalawak na kakayahan ng data na ito ay nagbibigay-daan para sa mas nuanced at matalinong paggawa ng desisyon - isang kasanayan na malawakang ginagamit sa industriya.
Ang ilang partikular na diskarte sa AI ay ganap na tugma sa quantitative management, gamit ang malalaking volume ng data tungkol sa mga pangunahing kaalaman ng kumpanya, ang macroeconomic na kapaligiran, o mga kondisyon ng merkado. Ang mga algorithm ng machine learning ay makakahanap ng mga kumplikadong non-linear na relasyon sa pagitan ng iba't ibang variable at, siyempre, nakakakita ng mga trend na hindi nakikita ng mga analyst.
Ang pagsusuri sa teksto ay isa pang aplikasyon ng AI sa pangunahing pagsusuri. Gamit ang natural na pagpoproseso ng wika (NLP), pinoproseso at sinusuri ng AI ang mga textual na mapagkukunan gaya ng mga ulat sa kita ng kumpanya, press release ng central bank, at balitang pinansyal. Sa pamamagitan ng NLP, maaaring kunin ng AI ang matipid at mahalagang impormasyon sa pananalapi mula sa hindi nakabalangkas na data na ito. Sa pamamagitan ng paggawa nito, nagbibigay ito ng isang dami at sistematikong panukala na nagpapabuti at tumutulong sa mga interpretasyon ng tao.
Ang mga kapangyarihan ng AI ay lubhang kapaki-pakinabang sa pangangalakal, kung saan ang pagiging kumplikado ng mga transaksyon at ang pangangailangan para sa bilis ay nasa balanse. Sinusuportahan ng AI ang algorithmic trading sa pamamagitan ng pag-automate ng maraming yugto ng proseso, pagpapabuti ng kahusayan ng mga transaksyong pinamamahalaan sa mga financial market.
Nagbukas ang AI ng pagkakataon para sa mas malawak na pag-aalok ng mga personalized na serbisyo sa pagpapayo sa pamumuhunan sa mas mababang halaga. Gumagamit ang mga system na ito ng mga kumplikadong algorithm upang iproseso ang real-time na data ng merkado, na bumubuo ng mga pinakaangkop na diskarte para sa mga indibidwal na pangangailangan ng kliyente batay sa kanilang mga layunin sa pagbabalik at mga profile ng panganib.
Sa pamamahala sa peligro, tumutulong ang AI sa pamamagitan ng pagmomodelo ng iba't ibang 'malamang ngunit hindi kanais-nais' na mga senaryo, na kung saan ay nagpapahusay sa mga tradisyonal na kasanayan na nakatuon lamang sa karamihan sa mga posibleng resulta.
Ang mga pamamaraan ng Classical Machine Learning ay napakasikat pa rin sa Portfolio Management, at ang mga ito ay: Linear Models, kabilang ang Ordinary Least Squares, Ridge Regression, at Lasso Regression. Ang mga ito ay madalas na pinagsama sa pamamaraan ng Mean-Variance Optimization at matrix decomposition techniques gaya ng Singular Value Decomposition (SVD) at Principal Component Analysis (PCA), na batayan sa pag-unawa sa mga relasyon sa asset at pag-optimize ng mga alokasyon ng portfolio.
Matatagpuan sa pagitan ng mga klasikal na diskarte na ito at mas modernong mga pamamaraan ay Support Vector Machines (SVMs). Bagama't ginagamit ang mga SVM sa pagsasagawa, hindi sila gaanong karaniwang naka-deploy ngunit may mahalagang papel, partikular, sa mga gawain sa pag-uuri na naglalayong hulaan ang pagganap ng stock.
Karaniwang kinabibilangan ng mga gawaing ito ang paghula kung ang isang stock ay makakaranas ng kita o isang pagkawala, gamit ang makasaysayang data sa pananalapi kabilang ang mga pagbabago sa presyo ng stock at mga volume ng kalakalan upang ilagay ang mga asset sa mga kategorya at hulaan ang kanilang pagganap.
Sa pakikipag-usap tungkol sa mas modernong mga pamamaraan, ang mga neural network ay nagpapakita ng malalaking pag-unlad sa machine learning para sa pamamahala ng portfolio at nag-aalok ng mga pinahusay na kakayahan para sa pagmomodelo ng mga kumplikadong non-linear na pattern na mahirap makuha gamit ang mga tradisyonal na modelo. Bukod sa mga neural network, ang iba pang mga klasikal na diskarte tulad ng pinangangasiwaan at hindi pinangangasiwaang pag-aaral ay higit na nagpapabuti at nagpino ng pagsusuri ng data, na ginagawang posible ang pagtuklas at pagsasamantala ng mga banayad na signal ng merkado.
Ang mga bagong diskarte, tulad ng Reinforcement Learning at Deep Q-Learning ay nagdadala ng mga katangiang ito sa mabilis na mga kapaligiran sa paggawa ng desisyon, kung saan ang mga portfolio ay maaaring isaayos sa real-time upang ma-optimize ang mga resulta sa pananalapi batay sa pagkatuto ng system mula sa feedback sa merkado.
Ang mga pamamaraan ng Natural Language Processing tulad ng pagsusuri ng sentimento ay maaaring makatulong sa pagpili at pagpili ng mga karaniwang opinyon mula sa mga bagay tulad ng mga artikulo sa pahayagan, mga post sa social media, at mga ulat ng analyst. Bukod pa rito, maaari ding pag-aralan ng mga portfolio manager ang wikang ginagamit sa financial media, kabilang ang mga ulat ng kita ng mga kumpanya, upang madama ang damdamin ng mamumuhunan at mahulaan ang mga paggalaw ng merkado, na lahat ay mahalagang impormasyon sa proseso ng paggawa ng desisyon.
Ang mga kumpanyang dalubhasa sa high-frequency trading (HFT), tulad ng mga gumagamit ng AI-powered quantitative trading algorithm, ay kumikita sa mga inefficiencies na nangyayari saglit lang sa market. Gumagamit ang mga kumpanyang ito ng mga teknolohiya sa pag-aaral ng makina upang suriin ang nauugnay na impormasyon sa merkado sa napakabilis na bilis at maglagay ng mga order nang may katumpakan na timing sa kasing-ikli ng isang millisecond.
Ang ganitong mabilis na pagpapatupad ay nagbibigay-daan sa kanila na makinabang mula sa mga pagkakataon sa arbitrage at mapakinabangan ang mga kita sa pamamagitan ng pagkilos sa mga pagkakaiba sa presyo nang mas mabilis kaysa sa mga kakumpitensya. Bagama't kilala ang Renaissance Technologies sa mga quantitative na diskarte nito sa pangangalakal, mahalagang tandaan ang mas malawak na diskarte nito na sumasaklaw sa iba't ibang panahon ng paghawak mula sa mga tradisyunal na kasanayan sa HFT, na pangunahing nakatuon sa bilis.
Ang LIME (Local Interpretable Model-agnostic Explanations) ay isang kilalang XAI na paraan na ginagamit upang gawing mas nauunawaan ang mga output ng mga kumplikadong modelo ng machine learning. Sa pamamahala ng portfolio, ang pamamaraang ito ay maaaring maging napakahalaga para sa pagbibigay-kahulugan kung paano gumagawa ng mga hula ang mga modelong black-box. Sa pamamagitan ng paggamit ng input data at pagsusuri sa epekto sa mga output ng modelo, tinutulungan ng LIME ang mga portfolio manager at data scientist na tukuyin kung aling mga feature ang higit na nakakaimpluwensya sa mga desisyon sa pamumuhunan kaysa sa iba.
Nakakatulong ang prosesong ito na pahusayin ang transparency ng mga desisyong pinalakas ng AI at sinusuportahan ang mga pagsisikap na i-verify at pahusayin kung gaano kadaling maunawaan ang mga modelong ito. Gayunpaman, habang pinapabuti ng LIME ang aming pag-unawa sa gawi ng modelo, ang pagtatasa sa pangkalahatang pagiging maaasahan ng mga modelo ay nagsasangkot ng mga karagdagang diskarte sa pagpapatunay.
Malaki ang ginagampanan ng AI tech sa pagtiyak ng pagsunod sa mga balangkas ng regulasyon at pagsubaybay sa mga paghihigpit sa pamumuhunan sa loob ng industriya ng pananalapi. Sa pamamagitan ng pag-automate ng mga prosesong ito, tinutulungan ng mga AI system ang mga financial firm na manatili sa mga legal na pamantayan nang mas mahusay, mas tumpak, at hindi masangkot sa problema. Napakahalaga ng teknolohiyang ito sa pagsubaybay sa pagsunod sa malalaking volume ng mga transaksyon at magkakaibang mga aktibidad sa portfolio, kung saan mabilis itong (kaagad, sa katunayan) matukoy ang mga paglihis mula sa mga kinakailangan sa regulasyon o panloob na mga alituntunin.
Bukod dito, pinapaliit ng paggamit ng AI ang panganib ng pagkakamali ng tao, na napakahalaga sa mga kapaligiran ng regulasyon na may mataas na stake kung saan ang mga pagkakamali ay maaaring humantong sa mga legal at pinansyal na kahihinatnan.
Ang mga AI application sa automated rebalancing ay mahalaga para sa pagpapanatili ng ideal na paglalaan ng asset sa paglipas ng panahon. Maaari nilang ayusin ang mga portfolio bilang tugon sa mga pagbabago sa merkado o pagbabago sa profile ng panganib ng isang mamumuhunan, na nagsisiguro ng pagkakahanay sa mga layunin sa madiskarteng pamumuhunan.
Bilang karagdagan sa mga application na partikular na idinisenyo para sa pamumuhunan, lumalabas na malawak ang potensyal para sa pagbuo ng artificial intelligence sa loob ng negosyo ng pamamahala ng asset. Gayunpaman, sa kabila ng katotohanan na katutubo nating nakikita ang posibilidad ng pag-automate ng mga partikular na trabaho sa iba't ibang yugto ng operational chain, mahirap pa ring ganap na mahulaan ang nakakagambalang kapangyarihan ng artificial intelligence. Ito ay dahil ang AI ay inaasahang magbubunga ng mga bagong sektor ng aplikasyon habang ang mga karagdagang pag-unlad ay nabuo.
Dapat nating alalahanin ang mga limitasyon ng artificial intelligence gayundin ang mga panganib na idinudulot nito para sa ilang aspeto ng pamamahala ng portfolio, sa kabila ng katotohanang naging posible ito para sa mga pagsulong sa teknolohiya at mga nadagdag sa produktibidad gamit ang artificial intelligence. Una sa lahat, umaasa ang artificial intelligence at machine learning approach sa data na ginagamit para pakainin ang mga algorithm ng pag-aaral.
Kinakailangan na ang data na ito ay may mataas na kalidad sa mga tuntunin ng mga update, katumpakan, pagkakumpleto, at pagiging kinatawan.
Bilang karagdagan sa kinakailangan para sa isang napakalaking dami ng data, na hindi palaging magagamit, ito ay ang kaso na ang data na ito ay dapat na may magandang kalidad. Sa anumang iba pang kaso, ang mga natuklasan na nakuha gamit ang mga predictive na modelo ay hindi maaasahan o nababanat.
Bukod dito, ang mga algorithm ay maaari ding gumawa ng mga maling pagpapalagay sa pamamagitan ng pagpili ng mga walang kaugnayang trend mula sa dataset na sinusuri, na maaaring humantong sa mga maling konklusyon. Maaari itong magresulta sa malawakang pag-agaw, pagtalon na masyadong matalim, at pinakamaliit na posibleng pag-crash. Ang pagkawala ng kumpetisyon sa merkado ay maaaring mangyari dahil sa katotohanan na maraming mga market operator na namamahala sa parehong mga algorithm ng AI ay maaaring gumawa ng maling desisyon nang sabay-sabay o tumugon sa isang katulad na paraan sa isang real-time na pangyayari. Ang ganitong panganib ay maaaring maging nakamamatay.
Sa kabila ng mga potensyal na benepisyo ng AI sa pamamahala ng portfolio, tulad ng sa anumang larangan, maraming hamon na dapat nating tandaan at sa huli – tugunan. Ang isa sa mga pangunahing paghihirap ay ang posibleng kawalan ng transparency at mga isyu sa interpretasyon ng mga modelo ng AI, na maaaring maging mahirap para sa mga tagapamahala na ipaliwanag ang mga resulta ng kanilang pakikipagtulungan sa AI. Ang pagiging kumplikado ng paggamit na ito ay maaaring isa sa mga dahilan kung bakit medyo mababa ang paggamit ng AI sa mga pondo ng Europa. Noong Setyembre 2022,
Ang European Financial Markets Authority (ESMA)
Sa puntong ito, lumalabas na malayo pa ang artificial intelligence mula sa ganap na pagpapalit ng mga totoong tao sa industriya ng pamamahala ng asset. Iyon ay sinabi, ang transparency, isang relasyon ng tiwala, at pakikipag-ugnayan sa pagitan ng mga kliyente at mga eksperto sa pamamahala ay patuloy na mga mahahalagang katangian, ngayon higit pa kaysa dati.
Gayunpaman, hindi natin maitatanggi na ang artificial intelligence ay may kasamang bago at kapana-panabik na mga tool na magagamit sa value chain, at ang potensyal ng mga tool na ito ay maaaring talagang magbago sa hitsura ng industriya ngayon.