![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Yapay zekanın yükselişi elbette çeşitli sektörleri etkiledi ve finans sektörü en çok etkilenenler arasında yer alıyor. Örneğin, geçen yıl GPT-3.5 gibi modellerin halka açık lansmanı, fon yöneticilerinin analiz, risk yönetimi ve karar alma becerilerini artırmaya yardımcı olmak için yapay zekadan yararlanmaya olan ilgiyi artırdı.
Böylece piyasa değerlendirmelerinin daha doğru yapılması ve risklerin daha etkin yönetilmesi için yapay zeka araçları hayata geçiriliyor. Portföy yöneticilerinin, ticaretlerinde makine öğrenimi algoritmaları, doğal dil işleme ve yapay zeka araçlarını uygularken piyasa hareketlerini daha net değerlendirmeleri, uygun yatırım seçeneklerini daraltmaları ve riskleri yönetmeleri bekleniyor.
Makine öğrenimi algoritmalarının yanı sıra doğal dil işleme araçlarının önemli oyuncuların ticaret stratejilerine entegrasyonu, bu süreçlerin verimliliğini artırmalarına ve daha hızlı ve daha doğru yatırım kararları ve tahmine dayalı analitiklerle rekabet avantajı kazanmalarına yardımcı oluyor.
Son yıllarda yapay zeka finans sektörünün farklı sektörlerinde uygulanmaya başlandı. Arka ofiste, yürütme günlüklerindeki anormallikleri bulmak, şüpheli işlemleri tespit etmek ve riskleri yönetmek için ML algoritmaları kullanılarak verimlilik ve güvenlik artırılır. Yapay zeka, ön ofiste müşterilerin segmentlere ayrılmasına, müşteri destek süreçlerinin otomatikleştirilmesine ve türev fiyatlandırmasının optimize edilmesine yardımcı oluyor.
Bununla birlikte, bunun en ilgi çekici kısmı, finansın satın alma tarafına yönelik yapay zeka yetenekleridir; önemli miktarda veriyi mümkün olduğunca hızlı bir şekilde analiz ederek piyasa gürültüsünün ortasında tahmin sinyallerini tespit eder. Örneğin, bu tür uygulamalar zaman serisi tahminini, pazarları bölümlere ayırmayı ve elbette varlık portföylerini yönetmeyi içerebilir. Yapay zekanın geniş veri kümelerini işleme ve analiz etme fırsatları, geleneksel yöntemlerin muhtemelen gözden kaçıracağı ince kalıpların bulunmasına yardımcı olur.
Portföy optimizasyonu onlarca yıldır yaygın bir uygulamadır ve veri biliminin gelişmesi ve ileri hesaplama tekniklerinin uygulanmasıyla önemli ölçüde gelişmektedir. Markowitz'in Modern Portföy Teorisi (1952) ve Sermaye Varlıkları Fiyatlandırma Modeli (1964) gibi klasik yaklaşımlar 50 yıldan fazla bir süre önce ortaya atılmış olsa da hâlâ geçerliliğini koruyor. Ancak doğrusal olmayan riskleri ele alma konusundaki sınırlamaları ve geçmiş verilere bağımlılıkları gün geçtikçe daha da belirgin hale geliyor.
Renaissance Technologies, DE Shaw ve Two Sigma Investments gibi önemli oyuncular tarafından yaygın olarak uygulanan risk modelleme, senaryo analizi ve niceliksel ticaret gibi uygulamalar, daha karmaşık ve gelişmiş algoritmaların uygulanmasına yol açmıştır. Buna ek olarak, makine öğrenimi ve yapay zekanın tahmine dayalı analitiği daha doğru hale getirmesi ve aynısını kişiselleştirilmiş yatırım stratejileri ve otomatikleştirilmiş karmaşık karar alma süreçlerine yapması nedeniyle sektör son yıllarda yapay zekadan oldukça etkilendi.
Bu yapay zeka odaklı dönüşüm, portföy yöneticilerinin geniş veri dizilerini gerçek zamanlı olarak işlemesine ve üç ana zorluğu çözmesine olanak sağladı:
Buna göre
Yapay zeka tarafından desteklenen varlık yönetimi çözümlerinin benimsenmesi ve yatırımının arttırılması ve portföy optimizasyonunda yapay zekanın pratik kullanımının vurgulanması.
Varlık yönetimi sektöründe yapay zekanın benimsenmesi yeni bir trend değil; son yıllarda büyüme gördü ancak hala hedge fonları, kantitatif yönetim ofisleri, büyük araştırma departmanları ve BT hizmetlerini kullanan finansal kurumlar gibi az sayıda piyasa oyuncusuyla sınırlı.
Yapay zekanın halihazırda pek çok uygulama alanı var:
Yapay zeka, portföy oluşturma optimizasyonu sürecini önemli ölçüde iyileştirir. Örneğin, Markowitz'in Modern Portföy Teorisinin dışbükey optimizasyon kavramlarına dayanan klasik yaklaşımı, çağdaş yapay zeka odaklı metodolojilerin öncüsü olarak hizmet ediyor. Bu temel teorinin bu kadar önemli olmasının nedeni, yapay zeka algoritmalarının yatırım stratejilerini daha da değiştirip iyileştirebileceği temeli oluşturmasıdır.
Günümüzde yapay zeka, verilerin yeni boyutlarını keşfederek ve gelişmiş analitik teknikleri entegre ederek bu teoriyi genişletiyor. Bu genişletilmiş veri kapasitesi, sektörde yaygın olarak kullanılan bir uygulama olan daha incelikli ve bilinçli karar almaya olanak tanır.
Belirli yapay zeka teknikleri, şirketin temelleri, makroekonomik ortam veya piyasa koşulları hakkında büyük miktarda veri kullanan niceliksel yönetimle mükemmel bir şekilde uyumludur. Makine öğrenimi algoritmaları, farklı değişkenler arasındaki karmaşık, doğrusal olmayan ilişkileri bulabilir ve elbette analistlerin tespit edemediği eğilimleri tespit edebilir.
Metin analizi, yapay zekanın temel analizdeki başka bir uygulamasıdır. Yapay zeka, doğal dil işlemeyi (NLP) kullanarak kurumsal kazanç raporları, merkez bankası basın bültenleri ve finans haberleri gibi metin kaynaklarını işler ve analiz eder. Yapay zeka, NLP aracılığıyla bu yapılandırılmamış verilerden ekonomik ve finansal açıdan önemli bilgileri çıkarabilir. Bunu yaparak, insan yorumlarını geliştiren ve yardımcı olan niceliksel ve sistematik bir ölçüm sağlar.
Yapay zekanın güçleri, işlemlerin karmaşıklığı ile hız ihtiyacının dengede olduğu ticarette son derece faydalıdır. Yapay zeka, sürecin birçok aşamasını otomatikleştirerek algoritmik ticareti destekler ve finansal piyasalarda yönetilen işlemlerin verimliliğini artırır.
Yapay zeka, daha düşük maliyetle daha geniş kişiselleştirilmiş yatırım danışmanlığı hizmetleri sunma fırsatı yarattı. Bu sistemler, gerçek zamanlı piyasa verilerini işlemek için karmaşık algoritmalar kullanır ve getiri hedeflerine ve risk profillerine göre bireysel müşteri ihtiyaçlarına en uygun stratejileri üretir.
Yapay zeka, risk yönetiminde çeşitli 'olası ancak istenmeyen' senaryoları modelleyerek yardımcı olur ve bu da yalnızca çoğunlukla olası sonuçlara odaklanan geleneksel uygulamaları geliştirir.
Klasik Makine Öğrenimi yöntemleri Portföy Yönetiminde hala çok popülerdir ve bunlar şunlardır: Sıradan En Küçük Kareler, Ridge Regresyonu ve Kement Regresyonunu içeren Doğrusal Modeller. Bunlar sıklıkla Ortalama-Varyans Optimizasyonu prosedürü ve varlık ilişkilerinin anlaşılmasında ve portföy tahsislerinin optimize edilmesinde temel oluşturan Tekil Değer Ayrışımı (SVD) ve Temel Bileşen Analizi (PCA) gibi matris ayrıştırma teknikleri ile birleştirilir.
Bu klasik yaklaşımlar ile daha modern yöntemlerin arasında Destek Vektör Makineleri (SVM'ler) yer almaktadır. SVM'ler pratikte kullanılsa da, yaygın olarak kullanılmazlar ancak özellikle stok performansını tahmin etmeyi amaçlayan sınıflandırma görevlerinde önemli bir rol oynarlar.
Bu görevler genellikle, varlıkları kategorilere ayırmak ve performanslarını tahmin etmek için hisse senedi fiyatlarındaki dalgalanmalar ve işlem hacimleri dahil olmak üzere geçmiş finansal verileri kullanarak bir hisse senedinin kâr mı yoksa zarar mı yaşayacağını tahmin etmeyi içerir.
Daha modern yöntemlerden bahsederken, sinir ağları, portföy yönetimi için makine öğreniminde büyük ilerlemeler gösteriyor ve geleneksel modellerle yakalanması zor olan karmaşık doğrusal olmayan modellerin modellenmesi için gelişmiş yetenekler sunuyor. Sinir ağlarının yanı sıra, denetimli ve denetimsiz öğrenme gibi diğer klasik yaklaşımlar, veri analizini daha da geliştirip hassaslaştırarak, gizli piyasa sinyallerinin keşfedilmesini ve kullanılmasını mümkün kılar.
Takviyeli Öğrenme ve Derin Q-Öğrenim gibi daha yeni yaklaşımlar, bu nitelikleri, sistemin piyasa geri bildirimlerinden öğrenmesine dayalı olarak finansal sonuçları optimize etmek için portföylerin gerçek zamanlı olarak ayarlanabildiği hızlı karar alma ortamlarına getiriyor.
Duygu analizi gibi Doğal Dil İşleme teknikleri, gazete makaleleri, sosyal medya gönderileri ve analist raporları gibi konulardan ortak fikirlerin seçilmesine yardımcı olabilir. Ek olarak, portföy yöneticileri, yatırımcı duyarlılığını anlamak ve piyasa hareketlerini tahmin etmek için, karar alma sürecinde çok önemli bilgiler olan, firmaların kazanç raporları da dahil olmak üzere finansal medyada kullanılan dili de analiz edebilir.
Yapay zeka destekli niceliksel ticaret algoritmaları kullananlar gibi yüksek frekanslı ticarette (HFT) uzmanlaşmış firmalar, piyasada bir an için meydana gelen verimsizliklerden para kazanıyor. Bu firmalar, ilgili pazar bilgilerini son derece yüksek hızlarda analiz etmek ve bir milisaniye kadar kısa bir sürede hassas zamanlamayla sipariş vermek için makine öğrenimi teknolojilerini kullanıyor.
Bu kadar hızlı uygulama, onların arbitraj fırsatlarından faydalanmalarına ve fiyat farklılıklarına rakiplerinden daha hızlı müdahale ederek karlarını en üst düzeye çıkarmalarına olanak tanıyor. Renaissance Technologies niceliksel ticaret yaklaşımlarıyla tanınırken, geleneksel HFT uygulamalarından farklı bekletme dönemlerini kapsayan ve esas olarak hıza odaklanan daha geniş stratejisini akılda tutmak önemlidir.
LIME (Yerel Yorumlanabilir Model-agnostik Açıklamalar), karmaşık makine öğrenimi modellerinin çıktılarını daha anlaşılır hale getirmek için kullanılan öne çıkan bir XAI yöntemidir. Portföy yönetiminde bu yöntem, kara kutu modellerinin nasıl tahmin yaptığını yorumlamak açısından çok değerli olabilir. LIME, girdi verilerini kullanarak ve model çıktıları üzerindeki etkiyi analiz ederek, portföy yöneticilerinin ve veri bilimcilerinin hangi özelliklerin yatırım kararlarını diğerlerinden daha fazla etkilediğini tanımlamalarına yardımcı olur.
Bu süreç, yapay zeka destekli kararların şeffaflığının artırılmasına yardımcı olur ve bu modellerin anlaşılmasının ne kadar kolay olabileceğini doğrulama ve iyileştirme çabalarını destekler. Ancak LIME, model davranışına ilişkin anlayışımızı geliştirirken, modellerin genel güvenilirliğinin değerlendirilmesi ek doğrulama teknikleri gerektirir.
Yapay zeka teknolojisi, finans sektöründeki düzenleyici çerçevelere uygunluğun sağlanmasında ve yatırım kısıtlamalarının izlenmesinde önemli bir rol oynuyor. Yapay zeka sistemleri, bu süreçleri otomatikleştirerek finansal firmaların yasal standartlara daha verimli, daha doğru bir şekilde uymalarına ve sorun yaşamamalarına yardımcı oluyor. Bu teknoloji, büyük hacimli işlemlerde ve çeşitli portföy faaliyetlerinde uyumluluğun izlenmesinde çok değerlidir; düzenleme gerekliliklerinden veya dahili yönergelerden sapmaları hızlı bir şekilde (aslında anında) tespit edebilir.
Üstelik yapay zeka kullanımı, hataların yasal ve mali sonuçlara yol açabileceği yüksek riskli düzenleyici ortamlarda çok önemli olan insan hatası riskini en aza indirir.
Otomatik yeniden dengelemedeki yapay zeka uygulamaları, zaman içinde ideal varlık tahsisinin sürdürülmesi açısından çok önemlidir. Portföyleri piyasa değişikliklerine veya yatırımcının risk profilindeki değişimlere göre ayarlayabilirler, bu da stratejik yatırım hedefleriyle uyum sağlar.
Yatırım için özel olarak tasarlanmış uygulamaların yanı sıra, varlık yönetimi işinde yapay zekanın geliştirilmesi potansiyeli de oldukça geniş görünüyor. Bununla birlikte, operasyonel zincirin çeşitli aşamalarında belirli işlerin otomatikleştirilmesi olasılığını içgüdüsel olarak görmemize rağmen, yapay zekanın yıkıcı gücünü tam olarak öngörmek hala zordur. Bunun nedeni, yapay zekanın ek ilerlemeler geliştirildikçe yeni uygulama sektörlerine yol açmasının beklenmesidir.
Yapay zekayı kullanarak teknolojik ilerlemeleri ve verimlilik artışlarını mümkün kılmış olmasına rağmen, yapay zekanın sınırlamalarının yanı sıra portföy yönetiminin bazı yönleri için oluşturduğu tehlikelerin de farkında olmalıyız. Yapay zeka ve makine öğrenimi yaklaşımları öncelikle öğrenme algoritmalarını beslemek için kullanılan verilere dayanıyor.
Bu verilerin güncelleme, doğruluk, tamlık ve temsiliyet açısından yüksek kalitede olması gerekmektedir.
Her zaman bulunamayan çok büyük miktarda veriye duyulan gereksinimin yanı sıra, bu verilerin kaliteli olması da gerekmektedir. Aksi durumda, tahmine dayalı modeller kullanılarak elde edilen bulgular güvenilir veya dayanıklı değildir.
Üstelik algoritmalar, analiz edilen veri kümesinden alakasız eğilimleri seçerek hatalı varsayımlarda bulunabilir ve bu da hatalı sonuçlara yol açabilir. Bu, büyük ölçekli kapma, çok keskin sıçramalar ve mümkün olan en küçük çarpışmalarla sonuçlanabilir. Aynı AI algoritmalarını yöneten birçok piyasa operatörünün aynı anda yanlış karar vermesi veya gerçek zamanlı bir duruma benzer şekilde tepki vermesi nedeniyle pazar rekabetinin kaybı yaşanabilir. Böyle bir risk ölümcül olabilir.
Yapay zekanın her alanda olduğu gibi portföy yönetiminde de potansiyel faydalarına rağmen, aklımızda tutmamız ve sonunda ele almamız gereken pek çok zorluk var. Ana zorluklardan biri, yapay zeka modellerinin şeffaflık ve yorumlanma sorunlarının olası eksikliğidir; bu da yöneticilerin yapay zeka ile yaptıkları işbirliklerinin sonuçlarını açıklamasını zorlaştırabilir. Bu kullanım karmaşıklığı, yapay zekanın Avrupa fonlarında benimsenmesinin nispeten düşük olmasının nedenlerinden biri olabilir. Eylül 2022 itibarıyla,
Avrupa Finansal Piyasalar Otoritesi (ESMA)
Gelinen noktada yapay zekanın varlık yönetimi sektöründe tamamen gerçek insanların yerini alması konusunda henüz çok uzak olduğu görülüyor. Bununla birlikte şeffaflık, güven ilişkisi ve müşteriler ile yönetim uzmanları arasındaki iletişim, artık her zamankinden daha önemli özellikler olmaya devam ediyor.
Ancak yapay zekanın değer zincirinde kullanılabilecek yeni ve heyecan verici araçları da beraberinde getirdiğini ve bu araçların potansiyelinin gerçekten de sektörün bugünkü görünümünü değiştirebileceğini inkar edemeyiz.