Director of Portfolio Management at WorldQuant. Expert in quantitative finance.
AI کے عروج نے واضح طور پر مختلف صنعتوں کو متاثر کیا ہے، اور فنانس انڈسٹری ان میں شامل ہے جو سب سے زیادہ متاثر ہوئی ہے ۔ مثال کے طور پر، پچھلے سال GPT-3.5 جیسے ماڈلز کے عوامی آغاز نے تجزیہ، رسک مینجمنٹ اور فیصلہ سازی میں فنڈ مینیجرز کی صلاحیتوں کو بڑھانے میں مدد کے لیے AI کے استعمال میں دلچسپی بڑھائی ہے۔
اس طرح، AI ٹولز کو مارکیٹ کے جائزوں کو زیادہ درست بنانے اور خطرات کو زیادہ مؤثر طریقے سے منظم کرنے کے لیے لاگو کیا جاتا ہے۔ پورٹ فولیو مینیجرز سے توقع کی جاتی ہے کہ وہ اپنی تجارت میں مشین لرننگ الگورتھم، قدرتی زبان کی پروسیسنگ، اور مصنوعی ذہانت کے ٹولز کا اطلاق کرتے وقت مارکیٹ کی نقل و حرکت کا واضح جائزہ لیں، مناسب سرمایہ کاری کے انتخاب کو محدود کریں، اور خطرات کا نظم کریں۔
مشین لرننگ الگورتھم کے ساتھ ساتھ قدرتی لینگویج پروسیسنگ ٹولز کا کلیدی کھلاڑیوں کی تجارتی حکمت عملیوں میں انضمام، ان کو ان عملوں کی کارکردگی کو بڑھانے اور تیز تر اور زیادہ درست سرمایہ کاری کے فیصلوں اور پیشین گوئی کے تجزیات کے ساتھ مسابقتی فائدہ حاصل کرنے میں مدد کرتا ہے۔
پچھلی دہائیوں میں، AI کو فنانس انڈسٹری کے مختلف شعبوں میں لاگو کیا گیا ہے۔ بیک آفس میں، ایم ایل الگورتھم کا استعمال عمل درآمد کے لاگ میں بے ضابطگیوں کو تلاش کرنے، مشکوک لین دین کا پتہ لگانے کے ساتھ ساتھ خطرات کو منظم کرنے کے لیے کیا جاتا ہے، جس سے کارکردگی اور سیکیورٹی میں اضافہ ہوتا ہے۔ فرنٹ آفس میں، AI گاہکوں کو تقسیم کرنے، کسٹمر سپورٹ کے عمل کو خودکار بنانے، اور ڈیریویٹو قیمتوں کو بہتر بنانے میں مدد کر رہا ہے۔
تاہم، اس کا سب سے دلچسپ حصہ فنانس کی خرید سائیڈ کے لیے AI صلاحیتیں ہیں - جتنی جلدی ممکن ہو ڈیٹا کی اہم مقدار کا تجزیہ کرکے مارکیٹ کے شور کے درمیان پیش گوئی کرنے والے سگنلز کی نشاندہی کرنا۔ مثال کے طور پر، اس طرح کی ایپلی کیشنز میں ٹائم سیریز کی پیشن گوئی، منڈیوں کو تقسیم کرنا، اور یقیناً اثاثہ جات کا انتظام کرنا شامل ہو سکتا ہے۔ وسیع ڈیٹاسیٹس پر کارروائی اور تجزیہ کرنے کے AI کے مواقع ایسے لطیف نمونوں کو تلاش کرنے میں مدد کرتے ہیں جو روایتی طریقے شاید کھو دیں گے۔
پورٹ فولیو کی اصلاح کئی دہائیوں سے ایک عام عمل رہا ہے، جو ڈیٹا سائنس کی ترقی اور جدید کمپیوٹیشنل تکنیکوں کے نفاذ کے تحت نمایاں طور پر تیار ہوتا ہے۔ کلاسیکل نقطہ نظر، جیسے مارکووٹز کی ماڈرن پورٹ فولیو تھیوری (1952) اور کیپٹل ایسٹ پرائسنگ ماڈل (1964) 50 سال سے زیادہ پہلے متعارف کرائے گئے تھے لیکن اب بھی متعلقہ ہیں۔ تاہم، غیر خطی خطرے سے نمٹنے میں ان کی حدود اور تاریخی ڈیٹا پر انحصار روز بروز واضح ہوتا جا رہا ہے۔
رسک ماڈلنگ، منظر نامے کا تجزیہ، اور کوانٹ ٹریڈنگ جیسی مشقیں، جو کلیدی کھلاڑیوں کے ذریعے وسیع پیمانے پر نافذ کی گئی ہیں، جیسے کہ رینیسانس ٹیکنالوجیز، ڈی ای شا، اور ٹو سگما انویسٹمنٹس نے مزید پیچیدہ اور جدید الگورتھم کے نفاذ کا باعث بنا ہے۔ اس کے علاوہ، حالیہ برسوں میں صنعت AI سے بہت زیادہ متاثر ہوئی ہے، کیونکہ مشین لرننگ اور مصنوعی ذہانت نے پیشین گوئی کرنے والے تجزیات کو زیادہ درست بنایا ہے، اور ذاتی نوعیت کی سرمایہ کاری کی حکمت عملیوں اور خودکار پیچیدہ فیصلہ سازی کے عمل کے لیے بھی ایسا ہی کیا ہے۔
AI سے چلنے والی اس تبدیلی نے پورٹ فولیو مینیجرز کو ریئل ٹائم میں ڈیٹا کی وسیع صفوں پر کارروائی کرنے اور تین اہم چیلنجوں کو حل کرنے کے قابل بنایا ہے:
کے مطابق
AI کے ذریعے چلنے والے اثاثہ جات کے انتظام کے حل میں اپنانے اور سرمایہ کاری میں اضافہ اور پورٹ فولیو کی اصلاح میں AI کے عملی استعمال کو اجاگر کرنا۔
اثاثہ جات کے انتظام کی صنعت میں AI کو اپنانا کوئی نیا رجحان نہیں ہے۔ اس نے حالیہ برسوں میں ترقی دیکھی ہے لیکن یہ ابھی تک محدود تعداد میں مارکیٹ پلیئرز یعنی ہیج فنڈز، مقداری انتظامی دفاتر، بڑے تحقیقی محکمے، اور مالیاتی اداروں تک محدود ہے۔
AI کے لیے درخواست کے بہت سے شعبے پہلے ہی موجود ہیں:
AI پورٹ فولیو کی تعمیر کی اصلاح کے عمل کو نمایاں طور پر بہتر بناتا ہے۔ مثال کے طور پر، مارکووٹز کی ماڈرن پورٹ فولیو تھیوری کا کلاسیکی نقطہ نظر، جو محدب اصلاح کے تصورات پر انحصار کرتا ہے، عصری AI سے چلنے والے طریقہ کار کے پیش خیمہ کے طور پر کام کرتا ہے۔ یہ بنیادی نظریہ بہت اہم ہونے کی وجہ یہ ہے کہ یہ وہ بنیاد بناتا ہے جہاں سے AI الگورتھم سرمایہ کاری کی حکمت عملیوں کو مزید تبدیل اور بہتر بنا سکتے ہیں۔
آج کل، AI ڈیٹا کی نئی جہتیں دریافت کرکے اور جدید تجزیاتی تکنیکوں کو مربوط کرکے اس نظریہ کو وسعت دیتا ہے۔ ڈیٹا کی یہ توسیعی صلاحیت زیادہ باریک بینی اور باخبر فیصلہ سازی کی اجازت دیتی ہے - ایک ایسا عمل جو صنعت میں بڑے پیمانے پر استعمال ہوتا رہا ہے۔
کچھ AI تکنیکیں کمپنی کے بنیادی اصولوں، معاشی ماحول، یا مارکیٹ کے حالات کے بارے میں بڑی مقدار میں ڈیٹا کا استعمال کرتے ہوئے مقداری انتظام کے ساتھ بالکل مطابقت رکھتی ہیں۔ مشین لرننگ الگورتھم مختلف متغیرات کے درمیان پیچیدہ غیر لکیری تعلقات تلاش کر سکتے ہیں اور یقیناً ایسے رجحانات کا پتہ لگا سکتے ہیں جو تجزیہ کار نہیں کر سکتے۔
متنی تجزیہ بنیادی تجزیہ میں AI کا ایک اور اطلاق ہے۔ نیچرل لینگویج پروسیسنگ (NLP) کا استعمال کرتے ہوئے، AI متنی ذرائع جیسے کارپوریٹ آمدنی کی رپورٹس، مرکزی بینک کی پریس ریلیز، اور مالیاتی خبروں پر کارروائی اور تجزیہ کرتا ہے۔ NLP کے ذریعے، AI اس غیر ساختہ ڈیٹا سے معاشی اور مالی طور پر اہم معلومات نکال سکتا ہے۔ ایسا کرنے سے، یہ ایک مقداری اور منظم پیمائش فراہم کرتا ہے جو انسانی تشریحات کو بہتر اور مدد دیتا ہے۔
AI کے اختیارات ٹریڈنگ میں انتہائی کارآمد ہیں، جہاں لین دین کی پیچیدگی اور رفتار کی ضرورت میں توازن ہے۔ AI عمل کے بہت سے مراحل کو خودکار بنا کر، مالیاتی منڈیوں میں منظم لین دین کی کارکردگی کو بہتر بنا کر الگورتھمک ٹریڈنگ کی حمایت کرتا ہے۔
AI نے کم قیمت پر ذاتی نوعیت کی سرمایہ کاری کی مشاورتی خدمات کی وسیع تر پیشکش کے لیے ایک موقع کھولا ہے۔ یہ سسٹم ریئل ٹائم مارکیٹ ڈیٹا پر کارروائی کرنے کے لیے پیچیدہ الگورتھم کا استعمال کرتے ہیں، جو کلائنٹ کی انفرادی ضروریات کے لیے ان کے واپسی کے مقاصد اور رسک پروفائلز کی بنیاد پر موزوں ترین حکمت عملیوں کے ساتھ آتے ہیں۔
خطرے کے انتظام میں، AI مختلف 'ممکنہ لیکن ناپسندیدہ' منظرناموں کی ماڈلنگ کے ذریعے مدد کرتا ہے، جو بدلے میں، روایتی طریقوں کو بڑھاتا ہے جو صرف زیادہ تر ممکنہ نتائج پر مرکوز ہوتے ہیں۔
پورٹ فولیو مینجمنٹ میں کلاسیکی مشین لرننگ کے طریقے اب بھی بہت مقبول ہیں، اور وہ ہیں: لکیری ماڈلز، بشمول عام سب سے کم چوکور، رج ریگریشن، اور لاسو ریگریشن۔ یہ اکثر میین ویریئنس آپٹیمائزیشن کے طریقہ کار اور میٹرکس ڈیکمپوزیشن تکنیکوں جیسے سنگولر ویلیو ڈیکمپوزیشن (SVD) اور پرنسپل کمپوننٹ اینالیسس (PCA) کے ساتھ جوڑے جاتے ہیں، جو کہ اثاثوں کے تعلقات کو سمجھنے اور پورٹ فولیو کی تخصیص کو بہتر بنانے میں بنیادی حیثیت رکھتے ہیں۔
ان کلاسیکی طریقوں اور مزید جدید طریقوں کے درمیان واقع سپورٹ ویکٹر مشینیں (SVMs) ہیں۔ اگرچہ SVMs کو عملی طور پر استعمال کیا جاتا ہے، لیکن وہ عام طور پر تعینات نہیں ہوتے ہیں لیکن ایک اہم کردار ادا کرتے ہیں، خاص طور پر درجہ بندی کے کاموں میں جن کا مقصد اسٹاک کی کارکردگی کی پیشن گوئی کرنا ہے۔
ان کاموں میں عام طور پر یہ پیشین گوئی شامل ہوتی ہے کہ آیا کسی اسٹاک کو منافع یا نقصان کا سامنا کرنا پڑے گا، تاریخی مالیاتی ڈیٹا بشمول اسٹاک کی قیمتوں میں اتار چڑھاؤ اور تجارتی حجم کا استعمال کرتے ہوئے اثاثوں کو زمروں میں ڈالنا اور ان کی کارکردگی کی پیش گوئی کرنا شامل ہے۔
مزید جدید طریقوں کے بارے میں بات کرتے ہوئے، نیورل نیٹ ورک پورٹ فولیو مینجمنٹ کے لیے مشین لرننگ میں بڑی پیشرفت دکھاتے ہیں اور پیچیدہ غیر لکیری نمونوں کی ماڈلنگ کے لیے بہتر صلاحیتیں پیش کرتے ہیں جنہیں روایتی ماڈلز کے ساتھ گرفت میں لینا مشکل ہے۔ عصبی نیٹ ورکس کے علاوہ، دیگر کلاسیکی نقطہ نظر جیسے کہ زیر نگرانی اور غیر زیر نگرانی سیکھنا ڈیٹا کے تجزیے کو مزید بہتر اور بہتر بناتا ہے، جس سے مارکیٹ کے لطیف اشاروں کی دریافت اور استحصال ممکن ہوتا ہے۔
نئے نقطہ نظر، جیسے Reinforcement Learning اور Deep Q-Learning ان خصوصیات کو تیز رفتار فیصلہ سازی کے ماحول میں لاتے ہیں، جہاں پورٹ فولیوز کو حقیقی وقت میں ایڈجسٹ کیا جا سکتا ہے تاکہ مارکیٹ کے تاثرات سے سیکھنے والے نظام کی بنیاد پر مالیاتی نتائج کو بہتر بنایا جا سکے۔
فطری زبان کی پروسیسنگ کی تکنیکیں جیسے جذبات کے تجزیہ سے اخباری مضامین، سوشل میڈیا پوسٹس، اور تجزیہ کاروں کی رپورٹس جیسی چیزوں سے عام رائے لینے اور منتخب کرنے میں مدد مل سکتی ہے۔ مزید برآں، پورٹ فولیو مینیجر سرمایہ کاروں کے جذبات کو محسوس کرنے اور مارکیٹ کی نقل و حرکت کی پیشین گوئی کرنے کے لیے، جن میں سے سبھی فیصلہ سازی کے عمل میں اہم معلومات ہیں، مالیاتی میڈیا میں استعمال ہونے والی زبان کا تجزیہ بھی کر سکتے ہیں، بشمول فرموں کی آمدنی کی رپورٹس۔
وہ فرم جو ہائی فریکوئنسی ٹریڈنگ (HFT) میں مہارت رکھتی ہیں، جیسے کہ وہ جو AI سے چلنے والے مقداری تجارتی الگورتھم استعمال کرتی ہیں، مارکیٹ میں صرف ایک لمحے کے لیے ہونے والی ناکاریوں پر پیسہ کماتی ہیں۔ یہ فرمیں انتہائی تیز رفتاری سے متعلقہ مارکیٹ کی معلومات کا تجزیہ کرنے کے لیے مشین لرننگ ٹیکنالوجیز کا استعمال کرتی ہیں اور ایک ملی سیکنڈ جتنا مختصر وقت کے لیے درست وقت کے ساتھ آرڈر دیتی ہیں۔
اس طرح کی تیزی سے عملدرآمد انہیں ثالثی کے مواقع سے فائدہ اٹھانے اور قیمتوں میں تضادات پر حریفوں کے مقابلے میں تیزی سے کارروائی کرکے زیادہ سے زیادہ منافع حاصل کرنے کی اجازت دیتا ہے۔ جب کہ Renaissance Technologies اپنے مقداری تجارتی نقطہ نظر کے لیے جانا جاتا ہے، لیکن اس کی وسیع حکمت عملی کو ذہن میں رکھنا ضروری ہے جس میں روایتی HFT طریقوں سے مختلف انعقاد کے ادوار شامل ہیں، جو بنیادی طور پر رفتار پر مرکوز ہیں۔
LIME (لوکل انٹرپریٹیبل ماڈل-ایگنوسٹک وضاحتیں) ایک نمایاں XAI طریقہ ہے جو پیچیدہ مشین لرننگ ماڈلز کے نتائج کو مزید قابل فہم بنانے کے لیے استعمال کیا جاتا ہے۔ پورٹ فولیو کے انتظام میں، یہ طریقہ اس بات کی تشریح کے لیے بہت قیمتی ہو سکتا ہے کہ بلیک باکس کے ماڈل کس طرح پیشین گوئیاں کرتے ہیں۔ ان پٹ ڈیٹا کا استعمال کرتے ہوئے اور ماڈل آؤٹ پٹس پر اثرات کا تجزیہ کرتے ہوئے، LIME پورٹ فولیو مینیجرز اور ڈیٹا سائنسدانوں کی یہ وضاحت کرنے میں مدد کرتا ہے کہ کون سی خصوصیات سرمایہ کاری کے فیصلوں پر دوسروں سے زیادہ اثر انداز ہوتی ہیں۔
یہ عمل AI سے بڑھے ہوئے فیصلوں کی شفافیت کو بڑھانے میں مدد کرتا ہے اور اس بات کی تصدیق اور بہتر بنانے کی کوششوں کی حمایت کرتا ہے کہ ان ماڈلز کو سمجھنا کتنا آسان ہو سکتا ہے۔ تاہم، جبکہ LIME ماڈل کے رویے کے بارے میں ہماری سمجھ کو بہتر بناتا ہے، ماڈلز کی مجموعی وشوسنییتا کا جائزہ لینے میں توثیق کی اضافی تکنیک شامل ہوتی ہے۔
AI ٹیک ریگولیٹری فریم ورک کی تعمیل کو یقینی بنانے اور مالیاتی صنعت میں سرمایہ کاری کی پابندیوں کی نگرانی میں اہم کردار ادا کرتا ہے۔ ان عملوں کو خودکار بنا کر، AI نظام مالیاتی فرموں کو قانونی معیارات پر زیادہ موثر، زیادہ درست طریقے سے قائم رہنے اور پریشانی میں نہ پڑنے میں مدد کرتے ہیں۔ یہ ٹیکنالوجی بڑی مقدار میں ٹرانزیکشنز اور متنوع پورٹ فولیو سرگرمیوں میں تعمیل کی نگرانی کے لیے بہت قیمتی ہے، جہاں یہ ریگولیٹری تقاضوں یا اندرونی رہنما خطوط سے انحراف کی فوری (فوری طور پر، حقیقت میں) نشاندہی کر سکتی ہے۔
مزید برآں، AI کا استعمال انسانی غلطی کے خطرے کو کم کرتا ہے، جو کہ ہائی اسٹیک ریگولیٹری ماحول میں بہت اہم ہے جہاں غلطیاں قانونی اور مالی نتائج کا باعث بن سکتی ہیں۔
خودکار ری بیلنسنگ میں AI ایپلیکیشنز وقت کے ساتھ ساتھ مثالی اثاثہ مختص کو برقرار رکھنے کے لیے اہم ہیں۔ وہ مارکیٹ کی تبدیلیوں یا سرمایہ کار کے رسک پروفائل میں تبدیلیوں کے جواب میں پورٹ فولیوز کو ایڈجسٹ کر سکتے ہیں، جو سٹریٹجک سرمایہ کاری کے اہداف کے ساتھ صف بندی کو یقینی بناتا ہے۔
ان ایپلی کیشنز کے علاوہ جو خاص طور پر سرمایہ کاری کے لیے تیار کی گئی ہیں، اثاثہ جات کے انتظام کے کاروبار کے اندر مصنوعی ذہانت کی ترقی کے امکانات وسیع دکھائی دیتے ہیں۔ تاہم، اس حقیقت کے باوجود کہ ہم فطری طور پر آپریشنل سلسلہ کے مختلف مراحل میں مخصوص ملازمتوں کو خودکار کرنے کا امکان دیکھتے ہیں، مصنوعی ذہانت کی خلل ڈالنے والی طاقت کا پوری طرح سے اندازہ لگانا اب بھی مشکل ہے۔ اس کی وجہ یہ ہے کہ AI سے توقع کی جاتی ہے کہ وہ ایپلیکیشن کے نئے شعبوں کو جنم دے گی کیونکہ اضافی پیشرفت ہوتی ہے۔
ہمیں مصنوعی ذہانت کی حدود کے ساتھ ساتھ ان خطرات کو بھی ذہن میں رکھنا چاہیے جو پورٹ فولیو مینجمنٹ کے کچھ پہلوؤں کے لیے لاحق ہیں، اس حقیقت کے باوجود کہ اس نے مصنوعی ذہانت کے استعمال سے تکنیکی ترقی اور پیداواری فوائد کو ممکن بنایا ہے۔ سب سے پہلے، مصنوعی ذہانت اور مشین سیکھنے کے طریقے ڈیٹا پر انحصار کرتے ہیں جو سیکھنے کے الگورتھم کو کھلانے کے لیے استعمال ہوتے ہیں۔
یہ ضروری ہے کہ یہ ڈیٹا اپ ڈیٹس، درستگی، مکملیت اور نمائندگی کے لحاظ سے اعلیٰ معیار کا ہو۔
اعداد و شمار کے بہت بڑے حجم کی ضرورت کے علاوہ، جو ہمیشہ دستیاب نہیں ہوتا ہے، یہ معاملہ ہے کہ یہ ڈیٹا اچھے معیار کا ہونا چاہیے۔ کسی بھی دوسری صورت میں، جو نتائج پیشین گوئی کرنے والے ماڈلز کا استعمال کرتے ہوئے حاصل کیے جاتے ہیں وہ قابل اعتماد یا لچکدار نہیں ہیں۔
مزید برآں، الگورتھم تجزیہ کیے گئے ڈیٹاسیٹ سے غیر متعلقہ رجحانات کو چن کر غلط مفروضے بھی بنا سکتے ہیں، جس سے غلط نتائج نکل سکتے ہیں۔ اس کے نتیجے میں مجموعی پیمانے پر پکڑنا، چھلانگیں جو بہت تیز ہیں، اور سب سے چھوٹے ممکنہ کریش ہو سکتے ہیں۔ مارکیٹ میں مسابقت کا نقصان اس حقیقت کی وجہ سے ہو سکتا ہے کہ ایک ہی AI الگورتھم کا انتظام کرنے والے بہت سے مارکیٹ آپریٹرز بیک وقت غلط فیصلہ کر سکتے ہیں یا حقیقی وقت کے حالات کے مطابق اسی طرح کا ردعمل ظاہر کر سکتے ہیں۔ ایسا خطرہ جان لیوا ثابت ہو سکتا ہے۔
پورٹ فولیو مینجمنٹ میں AI کے ممکنہ فوائد کے باوجود، جیسا کہ کسی بھی شعبے میں، بہت سارے چیلنجز ہیں جن کو ہمیں ذہن میں رکھنا ہے اور آخرکار - ان کا ازالہ کرنا ہے۔ اہم مشکلات میں سے ایک AI ماڈلز کی شفافیت اور تشریحی مسائل کی ممکنہ کمی ہے، جو مینیجرز کے لیے AI کے ساتھ اپنے تعاون کے نتائج کی وضاحت کرنا مشکل بنا سکتی ہے۔ استعمال کی یہ پیچیدگی ان وجوہات میں سے ایک ہو سکتی ہے جس کی وجہ سے یورپی فنڈز میں AI کو اپنانا نسبتاً کم ہے۔ ستمبر 2022 تک،
یورپی فنانشل مارکیٹس اتھارٹی (ESMA)
اس مقام پر، یہ ظاہر ہوتا ہے کہ مصنوعی ذہانت ابھی بھی اثاثہ جات کے انتظام کی صنعت میں حقیقی لوگوں کو مکمل طور پر تبدیل کرنے سے بہت دور ہے۔ یہ کہا جا رہا ہے، شفافیت، اعتماد کا رشتہ، اور کلائنٹس اور انتظامی ماہرین کے درمیان رابطہ اب بھی پہلے سے کہیں زیادہ اہم خصوصیات ہیں۔
پھر بھی، ہم اس بات سے انکار نہیں کر سکتے کہ مصنوعی ذہانت اپنے ساتھ نئے اور دلچسپ ٹولز لے کر آتی ہے جنہیں ویلیو چین میں استعمال کیا جا سکتا ہے، اور ان ٹولز کی صلاحیت واقعی اس صنعت کے انداز کو بدل سکتی ہے جس طرح آج کل دکھائی دیتی ہے۔