![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Sun'iy intellektning o'sishi turli sohalarga ta'sir ko'rsatdi va moliya sanoati eng ko'p ta'sir ko'rsatganlar qatoriga kiradi. Misol uchun, o'tgan yili GPT-3.5 kabi modellarning ommaga taqdim etilishi fond menejerlarining tahlil qilish, risklarni boshqarish va qarorlar qabul qilish qobiliyatini oshirishga yordam berish uchun AIdan foydalanishga qiziqishni oshirdi.
Shunday qilib, AI vositalari bozor baholarini yanada aniqroq qilish va xavflarni yanada samarali boshqarish uchun amalga oshiriladi. Portfel menejerlari o'z savdolarida mashina o'rganish algoritmlari, tabiiy tillarni qayta ishlash va sun'iy intellekt vositalarini qo'llashda bozor harakatlarini aniqroq baholashlari, tegishli investitsiya tanlovlarini qisqartirishlari va xavflarni boshqarishlari kutilmoqda.
Mashinani o'rganish algoritmlari, shuningdek, tabiiy tilni qayta ishlash vositalarini asosiy o'yinchilarning savdo strategiyalariga integratsiyalashuvi ularga ushbu jarayonlarning samaradorligini oshirishga va tezroq va aniqroq investitsiya qarorlari va bashoratli tahlillar bilan raqobatdosh ustunlikka ega bo'lishga yordam beradi.
So'nggi o'n yilliklarda AI moliya sanoatining turli sohalarida joriy etildi. Orqa ofisda ML algoritmlari ijro jurnallaridagi anomaliyalarni topish, shubhali tranzaktsiyalarni aniqlash, shuningdek, samaradorlik va xavfsizlikni oshirishga olib keladigan xavflarni boshqarish uchun ishlatiladi. Old ofisda AI mijozlarni segmentlarga ajratish, mijozlarni qo'llab-quvvatlash jarayonlarini avtomatlashtirish va lotin narxlarini optimallashtirishga yordam beradi.
Biroq, uning eng qiziq tomoni moliyaning sotib olish tomoni uchun sun'iy intellekt imkoniyatlaridir - iloji boricha tezroq katta hajmdagi ma'lumotlarni tahlil qilish orqali bozor shovqini sharoitida bashorat qiluvchi signallarni aniqlash. Masalan, bunday ilovalar vaqt seriyalarini prognozlash, bozorlarni segmentlash va, albatta, aktivlar portfelini boshqarishni o'z ichiga olishi mumkin. AIning keng ma'lumotlar to'plamini qayta ishlash va tahlil qilish imkoniyatlari an'anaviy usullar o'tkazib yuboradigan nozik naqshlarni topishga yordam beradi.
Portfelni optimallashtirish bir necha o'n yillar davomida keng tarqalgan amaliyot bo'lib, ma'lumotlar fanining rivojlanishi va ilg'or hisoblash texnikasining joriy etilishi ostida sezilarli darajada rivojlandi. Markowitzning zamonaviy portfel nazariyasi (1952) va kapital aktivlarini narxlash modeli (1964) kabi klassik yondashuvlar 50 yildan ko'proq vaqt oldin joriy qilingan, ammo hanuzgacha dolzarbligicha qolmoqda. Biroq, ularning chiziqli bo'lmagan tavakkalchilik bilan shug'ullanishdagi cheklovlari va tarixiy ma'lumotlarga bog'liqligi kundan-kunga aniq bo'lib bormoqda.
Renaissance Technologies, DE Shaw va Two Sigma Investments kabi asosiy o'yinchilar tomonidan keng qo'llaniladigan risklarni modellashtirish, stsenariy tahlili va kvant savdosi kabi amaliyotlar yanada murakkab va ilg'or algoritmlarni amalga oshirishga olib keldi. Bundan tashqari, so'nggi yillarda sanoat sun'iy intellektdan katta ta'sir ko'rsatdi, chunki mashinani o'rganish va sun'iy intellekt bashoratli tahlillarni aniqroq qildi va shaxsiylashtirilgan investitsiya strategiyalari va avtomatlashtirilgan murakkab qarorlar qabul qilish jarayonlarida ham xuddi shunday qildi.
Ushbu sun'iy intellektga asoslangan transformatsiya portfel menejerlariga real vaqt rejimida katta hajmdagi ma'lumotlarni qayta ishlash va uchta asosiy muammoni hal qilish imkonini berdi:
Ga binoan
AI tomonidan quvvatlanadigan aktivlarni boshqarish yechimlarini qabul qilish va investitsiyalarni ko'paytirish va portfelni optimallashtirishda AIdan amaliy foydalanishni ta'kidlash.
Aktivlarni boshqarish sohasida AIni qabul qilish yangi tendentsiya emas; u so'nggi yillarda o'sishni kuzatdi, lekin hali ham bozor ishtirokchilarining kichik soni bilan cheklangan, ya'ni hedj fondlari, miqdoriy boshqaruv idoralari, yirik tadqiqot bo'limlari va IT xizmatlaridan foydalanadigan moliyaviy institutlar.
AI uchun ko'plab qo'llash sohalari allaqachon mavjud:
AI portfel qurilishini optimallashtirish jarayonini sezilarli darajada yaxshilaydi. Misol uchun, Markowitzning zamonaviy portfel nazariyasining konveks optimallashtirish kontseptsiyalariga tayanadigan klassik yondashuvi zamonaviy sun'iy intellektga asoslangan metodologiyalar uchun asos bo'lib xizmat qiladi. Ushbu asosiy nazariyaning juda muhim bo'lishining sababi shundaki, u AI algoritmlari investitsiya strategiyalarini yanada o'zgartirishi va takomillashtirishi mumkin bo'lgan asosni tashkil qiladi.
Hozirgi vaqtda sun'iy intellekt ma'lumotlarning yangi o'lchamlarini o'rganish va ilg'or analitik usullarni birlashtirish orqali ushbu nazariyani kengaytirmoqda. Ushbu kengaytirilgan ma'lumotlar qobiliyati yanada nozik va xabardor qarorlar qabul qilish imkonini beradi - bu sanoatda keng qo'llaniladigan amaliyot.
Ba'zi sun'iy intellekt usullari kompaniya asoslari, makroiqtisodiy muhit yoki bozor sharoitlari haqida katta hajmdagi ma'lumotlardan foydalangan holda miqdoriy boshqaruv bilan mukammal darajada mos keladi. Mashinani o'rganish algoritmlari turli o'zgaruvchilar orasidagi murakkab chiziqli bo'lmagan munosabatlarni topishi va, albatta, tahlilchilar qila olmaydigan tendentsiyalarni aniqlashi mumkin.
Matnni tahlil qilish - fundamental tahlilda AIning yana bir qo'llanilishi. Tabiiy tilni qayta ishlash (NLP) yordamida AI korporativ daromad hisobotlari, markaziy bank press-relizlari va moliyaviy yangiliklar kabi matn manbalarini qayta ishlaydi va tahlil qiladi. NLP orqali AI ushbu tuzilmagan ma'lumotlardan iqtisodiy va moliyaviy jihatdan muhim ma'lumotlarni olishi mumkin. Shunday qilib, u insoniy talqinlarni yaxshilaydigan va yordam beradigan miqdoriy va tizimli o'lchovni ta'minlaydi.
AIning vakolatlari tranzaktsiyalarning murakkabligi va tezlikka bo'lgan ehtiyoj muvozanatda bo'lgan savdoda juda foydali. AI jarayonning ko'p bosqichlarini avtomatlashtirish, moliya bozorlarida boshqariladigan tranzaktsiyalar samaradorligini oshirish orqali algoritmik savdoni qo'llab-quvvatlaydi.
AI shaxsiylashtirilgan investitsion maslahat xizmatlarini arzonroq narxda kengroq taklif qilish imkoniyatini ochdi. Ushbu tizimlar real vaqt rejimida bozor ma'lumotlarini qayta ishlash uchun murakkab algoritmlardan foydalanadi va ularning qaytish maqsadlari va xavf profillariga asoslanib, individual mijozlar ehtiyojlari uchun eng mos strategiyalarni ishlab chiqadi.
Xatarlarni boshqarishda sun'iy intellekt turli xil "ehtimol, ammo istalmagan" stsenariylarni modellashtirish orqali yordam beradi, bu esa o'z navbatida faqat ehtimoliy natijalarga qaratilgan an'anaviy amaliyotlarni kuchaytiradi.
Klassik mashinani o'rganish usullari portfelni boshqarishda hali ham juda mashhur va ular: chiziqli modellar, jumladan oddiy eng kichik kvadratlar, tizma regressiyasi va Lasso regressiyasi. Ular ko'pincha o'rtacha farqni optimallashtirish protsedurasi va matritsalarni ajratish usullari bilan birlashtiriladi, masalan, Singular Value Decomposition (SVD) va Principal Component Analysis (PCA) kabi aktivlar munosabatlarini tushunish va portfel taqsimotlarini optimallashtirish uchun asos bo'ladi.
Ushbu klassik yondashuvlar va zamonaviyroq usullar o'rtasida Yordam Vektor Mashinalari (SVMs) joylashgan. Garchi SVMlar amalda qo'llanilsa-da, ular unchalik keng qo'llanilmaydi, lekin ular, xususan, aktsiyalarning ishlashini prognoz qilishga qaratilgan tasniflash vazifalarida muhim rol o'ynaydi.
Bu vazifalar odatda qimmatli qog'ozlar foyda yoki zarar ko'rishini bashorat qilishni o'z ichiga oladi, aktivlarni toifalarga bo'lish va ularning ishlashini prognoz qilish uchun tarixiy moliyaviy ma'lumotlardan, shu jumladan aktsiya bahosining o'zgarishi va savdo hajmidan foydalanish.
Keyinchalik zamonaviy usullar haqida gapiradigan bo'lsak, neyron tarmoqlar portfelni boshqarish uchun mashinani o'rganishda katta yutuqlarni ko'rsatadi va an'anaviy modellar bilan olish qiyin bo'lgan murakkab chiziqli bo'lmagan naqshlarni modellashtirish uchun yaxshilangan imkoniyatlarni taklif qiladi. Neyron tarmoqlardan tashqari, nazorat ostida va nazoratsiz o'rganish kabi boshqa klassik yondashuvlar ma'lumotlar tahlilini yanada takomillashtirish va takomillashtirish, nozik bozor signallarini topish va ulardan foydalanish imkonini beradi.
Reinforcement Learning va Deep Q-Learning kabi yangi yondashuvlar ushbu fazilatlarni tezkor qarorlar qabul qilish muhitiga olib keladi, bu erda portfellar real vaqt rejimida bozordagi fikr-mulohazalardan o'rganish asosida moliyaviy natijalarni optimallashtirish uchun sozlanishi mumkin.
Tuyg'ularni tahlil qilish kabi tabiiy tilni qayta ishlash usullari gazeta maqolalari, ijtimoiy media xabarlari va tahlilchilar hisobotlari kabi narsalardan umumiy fikrlarni tanlash va tanlashga yordam beradi. Bundan tashqari, portfel menejerlari investorlarning kayfiyatini his qilish va bozor harakatlarini bashorat qilish uchun moliyaviy ommaviy axborot vositalarida qo'llaniladigan tilni, shu jumladan firmalarning daromadlari to'g'risidagi hisobotlarni tahlil qilishlari mumkin, bularning barchasi qaror qabul qilish jarayonida muhim ma'lumotdir.
Yuqori chastotali savdoga (HFT) ixtisoslashgan firmalar, masalan, sun'iy intellektga asoslangan miqdoriy savdo algoritmlarini qo'llaydiganlar, bozorda bir lahzada yuzaga keladigan samarasizliklardan pul ishlashadi. Ushbu firmalar tegishli bozor ma'lumotlarini o'ta yuqori tezlikda tahlil qilish uchun mashinani o'rganish texnologiyalaridan foydalanadilar va bir millisekundgacha qisqa vaqt ichida aniq vaqt bilan buyurtma berishadi.
Bunday tezkor ijro ularga arbitraj imkoniyatlaridan foydalanishga va narxlardagi tafovutlar bo'yicha raqobatchilarga qaraganda tezroq chora ko'rish orqali maksimal foyda olishga imkon beradi. Renaissance Technologies o'zining miqdoriy savdo yondashuvlari bilan mashhur bo'lsa-da, asosan tezlikka qaratilgan an'anaviy HFT amaliyotlaridan turli ushlab turish davrlarini o'z ichiga olgan kengroq strategiyasini yodda tutish kerak.
LIME (Local Interpretable Model-agnostic Explanations) - bu murakkab mashinalarni o'rganish modellari natijalarini yanada tushunarli qilish uchun ishlatiladigan taniqli XAI usuli. Portfelni boshqarishda bu usul qora quti modellari qanday bashorat qilishini izohlash uchun juda qimmatli bo'lishi mumkin. Kirish ma'lumotlaridan foydalanish va model natijalariga ta'sirini tahlil qilish orqali LIME portfel menejerlari va ma'lumotlar olimlariga qaysi xususiyatlar boshqalarga qaraganda investitsiya qarorlariga ko'proq ta'sir qilishini aniqlashga yordam beradi.
Bu jarayon sunʼiy intellekt yordamida qabul qilinadigan qarorlarning shaffofligini oshirishga yordam beradi va ushbu modellarni tushunish qanchalik oson ekanligini tekshirish va yaxshilash boʻyicha harakatlarni qoʻllab-quvvatlaydi. Biroq, LIME bizning model xatti-harakatlarini tushunishimizni yaxshilagan bo'lsa-da, modellarning umumiy ishonchliligini baholash qo'shimcha tekshirish usullarini o'z ichiga oladi.
AI texnologiyasi me'yoriy-huquqiy bazaga rioya qilishni ta'minlash va moliya sanoatida investitsiya cheklovlarini kuzatishda katta rol o'ynaydi. Ushbu jarayonlarni avtomatlashtirish orqali AI tizimlari moliyaviy firmalarga qonuniy standartlarga yanada samaraliroq, aniqroq rioya qilishga va muammoga duch kelmaslikka yordam beradi. Ushbu texnologiya katta hajmdagi tranzaktsiyalar va turli xil portfel faoliyati bo'yicha muvofiqlikni nazorat qilishda juda qimmatlidir, bu erda u tartibga soluvchi talablardan yoki ichki ko'rsatmalardan og'ishlarni tezda (bir zumda) aniqlay oladi.
Bundan tashqari, sun'iy intellektdan foydalanish inson xatosi xavfini minimallashtiradi, bu xatolar huquqiy va moliyaviy oqibatlarga olib kelishi mumkin bo'lgan yuqori darajadagi tartibga solish muhitida juda muhimdir.
Avtomatlashtirilgan qayta muvozanatlashda AI ilovalari vaqt o'tishi bilan ideal aktiv taqsimotini saqlab qolish uchun juda muhimdir. Ular portfellarni bozordagi o'zgarishlarga yoki investorning risk profilidagi o'zgarishlarga javoban moslashtirishi mumkin, bu esa strategik investitsiya maqsadlariga mos kelishini ta'minlaydi.
Investitsiyalar uchun maxsus mo'ljallangan ilovalardan tashqari, aktivlarni boshqarish biznesida sun'iy intellektni rivojlantirish imkoniyatlari keng ko'rinadi. Biroq, biz instinktiv ravishda operatsion zanjirning turli bosqichlarida muayyan ishlarni avtomatlashtirish imkoniyatini ko'rishimizga qaramay, sun'iy intellektning buzuvchi kuchini to'liq taxmin qilish hali ham qiyin. Buning sababi, qo'shimcha yutuqlar ishlab chiqilganligi sababli, AI qo'llashning yangi sohalarini keltirib chiqarishi kutilmoqda.
Sun'iy intellektning cheklovlari, shuningdek, sun'iy intellektdan foydalangan holda texnologik taraqqiyot va samaradorlikni oshirish imkonini berganiga qaramay, portfelni boshqarishning ba'zi jihatlari uchun xavf tug'dirishini yodda tutishimiz kerak. Birinchi navbatda, sun'iy intellekt va mashinani o'rganish yondashuvlari o'rganish algoritmlarini ta'minlash uchun ishlatiladigan ma'lumotlarga tayanadi.
Ushbu ma'lumotlar yangilanish, aniqlik, to'liqlik va reprezentativlik nuqtai nazaridan yuqori sifatli bo'lishi kerak.
Har doim ham mavjud bo'lmagan juda katta hajmdagi ma'lumotlarga bo'lgan talabdan tashqari, bu ma'lumotlar sifatli bo'lishi kerak. Boshqa har qanday holatda, bashoratli modellar yordamida olingan topilmalar ishonchli yoki bardoshli emas.
Bundan tashqari, algoritmlar tahlil qilinadigan ma'lumotlar to'plamidan nomaqbul tendentsiyalarni tanlab, noto'g'ri taxminlar chiqarishi mumkin, bu esa noto'g'ri xulosalarga olib kelishi mumkin. Bu katta hajmdagi ushlash, juda o'tkir sakrash va eng kichik halokatlarga olib kelishi mumkin. Bozor raqobatining yo'qolishi bir xil AI algoritmlarini boshqaradigan ko'plab bozor operatorlari bir vaqtning o'zida noto'g'ri qaror qabul qilishi yoki real vaqt rejimida shunga o'xshash tarzda munosabatda bo'lishi mumkinligi sababli sodir bo'lishi mumkin. Bunday xavf o'limga olib kelishi mumkin.
Portfelni boshqarishda sun'iy intellektning mumkin bo'lgan afzalliklariga qaramay, har qanday sohada bo'lgani kabi, biz yodda tutishimiz va oxir-oqibat hal qilishimiz kerak bo'lgan ko'plab muammolar mavjud. Asosiy qiyinchiliklardan biri bu AI modellarining shaffofligi va talqini bilan bog'liq muammolarning etishmasligi bo'lib, bu menejerlarga sun'iy intellekt bilan hamkorlik natijalarini tushuntirishni qiyinlashtirishi mumkin. Ushbu foydalanishning murakkabligi Evropa fondlarida AIning qabul qilinishi nisbatan past bo'lishining sabablaridan biri bo'lishi mumkin. 2022-yil sentabr holatiga ko‘ra,
Yevropa moliya bozorlari boshqarmasi (ESMA)
Shu nuqtada, sun'iy intellekt aktivlarni boshqarish sohasida haqiqiy odamlarni butunlay almashtirishdan hali uzoq yo'l ekanligi ko'rinadi. Aytgancha, shaffoflik, ishonch munosabatlari va mijozlar va boshqaruv mutaxassislari o'rtasidagi aloqa hozirda har qachongidan ham muhim xususiyatlar bo'lib qolmoqda.
Shunga qaramay, biz sun'iy intellekt qiymat zanjirida ishlatilishi mumkin bo'lgan yangi va qiziqarli vositalarni olib kelishini inkor eta olmaymiz va bu vositalarning salohiyati sanoatning bugungi ko'rinishini haqiqatdan ham o'zgartirishi mumkin.