Жасанды интеллект қор нарығын болжай ала ма?

Кіріспе

Қор нарығын болжау ұзақ уақыт бойы бүкіл әлемдегі институционалдық және бөлшек сауда инвесторлары іздеген қаржылық «қасиетті граал» болды. Жасанды интеллект (ЖИ) және машиналық оқыту (МА) көпшілік бұл технологиялар акция бағаларын болжаудың құпиясын ашты ма деп ойлайды. ЖИ қор нарығын болжай ала ма? қаржы нарығын болжау контексінде істей алатыны және алмайтыны туралы жарнамаға емес, зерттеулерге негізделген бейтарап талдау ұсынамыз

Қаржы теориясында болжаудың қиындығы Тиімді нарық гипотезасымен (ТНГ) . ТНГ (әсіресе оның «күшті» түрінде) акция бағалары кез келген уақытта барлық қолжетімді ақпаратты толық көрсетеді деп тұжырымдайды, яғни ешбір инвестор (тіпті инсайдерлер де) қолжетімді ақпаратпен сауда жасау арқылы нарықтан үнемі асып түсе алмайды ( Нейрондық желілерге негізделген деректерге негізделген акцияларды болжау модельдері: шолу ). Қарапайым тілмен айтқанда, егер нарықтар өте тиімді болса және бағалар кездейсоқ өзгерсе , онда болашақ бағаларды дәл болжау мүмкін емес дерлік. Осы теорияға қарамастан, нарықты жеңу азғыруы озық болжау әдістерін кеңінен зерттеуге түрткі болды. Жасанды интеллект және машиналық оқыту үлкен көлемдегі деректерді өңдеу және адамдар жіберіп алуы мүмкін нәзік үлгілерді анықтау қабілетінің арқасында бұл мақсаттың орталығына айналды ( Акция нарығын болжау үшін машиналық оқытуды пайдалану... | FMP ).

Бұл ақ қағаз қор нарығын болжау үшін қолданылатын жасанды интеллект әдістеріне жан-жақты шолу жасайды және олардың тиімділігін бағалайды. Біз танымал модельдердің теориялық негіздерін деректер мен оқыту процесін және мұндай жүйелер кездесетін негізгі шектеулер мен қиындықтарды , мысалы, нарықтық тиімділік, деректер шуы және болжанбайтын сыртқы оқиғаларды атап өтеміз. Осы уақытқа дейін алынған аралас нәтижелерді көрсету үшін нақты әлемдегі зерттеулер мен мысалдар келтірілген. Соңында, біз инвесторлар мен мамандар үшін нақты күтулермен қорытындылаймыз: қаржы нарықтары ешқандай алгоритм толығымен жоя алмайтын болжанбайтын деңгейді сақтайтынын мойындай отырып, жасанды интеллекттің әсерлі мүмкіндіктерін мойындау.

Қор нарығын болжаудағы жасанды интеллекттің теориялық негіздері

Қазіргі заманғы жасанды интеллектке негізделген қорларды болжау статистика, қаржы және информатика саласындағы ондаған жылдар бойы жүргізілген зерттеулерге негізделген. Дәстүрлі модельдерден бастап озық жасанды интеллектке дейінгі тәсілдердің спектрін түсіну пайдалы:

• Дәстүрлі уақыт қатары модельдері: Өткен бағалардағы үлгілерді болашақты болжай алатын статистикалық модельдерге негізделген алғашқы акцияларды болжау. ARIMA (Авто-регрессивті интеграцияланған қозғалмалы орташа) және ARCH/GARCH уақыт қатары деректерінде сызықтық үрдістерді және құбылмалылықты кластерлеуді түсіруге бағытталған ( Нейрондық желілерге негізделген деректерге негізделген акцияларды болжау модельдері: шолу ). Бұл модельдер стационарлық және сызықтық болжамдар бойынша тарихи баға тізбектерін модельдеу арқылы болжау үшін базалық негіз береді. Пайдалы болғанымен, дәстүрлі модельдер көбінесе нақты нарықтардың күрделі, сызықтық емес үлгілерімен күреседі, бұл іс жүзінде болжау дәлдігінің шектеулі болуына әкеледі ( Нейрондық желілерге негізделген деректерге негізделген акцияларды болжау модельдері: шолу ).

• Машиналық оқыту алгоритмдері: деректерден тікелей үлгілерді үйрену арқылы алдын ала анықталған статистикалық формулалардан асып түседі Тірек векторлық машиналар (ТВМ) , кездейсоқ ормандар және градиент күшейту сияқты алгоритмдер акцияларды болжауға қолданылды. Олар техникалық индикаторлардан (мысалы, қозғалмалы орташалар, сауда көлемі) бастап іргелі индикаторларға (мысалы, табыс, макроэкономикалық деректер) дейін көптеген кіріс мүмкіндіктерін қамти алады және олардың арасындағы сызықтық емес қатынастарды таба алады. Мысалы, кездейсоқ орман немесе градиент күшейту моделі бір уақытта ондаған факторларды қарастыра алады, қарапайым сызықтық модель жіберіп алуы мүмкін өзара әрекеттесулерді түсіреді. Бұл ML модельдері деректердегі күрделі сигналдарды анықтау арқылы болжамдық дәлдікті аздап жақсарту мүмкіндігін көрсетті ( Қор нарығын болжау үшін машиналық оқытуды пайдалану... | FMP ). Дегенмен, олар шамадан тыс сәйкестендіруден (сигналдың орнына шуды үйрену) аулақ болу үшін мұқият реттеуді және жеткілікті деректерді қажет етеді.

• Терең оқыту (нейрондық желілер): Адам миының құрылымынан шабыттанған терең нейрондық желілер қайталанатын нейрондық желілер (RNN) және олардың нұсқасы Ұзақ мерзімді жад (LSTM) желілері акция бағасының уақыттық қатарлары сияқты тізбектік деректер үшін арнайы жасалған. LSTM өткен ақпаратты жадында сақтай алады және уақыттық тәуелділіктерді түсіре алады, бұл оларды нарықтық деректердегі үрдістерді, циклдарды немесе басқа уақытқа тәуелді үлгілерді модельдеуге жақсы сәйкестендіреді. Зерттеулер LSTM және басқа терең оқыту модельдері қарапайым модельдер жіберіп алатын қаржылық деректердегі күрделі, сызықтық емес қатынастарды конволюциялық нейрондық желілер (CNN) (кейде техникалық индикаторлық «кескіндер» немесе кодталған тізбектерде қолданылады), трансформаторлар (әртүрлі уақыт қадамдарының немесе деректер көздерінің маңыздылығын өлшеу үшін назар аудару механизмдерін пайдаланады) және тіпті графтық нейрондық желілер (GNN) (нарықтық графигіндегі акциялар арасындағы қатынастарды модельдеу үшін) жатады. Бұл озық нейрондық желілер тек баға деректерін ғана емес, сонымен қатар жаңалықтар мәтіні, әлеуметтік медиа пікірлері және басқа да балама деректер көздерін де қабылдай алады, нарықтық қозғалыстарды болжай алатын абстрактілі мүмкіндіктерді үйренеді ( Қор нарығын болжау үшін машиналық оқытуды пайдалану... | FMP ). Терең оқытудың икемділігі шығындармен бірге жүреді: олар деректерге аса көп көңіл бөледі, есептеулерді көп қажет етеді және көбінесе түсіндіру мүмкіндігі аз «қара жәшіктер» ретінде жұмыс істейді.

• Күшейтуді оқыту: Жасанды интеллект акцияларын болжаудың тағы бір шегі - күшейтуді оқыту (RL) , мұндағы мақсат тек бағаларды болжау ғана емес, сонымен қатар оңтайлы сауда стратегиясын үйрену. RL құрылымында агент (ЖИ моделі) әрекеттер жасау (сатып алу, сату, ұстап тұру) және сыйақылар (пайда немесе шығын) алу арқылы қоршаған ортамен (нарықпен) өзара әрекеттеседі. Уақыт өте келе агент жинақталған сыйақыны барынша арттыратын саясатты үйренеді. Терең күшейтуді оқыту (DRL) нарықтардың үлкен күй кеңістігін басқару үшін нейрондық желілерді күшейтуді оқытумен біріктіреді. Қаржы саласындағы ЖИ-дің тартымдылығы - оның шешімдердің тізбегін және бағаларды оқшау болжаудың орнына инвестициялық кірістілікті тікелей оңтайландыру мүмкіндігі. Мысалы, ЖИ агенті баға сигналдарына сүйене отырып, позицияларға қашан кіру немесе шығу керектігін үйрене алады және тіпті нарық жағдайлары өзгерген сайын бейімделе алады. Атап айтқанда, ЖИ сандық сауда жарыстарында және кейбір меншікті сауда жүйелерінде бәсекелесетін ЖИ модельдерін оқыту үшін қолданылған. Дегенмен, RL әдістері де елеулі қиындықтарға тап болады: олар кең ауқымды оқытуды қажет етеді (жылдар бойы сауданы модельдеу), мұқият реттелмеген жағдайда тұрақсыздыққа немесе әртүрлі мінез-құлыққа ұшырауы мүмкін және олардың өнімділігі болжамды нарықтық ортаға өте сезімтал. Зерттеушілер жоғары есептеу құны мен тұрақтылық мәселелері терең күшейту бойынша оқытуды пайдаланып қор нарығын болжау қалыптастыру үшін басқа әдістермен (мысалы, бағаны болжау модельдерін және RL негізіндегі бөлу стратегиясын пайдалану) біріктірілгенде, .

Деректер көздері және оқыту процесі

Модель түріне қарамастан, деректер жасанды интеллект қор нарығын болжаудың негізі болып табылады . Модельдер әдетте тарихи нарықтық деректер мен басқа да байланысты деректер жиынтықтары бойынша үлгілерді анықтау үшін оқытылады. Жалпы деректер көздері мен мүмкіндіктеріне мыналар жатады:

• Тарихи бағалар және техникалық индикаторлар: Барлық дерлік модельдер бұрынғы акция бағаларын (ашылу, жоғары, төмен, жабылу) және сауда көлемдерін пайдаланады. Осылардан аналитиктер көбінесе техникалық индикаторларды (қозғалмалы орташалар, салыстырмалы күш индексі, MACD және т.б.) кіріс ретінде алады. Бұл индикаторлар модель пайдалана алатын үрдістерді немесе импульсті көрсетуге көмектеседі. Мысалы, модель келесі күнгі баға қозғалысын болжау үшін бағалар мен көлемнің соңғы 10 күніндегі мәліметтерді, сондай-ақ 10 күндік қозғалмалы орташа немесе құбылмалылық өлшемдері сияқты индикаторларды кіріс ретінде қабылдауы мүмкін.

• Нарықтық индекстер және экономикалық деректер: Көптеген модельдер индекс деңгейлері, пайыздық мөлшерлемелер, инфляция, ЖІӨ өсуі немесе басқа экономикалық көрсеткіштер сияқты кеңірек нарықтық ақпаратты қамтиды. Бұл макро ерекшеліктер жеке акциялардың көрсеткіштеріне әсер ете алатын контекстті (мысалы, жалпы нарықтық көңіл-күй немесе экономикалық денсаулық) қамтамасыз етеді.

• Жаңалықтар мен көңіл-күй деректері: Жаңалықтар мақалалары, әлеуметтік медиа арналары (Twitter, Stocktwits) және қаржылық есептер сияқты құрылымдалмаған деректерді қабылдайтын жасанды интеллект жүйелерінің саны артып келеді. BERT сияқты озық модельдерді қоса алғанда, табиғи тілді өңдеу (NLP) әдістері нарықтық көңіл-күйді бағалау немесе тиісті оқиғаларды анықтау үшін қолданылады. Мысалы, егер компания немесе сектор үшін жаңалықтар көңіл-күйі кенеттен күрт теріске айналса, жасанды интеллект моделі тиісті акция бағаларының төмендеуін болжай алады. Нақты уақыттағы жаңалықтар мен әлеуметтік медиа көңіл-күйін жасанды интеллект жаңа ақпаратқа адам саудагерлеріне қарағанда жылдамырақ жауап бере алады.

• Балама деректер: Кейбір күрделі хедж-қорлар мен жасанды интеллект зерттеушілері болжамды түсініктер алу үшін балама деректер көздерін – спутниктік суреттерді (дүкен трафигі немесе өндірістік қызмет үшін), несие картасымен жасалған транзакциялар туралы деректерді, веб-іздеу үрдістерін және т.б. пайдаланады. Бұл дәстүрлі емес деректер жиынтығы кейде акциялардың өнімділігінің жетекші көрсеткіштері ретінде қызмет ете алады, дегенмен олар модельдерді оқытуда күрделілік тудырады.

Жасанды интеллект моделін акцияларды болжау үшін оқыту оған осы тарихи деректерді беруді және болжау қателігін азайту үшін модель параметрлерін түзетуді қамтиды. Әдетте, деректер оқыту жиынтығына (мысалы, үлгілерді үйрену үшін ескі тарих) және сынақ/валидация жиынтығына (көрінбейтін жағдайларда өнімділікті бағалауға арналған соңғы деректер) бөлінеді. Нарықтық деректердің тізбекті сипатын ескере отырып, «болашаққа көз жүгіртуден» аулақ болуға тырысылады - мысалы, модельдер нақты саудада қалай жұмыс істейтінін модельдеу үшін оқыту кезеңінен кейінгі уақыт кезеңдеріндегі деректер бойынша бағаланады. айқаспалы валидация әдістері (мысалы, алға қарай валидация) модельдің жақсы жалпылануын және тек бір белгілі бір кезеңге сәйкес келмейтінін қамтамасыз ету үшін қолданылады.

Сонымен қатар, мамандар деректердің сапасы мен алдын ала өңдеу мәселелерін шешуі керек. Деректердің жетіспеушілігі, ауытқулар (мысалы, акциялардың бөлінуіне немесе бір реттік оқиғаларға байланысты кенеттен күрт өсу) және нарықтардағы режимнің өзгеруі модельді оқытуға әсер етуі мүмкін. Енгізілген деректерге қалыпқа келтіру, трендтерді азайту немесе маусымсыздандыру сияқты әдістер қолданылуы мүмкін. Кейбір озық тәсілдер баға қатарларын компоненттерге (трендтер, циклдар, шу) бөледі және оларды бөлек модельдейді (вариациялық режимнің бөлінуін нейрондық желілермен біріктіретін зерттеулерде көрсетілгендей ( терең күшейтуді оқытуды қолдана отырып, қор нарығын болжау )).

Әртүрлі модельдердің оқыту талаптары әртүрлі: терең оқыту модельдері жүздеген мың деректер нүктелерін қажет етуі мүмкін және GPU үдеуінен пайда көруі мүмкін, ал логистикалық регрессия сияқты қарапайым модельдер салыстырмалы түрде кішірек деректер жиынтықтарынан үйрене алады. Күшейтілген оқыту модельдері өзара әрекеттесу үшін симуляторды немесе ортаны қажет етеді; кейде тарихи деректер RL агентіне қайта ойнатылады немесе тәжірибе жасау үшін нарық симуляторлары қолданылады.

Соңында, оқытылғаннан кейін, бұл модельдер болжамдық функцияны береді – мысалы, ертеңгі күнге болжамды баға, акцияның өсу ықтималдығы немесе ұсынылған әрекет (сатып алу/сату) болуы мүмкін шығыс. Бұл болжамдар әдетте нақты ақша тәуекелге ұшырамас бұрын сауда стратегиясына (позиция өлшемімен, тәуекелдерді басқару ережелерімен және т.б.) біріктіріледі.

Шектеулер мен қиындықтар

Жасанды интеллект модельдері өте күрделі болғанымен, қор нарығын болжау өте қиын міндет болып қала береді . Төменде жасанды интеллекттің нарықтарда кепілдендірілген балгер болуына кедергі келтіретін негізгі шектеулер мен кедергілер келтірілген:

• Нарық тиімділігі және кездейсоқтық: Бұрын айтылғандай, Тиімді нарық гипотезасы бағалардың бұрыннан белгілі ақпаратты көрсететінін, сондықтан кез келген жаңа ақпарат дереу түзетулер енгізетінін айтады. Іс жүзінде бұл бағаның өзгеруі көбінесе күтпеген жаңалықтармен немесе кездейсоқ ауытқулармен байланысты екенін білдіреді. Шынында да, ондаған жылдар бойы жүргізілген зерттеулер қысқа мерзімді акция бағасының қозғалысы кездейсоқ серуенге ұқсайтынын анықтады ( Нейрондық желілерге негізделген деректерге негізделген акция болжау модельдері: шолу ) – кешегі бағаның ертеңгі бағаға әсері аз, мүмкіндіктің болжағанынан тыс. Егер акция бағалары негізінен кездейсоқ немесе «тиімді» болса, ешбір алгоритм оларды жоғары дәлдікпен үнемі болжай алмайды. Бір зерттеуде қысқаша айтылғандай, «кездейсоқ серуен гипотезасы мен тиімді нарық гипотезасы болашақ акция бағаларын жүйелі түрде, сенімді түрде болжау мүмкін емес екенін көрсетеді» ( S&P 500 акцияларының салыстырмалы кірісін машиналық оқытуды пайдаланып болжау | Қаржылық инновация | Толық мәтін ). Бұл жасанды интеллект болжамдары әрқашан пайдасыз дегенді білдірмейді, бірақ ол негізгі шекті көрсетеді: нарық қозғалысының көп бөлігі тіпті ең жақсы модель де алдын ала болжай алмайтын шу болуы мүмкін.

• Шу және болжанбайтын сыртқы факторлар: Акция бағаларына көптеген факторлар әсер етеді, олардың көпшілігі экзогендік және болжанбайтын. Геосаяси оқиғалар (соғыстар, сайлаулар, реттеуші өзгерістер), табиғи апаттар, пандемиялар, кенеттен пайда болған корпоративтік жанжалдар немесе тіпті вирустық әлеуметтік желілердегі қауесеттер нарықтарды күтпеген жерден қозғауы мүмкін. Бұл модельде алдын ала оқыту деректері бола алмайтын (өйткені олар бұрын-соңды болмаған) немесе сирек кездесетін соққылар ретінде болатын оқиғалар. Мысалы, 2010-2019 жылдардағы тарихи деректерге негізделген ешқандай жасанды интеллект моделі 2020 жылдың басындағы COVID-19 апатын немесе оның тез қалпына келуін нақты болжай алмады. Қаржылық жасанды интеллект модельдері режимдер ауысқанда немесе бір ғана оқиға бағаларды көтергенде қиындықтарға тап болады. Бір дереккөз атап өткендей, геосаяси оқиғалар немесе кенеттен экономикалық деректердің жариялануы сияқты факторлар болжамдарды бірден ескіртуі мүмкін ( Қор нарығын болжау үшін машиналық оқытуды пайдалану... | FMP ) ( Қор нарығын болжау үшін машиналық оқытуды пайдалану... | FMP ). Басқаша айтқанда, күтпеген жаңалықтар әрқашан алгоритмдік болжамдарды жоққа шығара алады , бұл төмендетілмейтін белгісіздік деңгейін енгізеді.

• Шамадан тыс сәйкестендіру және жалпылау: шамадан тыс сәйкестендіруге бейім – яғни олар оқыту деректеріндегі «шуды» немесе ерекшеліктерді негізгі жалпы үлгілерге қарағанда тым жақсы үйренуі мүмкін. Шамадан тыс сәйкестендіру моделі тарихи деректерде тамаша жұмыс істеуі мүмкін (тіпті әсерлі кері тексерілген кірістілікті немесе үлгідегі жоғары дәлдікті көрсетсе де), бірақ жаңа деректерде сәтсіздікке ұшырауы мүмкін. Бұл сандық қаржыландырудағы жиі кездесетін қателік. Мысалы, күрделі нейрондық желі өткенде кездейсоқтықпен сақталған жалған корреляцияларды анықтауы мүмкін (мысалы, соңғы 5 жылдағы көтерілістерге дейін болған индикаторлық қиылыстардың белгілі бір үйлесімі), бірақ бұл қатынастар алға жылжымауы мүмкін. Практикалық мысал: өткен жылғы акция жеңімпаздарының әрқашан өсетінін болжайтын модель жасауға болады – ол белгілі бір кезеңге сәйкес келуі мүмкін, бірақ егер нарықтық режим өзгерсе, бұл үлгі бұзылады. Шамадан тыс сәйкестендіру үлгіден тыс өнімділіктің нашарлығына әкеледі , яғни модельдің тікелей саудадағы болжамдары әзірлеуде керемет көрінгенімен, кездейсоқтықтан артық болмауы мүмкін. Шамадан тыс сәйкестендіруден аулақ болу үшін тұрақтыландыру, модельдің күрделілігін бақылауда ұстау және сенімді валидацияны пайдалану сияқты әдістер қажет. Дегенмен, жасанды интеллект модельдеріне күш беретін күрделіліктің өзі оларды бұл мәселеге осал етеді.

• Деректердің сапасы мен қолжетімділігі: «Қоқыс кірсе, қоқыс шығады» деген мақал қорларды болжаудағы жасанды интеллектке қатты қатысты. Деректердің сапасы, саны және өзектілігі модельдің жұмысына айтарлықтай әсер етеді. Егер тарихи деректер жеткіліксіз болса (мысалы, бірнеше жылдық қор бағалары бойынша терең желіні оқытуға тырысу) немесе репрезентативтік емес болса (мысалы, төмендеу сценарийін болжау үшін көбінесе өсу кезеңіндегі деректерді пайдалану), модель жақсы жалпыланбайды. Деректер де біржақты немесе тірі қалу мүмкіндігіне (мысалы, қор индекстері уақыт өте келе нашар нәтиже көрсететін компанияларды табиғи түрде төмендетеді, сондықтан тарихи индекс деректері жоғары қарай бағытталған болуы мүмкін). Деректерді тазалау және сұрыптау - бұл маңызды емес міндет. Сонымен қатар, балама деректер Жиілік мәселесі де бар : жоғары жиілікті сауда модельдеріне көлемі үлкен және арнайы инфрақұрылымды қажет ететін тик-тик деректер қажет, ал төмен жиілікті модельдер күнделікті немесе апта сайынғы деректерді пайдалануы мүмкін. Деректердің уақыт бойынша сәйкес келуін (мысалы, жаңалықтардың сәйкес баға деректерімен) және алдын ала болжам жасаудан аулақ болуын қамтамасыз ету үздіксіз қиындық болып табылады.

• Модельдің ашықтығы және түсіндірілуі: Көптеген жасанды интеллект модельдері, әсіресе терең оқыту модельдері, қара жәшіктер . Олар оңай түсіндірілетін себепсіз болжам немесе сауда сигналын шығаруы мүмкін. Бұл ашықтықтың болмауы инвесторлар үшін, әсіресе мүдделі тараптарға шешімдерін негіздеуі немесе ережелерді сақтауы қажет институционалдық модельдер үшін проблема тудыруы мүмкін. Егер жасанды интеллект моделі акциялардың төмендейтінін болжап, сатуды ұсынса, портфолио менеджері негіздемені түсінбесе, тартынуы мүмкін. Жасанды интеллект шешімдерінің ашықтығы модельдің дәлдігіне қарамастан, сенімділік пен қабылдауды төмендетуі мүмкін. Бұл қиындық қаржы үшін түсіндірілетін жасанды интеллект бойынша зерттеулерді ынталандыруда, бірақ модельдің күрделілігі/дәлдігі мен түсіндірілуі арасында көбінесе ымыраға келу болатыны рас.

• Бейімделгіш нарықтар және бәсекелестік: бейімделгіш екенін ескеру маңызды . Болжамдық үлгіні (жасанды интеллект немесе кез келген әдіс арқылы) көптеген трейдерлер пайдаланғаннан кейін, ол жұмысын тоқтатуы мүмкін. Мысалы, егер жасанды интеллект моделі белгілі бір сигналдың акцияның өсуінен бұрын болатынын анықтаса, трейдерлер сол сигналға ертерек әрекет ете бастайды, осылайша мүмкіндікті пайдаланып кетеді. Негізінде, нарықтар белгілі стратегияларды жоққа шығару үшін дами алады . Бүгінгі таңда көптеген сауда фирмалары мен қорлары жасанды интеллект және машина жасауды пайдаланады. Бұл бәсекелестік кез келген артықшылықтың көбінесе шағын және қысқа мерзімді болатынын білдіреді. Нәтижесінде, жасанды интеллект модельдері нарықтың өзгермелі динамикасын қадағалау үшін үнемі қайта даярлауды және жаңартуды қажет етуі мүмкін. Жоғары өтімді және жетілген нарықтарда (мысалы, АҚШ-тың ірі капитализацияланған акцияларында) көптеген күрделі ойыншылар бірдей сигналдарды іздейді, бұл артықшылықты сақтауды өте қиындатады. Керісінше, тиімділігі төмен нарықтарда немесе тар активтерде жасанды интеллект уақытша тиімсіздікке тап болуы мүмкін - бірақ бұл нарықтар жаңғырған сайын алшақтық жойылуы мүмкін. Нарықтардың бұл динамикалық сипаты негізгі қиындық болып табылады: «ойын ережелері» тұрақты емес, сондықтан өткен жылы жұмыс істеген модельді келесі жылы қайта жабдықтау қажет болуы мүмкін.

• Нақты әлемдегі шектеулер: Жасанды интеллект моделі бағаларды лайықты дәлдікпен болжай алса да, болжамдарды пайдаға айналдыру тағы бір қиындық болып табылады. Сауда транзакциялық шығындарды . Модель көптеген шағын баға қозғалыстарын дұрыс болжай алады, бірақ пайда комиссиялар мен сауданың нарықтық әсерімен жойылуы мүмкін. Тәуекелдерді басқару да өте маңызды - ешқандай болжам 100% сенімді емес, сондықтан жасанды интеллектке негізделген кез келген стратегия ықтимал шығындарды ескеруі керек (стоп-лосс тапсырыстары, портфолио диверсификациясы және т.б. арқылы). Институттар жасанды интеллекттің ферманы қате болуы мүмкін болжамға ставка жасамауы үшін жасанды интеллект болжамдарын кеңірек тәуекел шеңберіне біріктіреді. Бұл практикалық ойлар жасанды интеллекттің теориялық артықшылығы нақты әлемдегі үйкелістерден кейін пайдалы болу үшін айтарлықтай болуы керек дегенді білдіреді.

Қорытындылай келе, жасанды интеллекттің орасан зор мүмкіндіктері бар, бірақ бұл шектеулер қор нарығының ішінара болжамды, ішінара болжамсыз жүйе болып қалуын . Жасанды интеллект модельдері деректерді тиімдірек талдау және мүмкін болатын нәзік болжамдық сигналдарды ашу арқылы инвестордың пайдасына мүмкіндіктерді өзгерте алады. Дегенмен, тиімді баға белгілеу, шулы деректер, күтпеген оқиғалар және практикалық шектеулердің үйлесімі тіпті ең жақсы жасанды интеллекттің де кейде қателесетінін білдіреді - көбінесе болжамсыз.

Жасанды интеллект модельдерінің өнімділігі: дәлелдер не дейді?

Талқыланған жетістіктер мен қиындықтарды ескере отырып, біз зерттеулерден және акцияларды болжауда жасанды интеллектті қолдану бойынша нақты әрекеттерден не үйрендік? Әзірге нәтижелер аралас, бұл перспективалы табыстарды , маңызды сәтсіздіктерді :

• Жасанды интеллекттің асып түсу мүмкіндігінің мысалдары: Бірнеше зерттеулер жасанды интеллект модельдері белгілі бір жағдайларда кездейсоқ болжам жасауды жеңе алатынын көрсетті. Мысалы, 2024 жылғы зерттеу Вьетнам қор нарығындағы үрдістерін Акция нарығындағы акция бағасының үрдісін болжау үшін машиналық оқыту алгоритмдерін қолдану – Вьетнам жағдайы | Гуманитарлық және әлеуметтік ғылымдар коммуникациялары ). Бұл сол нарықта (дамып келе жатқан экономикада) модель тұрақты үлгілерді түсіре алғанын көрсетеді, мүмкін нарықта тиімсіздіктер немесе LSTM үйренген күшті техникалық үрдістер болғандықтан. 2024 жылғы тағы бір зерттеу кең ауқымды қамтыды: зерттеушілер барлық S&P 500 акциялары (әлдеқайда тиімді нарық) ML модельдерін қолдана отырып болжауға тырысты. Олар мұны жіктеу мәселесі ретінде қарастырды – акцияның келесі 10 күнде индекстен 2%-ға асып түсетінін болжау – Random Forests, SVM және LSTM сияқты алгоритмдерді қолдана отырып. Нәтижесі: LSTM моделі басқа ML модельдерінен де, кездейсоқ базалық деңгейден де асып түсті , нәтижелері статистикалық тұрғыдан алғанда бұл тек сәттілік емес екенін көрсететіндей маңызды болды ( S&P 500 акцияларының салыстырмалы кірісін машиналық оқытуды қолдана отырып болжау | Қаржылық инновация | Толық мәтін кездейсоқ жүру гипотезасының ықтималдығы «шамалы аз» деген қорытындыға келді, бұл олардың ML модельдерінің нақты болжамдық сигналдарды тапқанын көрсетеді. Бұл мысалдар жасанды интеллекттің акциялардың қозғалысын болжауда, әсіресе үлкен деректер жиынтығында тексерілгенде, артықшылық беретін (тіпті қарапайым болса да) үлгілерді анықтай алатынын көрсетеді.

• Өнеркәсіптегі маңызды қолдану жағдайлары: Академиялық зерттеулерден тыс, хедж-қорлар мен қаржы институттары өздерінің сауда операцияларында жасанды интеллектті сәтті қолданатыны туралы есептер бар. Кейбір жоғары жиілікті сауда фирмалары нарықтың микроқұрылымдық үлгілерін секундтың бөліктерінде тану және оларға жауап беру үшін жасанды интеллектті пайдаланады. Ірі банктерде портфельді бөлу және тәуекелдерді болжау , олар әрқашан бір акцияның бағасын болжаумен байланысты болмаса да, нарықтың болжамдық аспектілерін (мысалы, құбылмалылық немесе корреляция) қамтиды. Сондай-ақ, сауда шешімдерін қабылдау үшін машиналық оқытуды пайдаланатын жасанды интеллектпен басқарылатын қорлар (көбінесе «кванттық қорлар» деп аталады) бар - кейбіреулері белгілі бір кезеңдерде нарықтан асып түсті, бірақ мұны тек жасанды интеллектке жатқызу қиын, себебі олар көбінесе адам мен машиналық интеллекттің тіркесімін пайдаланады. Нақты қолданылуы - көңіл-күйді талдау жасанды интеллектін пайдалану: мысалы, акция бағаларының жауап ретінде қалай өзгеретінін болжау үшін жаңалықтар мен Twitter-ді сканерлеу. Мұндай модельдер 100% дәл болмауы мүмкін, бірақ олар трейдерлерге жаңалықтардағы баға белгілеуде аздап алға жылжуға мүмкіндік бере алады. Айта кету керек, фирмалар әдетте табысты жасанды интеллект стратегияларының мәліметтерін зияткерлік меншік ретінде мұқият сақтайды, сондықтан көпшілікке қолжетімді дәлелдер кешігуі немесе анекдоттық болуы мүмкін.

• Тиімділіктің төмендеуі және сәтсіздік жағдайлары: Әрбір табыс тарихы үшін ескерту әңгімелері бар. Бір нарықта немесе уақыт аралығында жоғары дәлдікті талап еткен көптеген академиялық зерттеулер жалпылама түрде көрсете алмады. Белгілі бір эксперимент Үндістан қор нарығын болжау бойынша сәтті зерттеуді (техникалық индикаторларда ML көмегімен жоғары дәлдікке ие болды) АҚШ акцияларында қайталауға тырысты. Репликация ешқандай болжамдық күшті - шын мәнінде, акцияның келесі күні өсетінін әрқашан болжаудың аңғал стратегиясы күрделі ML модельдерінен дәлдік жағынан асып түсті. Авторлар олардың нәтижелері «кездейсоқ жүру теориясын қолдайды» , яғни акция қозғалыстары негізінен болжау мүмкін емес және ML модельдері көмектеспеді. Бұл нәтижелер нарық пен кезеңге байланысты күрт өзгеруі мүмкін екенін көрсетеді. Сол сияқты, көптеген Kaggle жарыстары мен сандық зерттеу байқаулары модельдер көбінесе өткен деректерге жақсы сәйкес келе алатынын, бірақ олардың тікелей саудадағы өнімділігі жаңа жағдайларға тап болғаннан кейін 50% дәлдікке дейін төмендейтінін көрсетті (бағытты болжау үшін). 2007 жылғы кванттық қордың құлдырауы және 2020 жылғы пандемия кезіндегі жасанды интеллект басқаратын қорлар кездестірген қиындықтар сияқты мысалдар нарықтық режим өзгерген кезде жасанды интеллект модельдері кенеттен әлсіреуі мүмкін екенін көрсетеді. Аман қалу бейімділігі де қабылдауға әсер ететін фактор болып табылады – біз жасанды интеллекттің сәтсіздіктеріне қарағанда жетістіктері туралы жиі естиміз, бірақ көріністердің артында көптеген модельдер мен қорлар стратегиялары жұмыс істемей қалғандықтан, үнсіз сәтсіздікке ұшырайды және жабылады.

• Нарықтардағы айырмашылықтар: Зерттеулерден қызықты байқау - жасанды интеллекттің тиімділігі нарықтың жетілуі мен тиімділігіне . Салыстырмалы түрде тиімділігі төмен немесе дамушы нарықтарда пайдаланылатын үлгілер көбірек болуы мүмкін (талдаушылардың қамтуының төмендеуіне, өтімділіктің шектеулеріне немесе мінез-құлыққа қатысты бейімділіктерге байланысты), бұл жасанды интеллект модельдеріне жоғары дәлдікке қол жеткізуге мүмкіндік береді. Вьетнам нарығының LSTM зерттеуі 93% дәлдікпен бұған мысал бола алады. Керісінше, АҚШ сияқты жоғары тиімді нарықтарда бұл үлгілер тез арада арбитраждық жолмен жойылуы мүмкін. Вьетнам жағдайы мен АҚШ-тың репликациялық зерттеуі арасындағы аралас нәтижелер бұл сәйкессіздікті көрсетеді. Әлемдік деңгейде бұл жасанды интеллект қазіргі уақытта белгілі бір тар нарықтарда немесе активтер кластарында жақсы болжамдық өнімділік бере алатынын білдіреді (мысалы, кейбіреулер шикізат бағаларын немесе криптовалюта үрдістерін болжау үшін жасанды интеллектті әртүрлі табыспен қолданды). Уақыт өте келе, барлық нарықтар тиімділікті арттыруға бет алған сайын, оңай болжамдық жеңістерге қол жеткізу терезесі тарылады.

• Дәлдік пен пайдалылық: Болжау дәлдігін инвестициялық пайдалылықтан ажырату да өте маңызды . Мысалы, модель акцияның күнделікті жоғары немесе төмен қозғалысын болжауда тек 60% дәлдікпен болуы мүмкін - бұл өте жоғары емес сияқты - бірақ егер бұл болжамдар ақылды сауда стратегиясында қолданылса, олар өте тиімді болуы мүмкін. Керісінше, модель 90% дәлдікпен мақтана алады, бірақ егер оның 10% қателігі нарықтың үлкен қозғалыстарымен (және осылайша үлкен шығындармен) сәйкес келсе, ол тиімсіз болуы мүмкін. Көптеген жасанды интеллект акцияларын болжау жұмыстары бағыттық дәлдікке немесе қателерді азайтуға бағытталған, бірақ инвесторлар тәуекелге бейімделген кірістілікке мән береді. Осылайша, бағалауларға көбінесе тек шикі соққы жылдамдығы ғана емес, Шарп коэффициенті, төмендеулер және өнімділіктің тұрақтылығы сияқты көрсеткіштер кіреді. Кейбір жасанды интеллект модельдері позициялар мен тәуекелдерді автоматты түрде басқаратын алгоритмдік сауда жүйелеріне біріктірілген - олардың нақты өнімділігі жеке болжау статистикасымен емес, тікелей сауда кірістілігімен өлшенеді. Әзірге жыл сайын сенімді түрде ақша шығаратын толықтай автономды «жасанды интеллект трейдері» шындыққа қарағанда ғылыми фантастикаға көбірек ұқсайды, бірақ тар қолданыстар (мысалы, трейдерлер опциондарды бағалау үшін пайдалана алатын қысқа мерзімді нарықтық құбылмалылықты ) қаржылық құралдар жинағында өз орнын тапты.

Жалпы алғанда, дәлелдер жасанды интеллекттің белгілі бір нарықтық үлгілерді кездейсоқтықтан гөрі дәлдікпен болжай алатынын және осылайша сауда артықшылығын бере алатынын көрсетеді. Дегенмен, бұл артықшылық көбінесе шағын және оны пайдалану үшін күрделі орындауды қажет етеді. Біреу жасанды интеллект қор нарығын болжай ала ма деп , қазіргі дәлелдерге негізделген ең шынайы жауап: жасанды интеллект кейде қор нарығының аспектілерін белгілі бір жағдайларда болжай алады, бірақ ол мұны барлық акциялар үшін үнемі жасай алмайды . Табыстар ішінара және контекстке тәуелді болады.

Қорытынды: Қор нарығын болжауда жасанды интеллектке қатысты нақты күтулер

Жасанды интеллект және машиналық оқыту қаржы саласындағы қуатты құралдарға айналғаны сөзсіз. Олар үлкен деректер жиынтығын өңдеуде, жасырын корреляцияларды ашуда және тіпті стратегияларды бейімдеуде шебер. Қор нарығын болжау жолында жасанды интеллект нақты, бірақ шектеулі жеңістерге қол жеткізді. Инвесторлар мен институттар жасанды интеллект шешім қабылдауға көмектеседі деп нақты күте алады – мысалы, болжамдық сигналдарды жасау, портфельдерді оңтайландыру немесе тәуекелді басқару арқылы – бірақ пайданы кепілдендіретін кристалл шар ретінде қызмет етпейді.

Жасанды интеллект
инвестициялаудағы аналитикалық процесті жақсарта алады. Ол бірнеше жылдық нарықтық деректерді, жаңалықтар ленталарын және қаржылық есептерді бірнеше секунд ішінде сүзіп, адам байқамай қалуы мүмкін нәзік үлгілерді немесе ауытқуларды анықтай алады ( Акция нарығын болжау үшін машиналық оқытуды пайдалану... | FMP ). Ол жүздеген айнымалыларды (техникалық, іргелі, көңіл-күй және т.б.) біріктіре алады, бұл біртұтас болжамға айналады. Қысқа мерзімді саудада жасанды интеллект алгоритмдері кездейсоқ дәлдікпен бір акцияның екіншісінен асып түсетінін немесе нарықтың құбылмалылықтың күрт өсуіне ұшырайтынын болжай алады. Бұл өспелі артықшылықтар дұрыс пайдаланылған кезде нақты қаржылық пайдаға айналуы мүмкін. Жасанды интеллект тәуекелдерді басқаруға – құлдырау туралы ерте ескертулерді анықтау немесе инвесторларды болжамның сенімділік деңгейі туралы хабардар ету. Жасанды интеллекттің тағы бір практикалық рөлі стратегияны автоматтандыруда : алгоритмдер сауданы жоғары жылдамдықпен және жиілікте жүргізе алады, оқиғаларға тәулік бойы жауап бере алады және тәртіпті сақтай алады (эмоционалды сауда жасамайды), бұл құбылмалы нарықтарда тиімді болуы мүмкін.

Жасанды интеллект не
алмайды (әлі): Кейбір БАҚ-тағы жарнамаға қарамастан, жасанды интеллект қор нарығын үнемі нарықты жеңу немесе маңызды бетбұрыс нүктелерін болжау тұрғысынан тұрақты және сенімді түрде болжай алмайды. Нарықтарға адамның мінез-құлқы, кездейсоқ оқиғалар және кез келген статикалық модельге қарсы тұратын күрделі кері байланыс циклдары әсер етеді. Жасанды интеллект белгісіздікті жоймайды; ол тек ықтималдықтармен айналысады. Жасанды интеллект акцияның ертең көтерілу мүмкіндігінің 70% екенін көрсетуі мүмкін - бұл оның көтерілмеу мүмкіндігінің 30% екенін де білдіреді. Сауда-саттықтың жоғалуы және нашар бағамдар сөзсіз. Жасанды интеллект өзінің оқыту деректерінің шеңберінен тыс шынымен жаңа оқиғаларды (көбінесе «қара аққулар» деп аталады) болжай алмайды. Сонымен қатар, кез келген сәтті болжамдық модель оның артықшылығын төмендетуі мүмкін бәсекелестікті шақырады. Негізінде, нарықтың болашағын болжауға кепілдік беретін хрусталь шарға баламасы жоқ

Бейтарап, реалистік көзқарас:
Бейтарап тұрғыдан алғанда, жасанды интеллект дәстүрлі талдау мен адами түсініктің орнын басатын емес, оны жақсарту құралы ретінде қарастырылады. Іс жүзінде көптеген институционалдық инвесторлар жасанды интеллект модельдерін адами талдаушылар мен портфолио менеджерлерінің пікірлерімен қатар пайдаланады. Жасанды интеллект сандар мен нәтиже болжамдарын анықтай алады, бірақ адамдар мақсаттарды белгілейді, нәтижелерді түсіндіреді және контекстке сәйкес стратегияларды түзетеді (мысалы, күтпеген дағдарыс кезінде модельді жоққа шығару). Жасанды интеллектпен басқарылатын құралдарды немесе сауда боттарын пайдаланатын бөлшек сауда инвесторлары сақ болып, құралдың логикасы мен шектеулерін түсінуі керек. Жасанды интеллект ұсынысын соқыр түрде орындау қауіпті - оны көптеген пікірлердің бірі ретінде пайдалану керек.

Шынайы күтулерді белгілей отырып, мынадай қорытынды жасауға болады: ЖС қор нарығын белгілі бір дәрежеде болжай алады, бірақ сенімділікпен және қатесіз емес . Ол дұрыс шешім қабылдау мүмкіндігін арттыра тиімділігін , бұл бәсекелес нарықтарда пайда мен шығын арасындағы айырмашылық болуы мүмкін. Дегенмен, ол кепілдік бере алмайды немесе акция нарықтарының құбылмалылығы мен тәуекелін жоя алмайды. Бір басылымда айтылғандай, тиімді алгоритмдермен де қор нарығындағы нәтижелер модельденген ақпараттан тыс факторларға байланысты «табиғатынан болжау мүмкін емес» Терең күшейтуді оқытуды пайдалана отырып, қор нарығын болжау ).

Алдағы жол:
Болашаққа көз жүгіртсек, қор нарығын болжаудағы жасанды интеллекттің рөлі артуы мүмкін. Үздіксіз зерттеулер кейбір шектеулерді шешуде (мысалы, режим өзгерістерін ескеретін модельдерді немесе деректерге негізделген және оқиғаларға негізделген талдауды қамтитын гибридті жүйелерді әзірлеу). Сондай-ақ, күшейту бойынша оқыту агенттеріне . Сонымен қатар, жасанды интеллектті мінез-құлық қаржысы немесе желілік талдау әдістерімен біріктіру нарық динамикасының бай модельдерін әкелуі мүмкін. Соған қарамастан, тіпті ең озық болашақ жасанды интеллект ықтималдық пен белгісіздік шегінде жұмыс істейді.

«Жасанды интеллект қор нарығын болжай ала ма?» деген сұраққа қарапайым «иә» немесе «жоқ» жауабы жоқ. Ең дәл жауап: ЖС қор нарығын болжай алады, бірақ ол қатесіз емес. Ол ақылмен қолданылған кезде болжау мен сауда стратегияларын жақсарта алатын қуатты құралдарды ұсынады, бірақ нарықтардың негізгі болжамсыздығын жоймайды. Инвесторлар ЖС-ті оның әлсіз жақтарын ескере отырып, оның күшті жақтары – деректерді өңдеу және үлгіні тану үшін қабылдауы керек. Осылайша, екі әлемнің де ең жақсы жақтарын пайдалануға болады: адами пікір мен машиналық интеллект бірге жұмыс істейді. Қор нарығы ешқашан 100% болжамды болмауы мүмкін, бірақ шынайы күтулер мен ЖС-ті ақылмен пайдалану арқылы нарыққа қатысушылар үнемі дамып келе жатқан қаржылық жағдайда жақсы хабардар, тәртіпті инвестициялық шешімдер қабылдауға ұмтыла алады.

Осыдан кейін оқуға болатын ақ қағаздар:

🔗 Жасанды интеллект алмастыра алмайтын жұмыс орындары – және жасанды интеллект қандай жұмыс орындарын алмастырады?
Жасанды интеллект жаһандық жұмыспен қамтуды өзгерткен кезде қай мансаптар болашаққа жарамды және қайсысы ең қауіпті екенін анықтаңыз.

🔗 Адамның араласуынсыз генеративті жасанды интеллектке не істеуге болады?
Практикалық жағдайларда генеративті жасанды интеллекттің қазіргі шекаралары мен автономды мүмкіндіктерін түсініңіз.

🔗 Киберқауіпсіздікте генерациялық жасанды интеллектті қалай пайдалануға болады?
Жасанды интеллекттің қауіптерден қалай қорғанатынын және болжамды және автономды құралдармен кибертөзімділікті қалай арттыратынын біліңіз.