AI қор нарығын болжай ала ма?

Кіріспе

Қор нарығын болжау ұзақ уақыт бойы бүкіл әлем бойынша институционалдық және бөлшек инвесторлар іздейтін қаржылық «қасиетті ой» болды. Жасанды интеллект (AI) және машиналық оқыту (ML) саласындағы соңғы жетістіктермен көптеген адамдар бұл технологиялар акциялар бағасын болжау құпиясын ашты ма деп ойлайды. AI қор нарығын болжай ала ма? Бұл ақ қағаз бұл сұрақты жаһандық тұрғыдан қарастырып, AI басқаратын модельдердің нарық қозғалысын болжау әрекетін, осы модельдердің теориялық негіздерін және олар кездесетін нақты шектеулерді сипаттайды. қаржы нарығын болжау контекстінде істей алатынын және алмайтынын хайпқа емес, зерттеуге негізделген бейтарап талдауды ұсынамыз

Қаржылық теорияда болжау қиындығы тиімді нарық гипотезасымен (EMH) . EMH (әсіресе оның «күшті» түрінде) акция бағалары кез келген уақытта барлық қолжетімді ақпаратты толығымен көрсетеді деп есептейді, яғни ешбір инвестор (тіпті инсайдерлер де) қолжетімді ақпаратпен сауда жасау арқылы нарықтан тұрақты түрде асып түсе алмайды ( Нейрондық желілерге негізделген деректерге негізделген акцияларды болжау үлгілері: шолу ). Қарапайым тілмен айтқанда, егер нарықтар жоғары тиімді болса және бағалар кездейсоқ жүріспен , болашақ бағаларды дәл болжау мүмкін емес дерлік болуы керек. Осы теорияға қарамастан, нарықты жеңу алдамшы болжау әдістеріне кең ауқымды зерттеулер жүргізуге түрткі болды. Үлкен көлемдегі деректерді өңдеу және адамдар жіберіп алуы мүмкін нәзік үлгілерді анықтау қабілетінің арқасында AI және машиналық оқыту осы ізденістің орталығы болды ( Машиналық оқытуды қор нарығын болжау үшін пайдалану... | FMP ).

Бұл ақ қағаз қор нарығын болжау үшін қолданылатын AI әдістеріне толық шолу жасайды және олардың тиімділігін бағалайды. теориялық негіздерін (дәстүрлі уақыттық қатар әдістерінен терең нейрондық желілерге және күшейтілген оқытуға дейін) зерттейміз деректер мен оқыту процесін және нарық тиімділігі, деректер шуы және күтпеген сыртқы оқиғалар сияқты жүйелер тап болатын шектеулер мен қиындықтарды Осы уақытқа дейін алынған аралас нәтижелерді көрсету үшін нақты әлемдегі зерттеулер мен мысалдар енгізілген. Ақырында, біз инвесторлар мен тәжірибешілер үшін шынайы үміттермен қорытындылаймыз: AI-ның әсерлі мүмкіндіктерін мойындай отырып, қаржы нарықтарында ешқандай алгоритм толығымен жоя алмайтын болжаусыздық деңгейін сақтайтынын мойындаймыз.

Қор нарығын болжаудағы АИ-нің теориялық негіздері

Қазіргі заманғы AI негізіндегі акцияларды болжау статистика, қаржы және информатика саласындағы ондаған жылдар бойы жүргізілген зерттеулерге негізделген. Дәстүрлі модельдерден озық AI-ға дейінгі тәсілдер спектрін түсіну пайдалы:

• Уақыт сериясының дәстүрлі үлгілері: ертерек қорды болжау болашақты болжауы мүмкін өткен бағалардағы үлгілерді болжайтын статистикалық үлгілерге сүйенді. ARIMA (Авто-регрессивті біріктірілген жылжымалы орташа мән) және ARCH/GARCH сияқты модельдер уақыт қатарындағы деректерде сызықтық трендтер мен құбылмалылықты кластерлеуге бағытталған ( Нейрондық желілерге негізделген деректерге негізделген акцияларды болжау үлгілері: шолу ). Бұл модельдер стационарлық және сызықтық жорамалдар бойынша тарихи баға ретін модельдеу арқылы болжау үшін негізді қамтамасыз етеді. Пайдалы болғанымен, дәстүрлі модельдер нақты нарықтардың күрделі, сызықты емес үлгілерімен жиі күреседі, бұл тәжірибеде шектеулі болжау дәлдігіне әкеледі ( Нейрондық желілерге негізделген деректерге негізделген акцияларды болжау үлгілері: шолу ).

• Машиналық оқыту алгоритмдері: тікелей деректерден үлгілерді үйрену арқылы алдын ала анықталған статистикалық формулалардан асып түседі . қолдау векторлық машиналары (SVM) , кездейсоқ ормандар және градиентті күшейту сияқты алгоритмдер қолданылған. Олар техникалық көрсеткіштерден (мысалы, жылжымалы орташа мәндер, сауда көлемі) іргелі көрсеткіштерге (мысалы, кірістер, макроэкономикалық деректер) дейін - енгізу мүмкіндіктерінің кең ауқымын біріктіре алады және олардың арасында сызықтық емес қатынастарды таба алады. Мысалы, кездейсоқ орман немесе градиентті күшейту үлгісі қарапайым сызықтық модель жіберіп алуы мүмкін өзара әрекеттесулерді түсіре отырып, бір уақытта ондаған факторларды қарастыра алады. Бұл ML үлгілері деректердегі күрделі сигналдарды анықтау арқылы болжау дәлдігін қарапайым жақсарту мүмкіндігін көрсетті ( биржа нарығын болжау үшін Machine Learning пайдалану... | FMP ). Дегенмен, олар мұқият баптауды және шамадан тыс орнатуды болдырмау үшін жеткілікті деректерді қажет етеді (сигналдан гөрі оқу шуы).

• Терең оқыту (нейрондық желілер): адам миының құрылымынан шабыттанған терең нейрондық желілер Олардың ішінде қайталанатын нейрондық желілер (RNN) және олардың нұсқасы Ұзақ қысқа мерзімді жад (LSTM) желілері акциялар бағасының уақыт сериялары сияқты жүйелі деректер үшін арнайы әзірленген. LSTMs өткен ақпараттың жадысын сақтай алады және уақытша тәуелділіктерді түсіре алады, бұл оларды трендтерді, циклдерді немесе нарық деректеріндегі басқа уақытқа тәуелді үлгілерді модельдеу үшін қолайлы етеді. Зерттеулер көрсеткендей, LSTM және басқа терең оқыту үлгілері қарапайым модельдер жіберіп алатын қаржылық деректердегі күрделі, сызықтық емес қатынастарды Басқа терең оқыту тәсілдеріне конволюционды нейрондық желілер (CNN) (кейде техникалық индикатор «бейнелерде» немесе кодталған реттіліктерде қолданылады), трансформаторлар (әртүрлі уақыт қадамдарының немесе деректер көздерінің маңыздылығын өлшеу үшін назар аудару механизмдерін пайдаланады) және тіпті графикалық нейрондық желілер (GNN) (нарық графигіндегі акциялар арасындағы қарым-қатынастарды модельдеу үшін) кіреді. Бұл жетілдірілген нейрондық желілер тек баға деректерін ғана емес, сонымен қатар жаңалық мәтіні, әлеуметтік медиа көңіл-күйі және т.б. сияқты баламалы деректер көздерін де қабылдай алады, нарық қозғалысын болжауы мүмкін дерексіз мүмкіндіктерді үйрене алады ( Биржа нарығын болжау үшін Machine Learning пайдалану... | FMP ). Терең оқытудың икемділігі өзіндік құнымен бірге келеді: олар деректерді қажет етеді, есептеуді қажет етеді және жиі түсіндірмесі аз «қара жәшіктер» ретінде жұмыс істейді.

• Оқытуды күшейту: AI акцияларын болжаудағы тағы бір шекара - бұл күшейтуді үйрену (RL) , мұнда мақсат бағаны болжау ғана емес, оңтайлы сауда стратегиясын үйрену. RL шеңберінде агент (AI моделі) әрекеттер жасау (сатып алу, сату, ұстау) және сыйақы алу (пайда немесе шығын) арқылы қоршаған ортамен (нарықпен) әрекеттеседі. Уақыт өте агент жиынтық сыйақыны барынша арттыратын саясатты үйренеді. Deep Reinforcement Learning (DRL) нарықтардың үлкен кеңістігін өңдеу үшін нейрондық желілерді күшейтетін оқытумен біріктіреді. RL-тің қаржы саласындағы тартымдылығы оның шешімдердің реттілігін және бағаларды оқшаулауды болжаудан гөрі инвестицияның кірістілігін тікелей оңтайландыру мүмкіндігі болып табылады. Мысалы, RL агенті баға сигналдары негізінде позицияларға қашан кіру немесе шығу керектігін біліп, тіпті нарық жағдайлары өзгерген сайын бейімделе алады. Айта кетейік, RL сандық сауда жарыстарында және кейбір меншікті сауда жүйелерінде бәсекелесетін AI үлгілерін үйрету үшін пайдаланылды. Дегенмен, RL әдістері де айтарлықтай қиындықтарға тап болады: олар ауқымды дайындықты қажет етеді (сауда-саттық жылдарын имитациялау), егер мұқият реттелмеген болса, тұрақсыздықтан немесе әртүрлі мінез-құлықтан зардап шегуі мүмкін және олардың өнімділігі болжанған нарықтық ортаға өте сезімтал. күрделі қор нарықтарына қосымша оқытуды қолданудағы жоғары есептеу құны мен тұрақтылық проблемалары сияқты мәселелерді атап өтті Deep Reinforcement Learning көмегімен қор нарығын болжау қалыптастыру үшін басқа әдістермен (мысалы, бағаны болжау үлгілерін және RL негізінде бөлу стратегиясын пайдалану) үйлескенде, перспективалы тәсілді білдіреді .

Деректер көздері және оқыту процесі

Модель түріне қарамастан, AI қор нарығын болжаудың негізі болып табылады Үлгілерді анықтау үшін әдетте тарихи нарық деректері және басқа қатысты деректер жиындары бойынша оқытылады. Жалпы деректер көздері мен мүмкіндіктері мыналарды қамтиды:

• Тарихи бағалар және техникалық көрсеткіштер: Барлық дерлік модельдер акциялардың бұрынғы бағасын (ашық, жоғары, төмен, жабық) және сауда көлемін пайдаланады. Осылардан талдаушылар жиі техникалық көрсеткіштерді (жылжымалы орташа мәндер, салыстырмалы күш индексі, MACD және т.б.) кіріс ретінде алады. Бұл көрсеткіштер модель пайдалануы мүмкін трендтерді немесе серпінді көрсетуге көмектеседі. Мысалы, келесі күнгі баға қозғалысын болжау үшін модель соңғы 10 күндегі бағалар мен көлемді, сонымен қатар 10 күндік орташа жылжымалы орташа немесе құбылмалылық шаралары сияқты көрсеткіштерді енгізуі мүмкін.

• Нарық индекстері және экономикалық деректер: Көптеген модельдер индекс деңгейлері, пайыздық мөлшерлемелер, инфляция, ЖІӨ өсуі немесе басқа экономикалық көрсеткіштер сияқты кеңірек нарықтық ақпаратты қамтиды. Бұл макромүмкіндіктер жеке акция көрсеткіштеріне әсер ететін контекстті (мысалы, жалпы нарықтық көңіл-күй немесе экономикалық денсаулық) қамтамасыз етеді.

• Жаңалықтар мен көңіл-күй деректері: AI жүйелері жаңалықтар мақалалары, әлеуметтік медиа арналары (Twitter, Stocktwits) және қаржылық есептер сияқты құрылымданбаған деректерді қабылдайды. Табиғи тілді өңдеу (NLP) әдістері, соның ішінде BERT сияқты жетілдірілген үлгілер нарықтық көңіл-күйді өлшеу немесе сәйкес оқиғаларды анықтау үшін қолданылады. Мысалы, егер жаңалықтардың көңіл-күйі компания немесе сектор үшін кенеттен теріс айналса, AI үлгісі тиісті акциялар бағасының төмендеуін болжауы мүмкін. Нақты уақыттағы жаңалықтар мен әлеуметтік медиа көңіл-күйін өңдеу арқылы AI жаңа ақпаратқа адам трейдерлеріне қарағанда тезірек әрекет ете алады.

• Балама деректер: Кейбір күрделі хедж-қорлар мен AI зерттеушілері болжамды түсінік алу үшін баламалы деректер көздерін пайдаланады – спутниктік суреттер (дүкен трафигі немесе өнеркәсіптік әрекет үшін), несие картасы транзакциялары деректері, веб-іздеу үрдістері және т.б.. Бұл дәстүрлі емес деректер жинақтары кейде қор өнімділігінің жетекші көрсеткіштері ретінде қызмет ете алады, дегенмен олар модельді оқытуда күрделілікті енгізеді.

Қорды болжау үшін AI үлгісін үйрету оған осы тарихи деректерді беруді және болжау қатесін азайту үшін модель параметрлерін реттеуді қамтиды. оқу жинағына (мысалы, үлгілерді үйрену үшін ескі тарих) және сынақ/тексеру жиынына (көрінбейтін жағдайларда өнімділікті бағалау үшін соңғы деректер) бөлінеді Нарық деректерінің дәйекті сипатын ескере отырып, «болашаққа көз жүгіртпеу» үшін қамқорлық жасалады – мысалы, модельдер нақты саудада қалай жұмыс істейтінін модельдеу үшін оқу кезеңінен кейінгі уақыт кезеңдерінің деректері бойынша бағаланады. кросс-валидация әдістері (мысалы, алға қарай валидация) модельдің жақсы жалпылануын қамтамасыз ету үшін пайдаланылады және тек белгілі бір кезеңге сәйкес келмейді.

Сонымен қатар, тәжірибешілер деректер сапасы мен алдын ала өңдеу мәселелерін шешуі керек. Жетіспейтін деректер, шектен тыс көрсеткіштер (мысалы, акциялардың бөлінуіне немесе бір реттік оқиғаларға байланысты кенеттен көтерілулер) және нарықтардағы режимнің өзгеруі үлгілерді оқытуға әсер етуі мүмкін. Кіріс деректеріне қалыпқа келтіру, жою немесе маусымсыздандыру сияқты әдістер қолданылуы мүмкін. Кейбір жетілдірілген тәсілдер баға қатарын құрамдас бөліктерге (тенденциялар, циклдар, шу) ыдыратады және оларды бөлек модельдейді (нейрондық желілермен вариациялық режимнің ыдырауын біріктіретін зерттеулерде көрсетілгендей ( Deep Reinforcement Learning арқылы қор нарығын болжау )).

Әртүрлі үлгілерде әртүрлі оқыту талаптары бар: терең оқыту үлгілері жүздеген мың деректер нүктелерін қажет етуі мүмкін және GPU жеделдетуден пайда көреді, ал логистикалық регрессия сияқты қарапайым модельдер салыстырмалы түрде кішірек деректер жиынынан үйрене алады. Оқытуды күшейту үлгілері өзара әрекеттесу үшін симуляторды немесе ортаны қажет етеді; кейде тарихи деректер RL агентіне қайталанады немесе тәжірибе жасау үшін нарық симуляторлары пайдаланылады.

Ақырында, оқытылғаннан кейін бұл модельдер болжау функциясын береді – мысалы, ертеңгі болжамды баға болуы мүмкін өнім, акцияның көтерілу ықтималдығы немесе ұсынылған әрекет (сатып алу/сату). Содан кейін бұл болжамдар, әдетте, нақты ақша тәуекелге ұшырамас бұрын сауда стратегиясына (позиция өлшемімен, тәуекелдерді басқару ережелерімен және т.б.) біріктіріледі.

Шектеулер мен қиындықтар

AI үлгілері керемет жетілдірілгенімен, қор нарығын болжау қиын міндет болып қала береді . Төменде AI нарықтарда кепілдендірілген болжаушы болуына кедергі болатын негізгі шектеулер мен кедергілер берілген:

• Нарық тиімділігі және кездейсоқтық: Жоғарыда айтылғандай, тиімді нарық гипотезасы бағалар белгілі ақпаратты көрсетеді, сондықтан кез келген жаңа ақпарат дереу түзетулер тудырады. күтпеген жаңалықтардан немесе кездейсоқ ауытқулардан туындайтынын білдіреді Шынында да, ондаған жылдар бойы жүргізілген зерттеулер қысқа мерзімді акциялар бағасының қозғалысы кездейсоқ серуенге ұқсайтынын анықтады ( Нейрондық желілерге негізделген деректерге негізделген акцияларды болжау модельдері: шолу ) – кешегі бағаның ертеңгі күнгі бағаға ешқандай қатысы жоқ. Егер акциялардың бағалары негізінен кездейсоқ немесе «тиімді» болса, ешбір алгоритм оларды жоғары дәлдікпен дәйекті түрде болжай алмайды. Бір зерттеу зерттеуі қысқаша айтқанда, «кездейсоқ жүру гипотезасы және тиімді нарықтық гипотеза негізінде болашақ акциялар бағасын жүйелі түрде, сенімді түрде болжау мүмкін емес» ( Машиналық оқытуды пайдалана отырып S&P 500 акцияларының салыстырмалы кірістерін болжау | Қаржылық инновация | Толық мәтін ). Бұл AI болжамдары әрқашан пайдасыз дегенді білдірмейді, бірақ ол негізгі шектеуді атап көрсетеді: нарық қозғалысының көп бөлігі жай шу болуы мүмкін, оны тіпті ең жақсы модель алдын ала болжауға болмайды.

• Шу және күтпеген сыртқы факторлар: Акциялардың бағасына көптеген факторлар әсер етеді, олардың көпшілігі экзогендік және болжау мүмкін емес. Геосаяси оқиғалар (соғыстар, сайлаулар, нормативтік өзгерістер), табиғи апаттар, пандемиялар, кенеттен корпоративтік жанжалдар немесе тіпті вирустық әлеуметтік желілердегі қауесеттердің барлығы нарықтарды күтпеген жерден жылжытуы мүмкін. Бұл үлгіде алдын ала жаттығу деректері бола алмайтын (өйткені олар бұрын-соңды болмаған) немесе сирек соққылар ретінде орын алады. Мысалы, 2010–2019 жылдар аралығындағы тарихи деректер бойынша дайындалған бірде-бір AI моделі 2020 жылдың басында COVID-19 апатын немесе оның тез көтерілуін алдын ала болжай алмады. Қаржылық AI модельдері режимдер ауысқанда немесе ерекше оқиға бағаларды басқарғанда күреседі. Бір дереккөз атап өткендей, геосаяси оқиғалар немесе кенеттен экономикалық деректер шығару сияқты факторлар болжауларды дерлік ескіреді ( Қор нарығын болжау үшін Machine Learning пайдалану... | FMP ) ( Қор нарығын болжау үшін Machine Learning пайдалану... | FMP ). Басқаша айтқанда, күтпеген жаңалықтар әрқашан төмендетілмейтін белгісіздік деңгейін енгізе отырып, алгоритмдік болжамдарды жоққа шығаруы мүмкін.

• Шамадан тыс орнату және жалпылау: шамадан тыс қондыруға бейім , яғни олар негізгі жалпы үлгілерді емес, оқу деректеріндегі «шуды» немесе қиыншылықтарды тым жақсы меңгеруі мүмкін. Шамадан тыс орнатылған модель тарихи деректерде тамаша жұмыс істей алады (тіпті әсерлі кері сыналған кірістерді немесе жоғары үлгідегі дәлдікті көрсетеді), бірақ жаңа деректерде сәтсіздікке ұшырайды. Бұл сандық қаржыландырудағы жалпы қателік. Мысалы, күрделі нейрондық желі бұрын кездейсоқ болған жалған корреляцияларды қабылдауы мүмкін (соңғы 5 жылдағы митингілердің алдында болған индикаторлық кроссоверлердің белгілі бір комбинациясы сияқты), бірақ бұл қарым-қатынастар әрі қарай сақталмауы мүмкін. Практикалық иллюстрация: өткен жылдың акцияларының жеңімпаздары әрқашан көтерілетінін болжайтын модельді жобалауға болады - ол белгілі бір кезеңге сәйкес келуі мүмкін, бірақ нарық режимі өзгерсе, бұл үлгі бұзылады. Шамадан тыс орнату үлгіден тыс өнімділікке әкеледі , яғни модельдің тікелей саудадағы болжамдары дамуда керемет көрінгенімен, кездейсоқтықтан жақсырақ болуы мүмкін емес. Шамадан тыс орнатуды болдырмау үшін реттеу, үлгі күрделілігін бақылауда ұстау және сенімді тексеруді пайдалану сияқты әдістер қажет. Дегенмен, AI үлгілеріне қуат беретін өте күрделілік оларды бұл мәселеге осал етеді.

• Деректердің сапасы және қолжетімділігі: «Қоқыс кірсе, қоқыс шығады» деген сөз қорды болжаудағы AI-ға қатты қолданылады. Деректердің сапасы, саны және өзектілігі үлгі өнімділігіне айтарлықтай әсер етеді. Тарихи деректер жеткіліксіз болса (мысалы, бірнеше жылдық акциялар бағасы бойынша терең желіні үйретуге тырысу) немесе репрезентативті емес (мысалы, аю сценарийін болжау үшін негізінен бычий кезеңдегі деректерді пайдалану), модель жақсы жалпыланбайды. біржақты болуы мүмкін немесе тірі қалуға ұшырауы мүмкін (мысалы, қор индекстері уақыт өте нашар жұмыс істейтін компанияларды табиғи түрде төмендетеді, сондықтан тарихи индекс деректері жоғары қарай бұрмалануы мүмкін). Деректерді тазалау және өңдеу - маңызды емес міндет. Бұған қоса, баламалы деректер көздері қымбат немесе қиын болуы мүмкін, бұл институционалдық ойыншыларға артықшылық бере отырып, бөлшек инвесторларды толық емес деректермен қалдырады. жиілік мәселесі бар : жоғары жиілікті сауда үлгілері үлкен көлемде және арнайы инфрақұрылымды қажет ететін белгілер бойынша деректерді қажет етеді, ал төменгі жиілікті модельдер күнделікті немесе апта сайынғы деректерді пайдалануы мүмкін. Деректердің уақытында сәйкестендірілуін қамтамасыз ету (мысалы, сәйкес баға деректері бар жаңалықтар) және алдын ала болжаусыз болу - тұрақты мәселе.

• Модельдің мөлдірлігі және түсіндірмелілігі: көптеген AI үлгілері, әсіресе тереңдетілген оқыту, қара жәшіктер . Олар оңай түсіндірілетін себепсіз болжау немесе сауда сигналын шығаруы мүмкін. Бұл ашықтықтың болмауы инвесторлар үшін, әсіресе мүдделі тараптарға шешімдерді негіздеу немесе ережелерді сақтау қажет институционалдылар үшін қиындық тудыруы мүмкін. Егер AI моделі акциялардың құлдырайтынын болжаса және сатуды ұсынса, портфель менеджері қисынды түсінбесе тартынуы мүмкін. AI шешімдерінің мөлдірлігі үлгінің дәлдігіне қарамастан сенім мен қабылдауды азайтуы мүмкін. Бұл мәселе қаржыға арналған түсіндірілетін AI бойынша зерттеулерді ынталандырады, бірақ модельдің күрделілігі/дәлдігі мен түсіндірмелілігі арасында жиі келіспеушілік бар екені рас.

• Адаптивті нарықтар және бәсекелестік: бейімделгіш екенін атап өту маңызды . Болжамдық үлгі табылғаннан кейін (AI немесе кез келген әдіспен) және көптеген трейдерлер пайдаланған кезде, ол жұмысын тоқтатуы мүмкін. Мысалы, егер AI моделі белгілі бір сигнал жиі акциялардың көтерілуінен бұрын болатынын анықтаса, трейдерлер сол сигналға ертерек әрекет ете бастайды, осылайша мүмкіндікті арбитражға салады. Негізінде, нарықтар белгілі стратегияларды жоққа шығару үшін дами алады . Бүгінгі таңда көптеген сауда фирмалары мен қорлары AI және ML қолданады. Бұл бәсекелестік кез келген жиектің жиі шағын және қысқа болатынын білдіреді. Нәтижесінде AI үлгілері өзгеретін нарықтық динамикаға ілесу үшін үнемі қайта даярлауды және жаңартуды қажет етуі мүмкін. Өтімділігі жоғары және жетілген нарықтарда (АҚШ-тың ірі акциялары сияқты) көптеген күрделі ойыншылар бірдей сигналдарды іздейді, бұл оның шегін сақтауды өте қиын етеді. Керісінше, тиімділігі төмен нарықтарда немесе тауашалық активтерде AI уақытша тиімсіздіктерді табуы мүмкін, бірақ бұл нарықтар модернизацияланған сайын олқылық жабылуы мүмкін. Нарықтардың бұл динамикалық сипаты іргелі міндет болып табылады: «ойын ережелері» тұрақты емес, сондықтан өткен жылы жұмыс істеген модельді келесі жылы қайта өңдеу қажет болуы мүмкін.

• Нақты әлемдегі шектеулер: AI моделі бағаларды лайықты дәлдікпен болжай алатын болса да, болжамдарды пайдаға айналдыру тағы бір қиындық тудырады. Сауда комиссиялық алымдар, сырғымалар және салықтар сияқты транзакциялық шығындарды Модель көптеген кішігірім баға қозғалысын дұрыс болжауы мүмкін, бірақ табыстар алымдар мен сауданың нарықтық әсері арқылы жойылуы мүмкін. Тәуекелдерді басқару да өте маңызды – ешқандай болжам 100% сенімді емес, сондықтан AI-ге негізделген кез келген стратегия ықтимал шығындарды есепке алуы керек (stop-loss тапсырыстары, портфельді әртараптандыру және т.б. арқылы). Мекемелер жиі AI болжауын кеңірек тәуекел шеңберіне біріктіреді, бұл AI фермаға қате болуы мүмкін болжамға ставка жасамайды. Бұл практикалық ойлар AI-ның теориялық шегі нақты әлемдегі үйкелістерден кейін пайдалы болуы үшін маңызды болуы керек дегенді білдіреді.

Қорытындылай келе, AI керемет мүмкіндіктерге ие, бірақ бұл шектеулер қор нарығының ішінара болжамды, ішінара болжау мүмкін емес жүйе болып қалуын . AI модельдері деректерді тиімдірек талдау және мүмкін нәзік болжамды сигналдарды ашу арқылы ықтималды инвестордың пайдасына еңкейте алады. Дегенмен, тиімді бағаның, шулы деректердің, күтпеген оқиғалардың және практикалық шектеулердің үйлесімі тіпті ең жақсы AI кейде қате болатынын білдіреді - көбінесе болжау мүмкін емес.

AI модельдерінің өнімділігі: дәлелдер не дейді?

Талқыланған жетістіктер мен қиындықтарды ескере отырып, біз зерттеулерден және акцияларды болжауда AI қолданудың нақты әрекеттерінен не білдік? Нәтижелер осы уақытқа дейін аралас, олар перспективалы табыстарды , сәтсіздіктерді :

• Жасанды интеллекттің жоғары мүмкіндіктерінің мысалдары: Бірнеше зерттеулер AI үлгілері белгілі бір жағдайларда кездейсоқ болжауды жеңе алатындығын көрсетті. Мысалы, 2024 жылғы зерттеу Вьетнам қор нарығындағы трендтерін Қор нарығындағы акциялар бағасының трендін болжау үшін машиналық оқыту алгоритмдерін қолдану – Вьетнам жағдайы | Гуманитарлық және әлеуметтік ғылымдар коммуникациялары ). Бұл осы нарықта (дамып келе жатқан экономика) модель дәйекті үлгілерді ұстай алды деп болжайды, мүмкін нарықта LSTM үйренген тиімсіздік немесе күшті техникалық үрдістер болғандықтан. 2024 жылы тағы бір зерттеу кеңірек болды: зерттеушілер , барлық S&P 500 акцияларының (әлдеқайда тиімді нарық) қысқа мерзімді кірістерін болжауға тырысты. Олар оны Random Forests, SVM және LSTM сияқты алгоритмдерді қолдана отырып, келесі 10 күнде қор индексінен 2%-ға асып түсетінін болжайтын жіктеу мәселесі ретінде қарастырды. Нәтиже: LSTM моделі басқа ML үлгілерінен де, кездейсоқ базалық сызықтан да асып түсті , нәтижелер бұл жай ғана сәттілік емес ( S&P 500 акциялары бойынша салыстырмалы кірістерді машиналық оқытуды пайдалана отырып болжау | Қаржылық инновация | Толық мәтін ). Авторлар тіпті осы арнайы қондырғыда кездейсоқ жүру гипотезасының олардың ML модельдері нақты болжамдық сигналдарды тапқанын көрсететін «болмаусыз шағын» деген қорытындыға келді. Бұл мысалдар AI шынымен де акциялардың қозғалысын болжауда, әсіресе деректердің үлкен жинақтарында сынақтан өткенде, артықшылық беретін үлгілерді анықтай алатындығын көрсетеді.

• Өнеркәсіптегі көрнекті қолдану жағдайлары: академиялық зерттеулерден басқа, хедж-қорлар мен қаржы институттары өздерінің сауда операцияларында AI-ны сәтті қолданатыны туралы есептер бар. Кейбір жоғары жиілікті сауда фирмалары нарықтың микро құрылым үлгілерін секундтың бөліктерінде тану және оларға әрекет ету үшін AI пайдаланады. портфельді бөлу және тәуекелді болжау үшін AI үлгілері бар , олар әрқашан бір акцияның бағасын болжау туралы болмаса да, нарық аспектілерін болжауды қамтиды (құбылмалылық немесе корреляция сияқты). Сондай-ақ, сауда шешімдерін қабылдау үшін машиналық оқытуды пайдаланатын AI басқаратын қорлар (көбінесе «сандық қорлар» деп аталады) бар – олардың кейбіреулері белгілі бір кезеңдерде нарықтан асып түсті, дегенмен мұны AI-ға жатқызу қиын, өйткені олар жиі адам мен машина интеллектінің тіркесімін пайдаланады. көңіл-күйді талдау пайдалану : мысалы, акциялар бағасының жауап ретінде қалай өзгеретінін болжау үшін жаңалықтарды және Twitter-ді сканерлеу. Мұндай модельдер 100% дәл болмауы мүмкін, бірақ олар трейдерлерге жаңалықтарда баға белгілеуде аздап бастама бере алады. Айта кетейік, фирмалар әдетте сәтті AI стратегияларының егжей-тегжейлерін зияткерлік меншік ретінде мұқият сақтайды, сондықтан қоғамдық домендегі дәлелдер артта қалады немесе анекдоттық болады.

• Төмен орындамау және сәтсіздік жағдайлары: Әрбір сәттілік тарихы үшін ескерту ертегілері бар. Бір нарықта немесе мерзімде жоғары дәлдікті талап ететін көптеген академиялық зерттеулер жалпылай алмады. Көрнекті эксперимент АҚШ акциялары бойынша табысты үнділік қор нарығын болжау зерттеуін қайталауға тырысты (ол техникалық көрсеткіштер бойынша ML-ді пайдалану жоғары дәлдікке ие болды). Репликация айтарлықтай болжау күшін – шын мәнінде, акциялардың келесі күні өсетінін болжаудың аңғал стратегиясы дәлдігі бойынша күрделі ML үлгілерінен асып түсті. Авторлар олардың нәтижелері «кездейсоқ жүру теориясын қолдайды» , яғни акциялардың қозғалысын болжау мүмкін емес және ML үлгілері көмектеспеді. Бұл нәтижелер нарыққа және кезеңге байланысты күрт өзгеруі мүмкін екенін көрсетеді. Сол сияқты, көптеген Kaggle жарыстары мен кванттық зерттеу конкурстары модельдер бұрынғы деректерге жақсы сәйкес келетінімен, олардың тікелей саудадағы өнімділігі жаңа шарттарға тап болған кезде жиі 50% дәлдікке (бағытты болжау үшін) кері шегінетінін көрсетті. 2007 жылғы сандық қорлардың құлдырауы және 2020 жылғы пандемиялық шок кезінде AI басқаратын қорлардың қиындықтары сияқты жағдайлар нарық режимі өзгерген кезде AI үлгілері кенеттен әлсірейтінін көрсетеді. Тірі қалуға бейімділік те қабылдаудың факторы болып табылады – біз сәтсіздіктерге қарағанда AI жетістіктері туралы жиі естиміз, бірақ сахнаның артында көптеген модельдер мен қорлар үнсіз сәтсіздікке ұшырайды және олардың стратегиялары жұмысын тоқтатқандықтан жабылады.

• Нарықтардағы айырмашылықтар: Зерттеулердің қызықты байқауы, AI тиімділігі нарықтың жетілгендігі мен тиімділігіне . Салыстырмалы түрде тиімділігі төмен немесе дамып келе жатқан нарықтарда AI үлгілеріне жоғары дәлдікке қол жеткізуге мүмкіндік беретін (аналитиктердің төмен қамтуына, өтімділік шектеулеріне немесе мінез-құлық бейімділігіне байланысты) көбірек пайдаланатын үлгілер болуы мүмкін. 93% дәлдікпен Вьетнам нарығындағы LSTM зерттеуі бұған мысал бола алады. Керісінше, АҚШ сияқты жоғары тиімді нарықтарда бұл үлгілер тез арада арбитражға ұшырауы мүмкін. Вьетнам ісі мен АҚШ-тың репликация зерттеуі арасындағы аралас нәтижелер осы сәйкессіздікті көрсетеді. Жаһандық деңгейде бұл AI қазіргі уақытта белгілі бір тауашалық нарықтарда немесе активтер сыныптарында жақсы болжамдық өнімділік бере алатынын білдіреді (мысалы, кейбіреулер тауар бағасын немесе әртүрлі табысқа ие криптовалюта трендтерін болжау үшін AI қолданды). Уақыт өте келе, барлық нарықтар жоғары тиімділікке қарай жылжыған сайын, жеңіл болжауға болатын жеңістер терезесі тарылады.

• Дәлдік пен рентабельділік: Болжамның дәлдігін инвестициялық кірістіліктен ажырата білу де өте маңызды . Модель акцияның күнделікті жоғары немесе төмен қозғалысын болжауда 60% дәл болуы мүмкін - бұл өте жоғары емес, бірақ егер бұл болжамдар ақылды сауда стратегиясында қолданылса, олар өте тиімді болуы мүмкін. Керісінше, модель 90% дәлдікпен мақтана алады, бірақ егер оның 10% қатесі үлкен нарықтық қозғалыстармен (және осылайша үлкен шығындармен) сәйкес келсе, ол тиімсіз болуы мүмкін. Көптеген AI акцияларын болжау әрекеттері бағыт дәлдігіне немесе қателерді азайтуға бағытталған, бірақ инвесторлар тәуекелге байланысты түзетілген кірістерге мән береді. Осылайша, бағалаулар көбінесе шикі соққы жылдамдығын емес, Sharpe қатынасы, кемітулер және өнімділіктің тұрақтылығы сияқты көрсеткіштерді қамтиды. Кейбір AI үлгілері позициялар мен тәуекелдерді автоматты түрде басқаратын алгоритмдік сауда жүйелеріне біріктірілген – олардың нақты өнімділігі жеке болжау статистикасынан гөрі тікелей сауда кірістерімен өлшенеді. Осы уақытқа дейін жыл сайын сенімді түрде ақша шығаратын толық автономды «AI трейдері» шындыққа қарағанда ғылыми фантастика болып табылады, бірақ тар қосымшалар (мысалы, трейдерлер баға опциялары үшін пайдалана алатын нарықтың қысқа мерзімді құбылмалылығын және т.б.) қаржылық құралдар жинағында орын тапты.

Жалпы алғанда, дәлелдемелер AI белгілі бір нарықтық үлгілерді ықтималдылықтан жоғары дәлдікпен болжай алатындығын және осылайша сауданың артықшылығын ұсына алатынын көрсетеді. Дегенмен, бұл жиек жиі кішкентай және капиталдандыру үшін күрделі орындауды талап етеді. Біреу сұрағанда, AI қор нарығын болжай ала ма? , Ағымдағы дәлелдерге негізделген ең шынайы жауап: AI кейде белгілі бір жағдайларда қор нарығының аспектілерін болжай алады, бірақ ол мұны барлық уақытта барлық акциялар үшін дәйекті түрде жасай алмайды . Табыстар ішінара және контекстке тәуелді болады.

Қорытынды: Қор нарығын болжаудағы AI-ға шынайы үміттер

AI және машиналық оқыту, сөзсіз, қаржы саласындағы қуатты құралға айналды. Олар үлкен деректер жиынтығын өңдеуде, жасырын корреляцияларды ашуда және тіпті стратегияларды жылдам бейімдеуде керемет. Қор нарығын болжау үшін AI нақты, бірақ шектеулі жеңістерге қол жеткізді. Инвесторлар мен институттар AI шешім қабылдауға көмектесетінін күте алады, мысалы, болжамды сигналдарды генерациялау, портфельдерді оңтайландыру немесе тәуекелді басқару арқылы, бірақ пайдаға кепілдік беретін кристалды шар ретінде қызмет етпейді.

AI не
алады : AI инвестициялаудағы аналитикалық процесті жақсарта алады. Ол бірнеше секунд ішінде нарық деректерін, жаңалықтар арналарын және қаржылық есептерді електен өткізіп, адам назардан тыс қалдыруы мүмкін нәзік үлгілерді немесе аномалияларды анықтай алады ( Машиналық оқытуды қор нарығын болжау үшін пайдалану... | FMP ). Ол жүздеген айнымалыларды (техникалық, іргелі, сезім және т.б.) біртұтас болжамға біріктіре алады. Қысқа мерзімді сауда-саттықта AI алгоритмдері бір акция екіншісінен асып түсетінін немесе нарық құбылмалылықтың көтерілуіне жақын екенін кездейсоқ дәлдіктен сәл жақсырақ болжауы мүмкін. Бұл қосымша жиектер дұрыс пайдаланылған кезде нақты қаржылық табысқа айналуы мүмкін. тәуекелдерді басқаруға көмектеседі - құлдырау туралы ерте ескертулерді анықтау немесе инвесторларды болжамның сенімділік деңгейі туралы хабардар ету. AI-ның тағы бір практикалық рөлі стратегияны автоматтандыруда : алгоритмдер сауда-саттықты жоғары жылдамдықта және жиілікте орындай алады, оқиғаларға тәулік бойы әрекет ете алады және тұрақсыз нарықтарда тиімді болуы мүмкін тәртіпті сақтай алады (эмоционалды сауда-саттық жоқ).

Жасанды интеллект не
алмайды (әлі): Кейбір БАҚ-тағы дүрбелеңге қарамастан, AI әрқашан нарықты жеңу немесе маңызды бетбұрыс нүктелерін болжау сияқты біртұтас мағынада қор нарығын дәйекті және сенімді түрде болжай Нарықтарға адам мінез-құлқы, кездейсоқ оқиғалар және кез келген статикалық үлгіге қарсы тұратын күрделі кері байланыс циклдары әсер етеді. AI белгісіздікті жоймайды; ол тек ықтималдықпен айналысады. Жасанды интеллект ертең акцияның көтерілуінің 70% мүмкіндігін көрсетуі мүмкін, бұл оның 30% ықтималдығын білдіреді. Сауда-саттықты жоғалту және жаман қоңыраулар сөзсіз. Жасанды интеллект өзінің жаттығу деректерінен тыс шын мәнінде жаңа оқиғаларды (көбінесе «қара аққулар» деп атайды) болжай алмайды. Сонымен қатар, кез келген сәтті болжамды модель оның артықшылығын бұзатын бәсекелестікке шақырады. Негізінде, нарықтың болашағын болжауға кепілдік беретін кристалды шардың AI баламасы жоқ Инвесторлар басқаша мәлімдейтін кез келген адамнан сақ болуы керек.

Бейтарап, реалистік көзқарас:
Бейтарап тұрғыдан алғанда, AI дәстүрлі талдау мен адам түсінігін алмастыру емес, жақсарту ретінде қарастырылады. Іс жүзінде көптеген институционалдық инвесторлар адам талдаушылары мен портфолио менеджерлерінің мәліметтерімен қатар AI үлгілерін пайдаланады. Жасанды интеллект сандарды және болжамды шығаруы мүмкін, бірақ адамдар мақсаттарды қояды, нәтижелерді түсіндіреді және контекстке байланысты стратегияларды реттейді (мысалы, күтпеген дағдарыс кезінде модельді жоққа шығару). AI басқаратын құралдарды немесе сауда боттарын пайдаланатын бөлшек инвесторлар қырағы болып, құралдың логикасы мен шектеулерін түсінуі керек. AI ұсынысын соқыр орындау қауіпті - оны көптеген адамдар арасында бір кіріс ретінде пайдалану керек.

Нақты күтулерді белгілей отырып, мынадай қорытынды жасауға болады: AI қор нарығын белгілі бір дәрежеде болжай алады, бірақ сенімді емес және қатесіз емес . Бұл дұрыс қоңырау шалу мүмкіндігін арттыра тиімділігін , бұл бәсекелес нарықтарда пайда мен шығын арасындағы айырмашылық болуы мүмкін. Дегенмен, ол кепілдік бере алмайды немесе бағалы қағаздар нарығына тән құбылмалылық пен тәуекелді жоя алмайды. Бір басылым атап өткендей, тиімді алгоритмдер болса да, қор нарығындағы нәтижелер модельденетін ақпараттан тыс факторларға байланысты «табиғи болжау мүмкін емес» Deep Reinforcement Learning көмегімен қор нарығын болжау ).

Алдағы жол:
Алға қарай, қор нарығын болжаудағы AI рөлі артуы мүмкін. Ағымдағы зерттеулер кейбір шектеулерді шешуде (мысалы, режим өзгерістерін есепке алатын үлгілерді әзірлеу немесе деректерге негізделген және оқиғаға негізделген талдауды қамтитын гибридті жүйелер). нақты уақыт режимінде жаңа нарық деректеріне үздіксіз бейімделетін, статикалық оқытылған үлгілерге қарағанда өзгермелі орталарды әлеуетті түрде басқара алатын күшейтетін оқыту агенттеріне қызығушылық бар Сонымен қатар, AI-ны мінез-құлық қаржысы немесе желілік талдау әдістерімен біріктіру нарық динамикасының бай үлгілерін бере алады. Соған қарамастан, тіпті ең озық болашақ AI ықтималдық пен белгісіздік аясында жұмыс істейтін болады.

«AI қор нарығын болжай ала ма?» Деген сұрақ. қарапайым иә немесе жоқ жауабы жоқ. Ең дәл жауап: AI қор нарығын болжауға көмектеседі, бірақ ол қателеспейді. Ол ақылмен пайдаланған кезде болжау мен сауда стратегияларын жақсартатын қуатты құралдарды ұсынады, бірақ ол нарықтардың іргелі болжаусыздығын жоймайды. Инвесторлар оның әлсіз жақтарын біле отырып, AI-ны күшті жақтары – деректерді өңдеу және үлгіні тану үшін қабылдауы керек. Бұл ретте екі дүниенің де ең жақсысын пайдалануға болады: адамның пайымдауы мен бірге жұмыс істейтін машиналық интеллект. Қор нарығы ешқашан 100% болжамды болмауы мүмкін, бірақ шынайы күтулер мен AI-ны сақтықпен пайдалану арқылы нарық қатысушылары үнемі дамып келе жатқан қаржылық ландшафтта жақсырақ ақпараттандырылған, тәртіпті инвестициялық шешімдерге ұмтыла алады.

Осыдан кейін оқығыңыз келетін ақпарақтар:

🔗 Жасанды интеллект алмастыра алмайтын жұмыстар – және AI қандай жұмыстарды алмастырады?
AI жаһандық жұмыспен қамтуды қайта қалыптастыратындықтан, қай мансап болашаққа сенімді және қайсысы қауіпті екенін анықтаңыз.

🔗 Генеративті AI адамның араласуынсыз не істеуге болады?
Тәжірибелік сценарийлерде генеративті AI-ның ағымдағы шекаралары мен автономды мүмкіндіктерін түсіну.

🔗 Генеративті AI-ны киберқауіпсіздікте қалай пайдалануға болады?
AI қауіптерден қалай қорғайтынын және болжамды және автономды құралдардың көмегімен кибер тұрақтылықты қалай арттыратынын біліңіз.