Կարո՞ղ է արդյոք արհեստական ​​բանականությունը կանխատեսել ֆոնդային շուկան։

Ներածություն

Ֆոնդային շուկայի կանխատեսումը երկար ժամանակ ֆինանսական «սուրբ գավաթ» է եղել, որը փնտրում են ինչպես ինստիտուցիոնալ, այնպես էլ մանրածախ ներդրողները ամբողջ աշխարհում: Արհեստական ​​բանականության (ԱԲ) և մեքենայական ուսուցման (ՄՈՒ) շատերը հետաքրքրվում են, թե արդյոք այս տեխնոլոգիաները վերջապես բացահայտել են բաժնետոմսերի գների կանխատեսման գաղտնիքը: Կարո՞ղ է ԱԲ-ն կանխատեսել ֆոնդային շուկան: Այս սպիտակ հոդվածը քննարկում է այդ հարցը գլոբալ տեսանկյունից՝ ուրվագծելով, թե ինչպես են ԱԲ-ի կողմից ղեկավարվող մոդելները փորձում կանխատեսել շուկայի շարժումները, այդ մոդելների տեսական հիմքերը և դրանց առջև ծառացած իրական սահմանափակումները: Մենք ներկայացնում ենք անաչառ վերլուծություն, որը հիմնված է հետազոտության, այլ ոչ թե գովազդի վրա, այն մասին, թե ինչ կարող է և ինչ չի կարող անել ԱԲ-ն ֆինանսական շուկայի կանխատեսման համատեքստում:

Ֆինանսական տեսության մեջ կանխատեսման մարտահրավերը ընդգծվում է Արդյունավետ շուկայի վարկածով (ԱՇՎ) : ԱՇՎ-ն (հատկապես իր «ուժեղ» ձևով) պնդում է, որ բաժնետոմսերի գները լիովին արտացոլում են ցանկացած պահի առկա ողջ տեղեկատվությունը, ինչը նշանակում է, որ ոչ մի ներդրող (նույնիսկ ներքին անձինք) չի կարող հետևողականորեն գերազանցել շուկային՝ առևտուր անելով առկա տեղեկատվության հիման վրա ( Տվյալների վրա հիմնված բաժնետոմսերի կանխատեսման մոդելներ, որոնք հիմնված են նեյրոնային ցանցերի վրա. ակնարկ ): Պարզ ասած, եթե շուկաները բարձր արդյունավետ են, և գները տատանվում են պատահական քայլքով , ապա ապագա գների ճշգրիտ կանխատեսումը գրեթե անհնար կլինի: Այս տեսությանը հակառակ, շուկան հաղթելու գայթակղությունը խթանել է առաջադեմ կանխատեսողական մեթոդների լայնածավալ հետազոտությունները: Արհեստական ​​բանականությունը և մեքենայական ուսուցումը կենտրոնական դեր են խաղացել այս հետապնդման մեջ՝ շնորհիվ տվյալների հսկայական քանակություն մշակելու և նուրբ օրինաչափությունները բացահայտելու իրենց ունակության, որոնք մարդիկ կարող են բաց թողնել ( Մեքենայական ուսուցման օգտագործումը ֆոնդային շուկայի կանխատեսման համար... | FMP ):

Այս սպիտակ թուղթը ներկայացնում է ֆոնդային շուկայի կանխատեսման համար օգտագործվող արհեստական ​​բանականության տեխնիկաների համապարփակ ակնարկ և գնահատում է դրանց արդյունավետությունը: Մենք կխորանանք հայտնի մոդելների տեսական հիմքերի այս մոդելների տվյալները և ուսուցման գործընթացը սահմանափակումներն ու մարտահրավերները , ինչպիսիք են շուկայի արդյունավետությունը, տվյալների աղմուկը և անկանխատեսելի արտաքին իրադարձությունները: Ներառված են իրական աշխարհի ուսումնասիրություններ և օրինակներ՝ մինչ այժմ ստացված խառը արդյունքները պատկերելու համար: Վերջապես, մենք եզրափակում ենք ներդրողների և մասնագետների համար իրատեսական սպասումներով՝ ընդունելով արհեստական ​​բանականության տպավորիչ հնարավորությունները, միաժամանակ ընդունելով, որ ֆինանսական շուկաները պահպանում են անկանխատեսելիության այնպիսի մակարդակ, որը ոչ մի ալգորիթմ չի կարող լիովին վերացնել:

Արհեստական ​​բանականության տեսական հիմունքները ֆոնդային շուկայի կանխատեսման մեջ

Արհեստական ​​բանականության վրա հիմնված ժամանակակից բաժնետոմսերի կանխատեսումը հիմնված է վիճակագրության, ֆինանսների և համակարգչային գիտության ոլորտներում տասնամյակների հետազոտությունների վրա: Օգտակար է հասկանալ մոտեցումների սպեկտրը՝ սկսած ավանդական մոդելներից մինչև առաջատար արհեստական ​​բանականությունը.

• Ավանդական ժամանակային շարքերի մոդելներ. վաղ շրջանի բաժնետոմսերի կանխատեսումը հիմնված էր վիճակագրական մոդելների վրա, որոնք ենթադրում են անցյալի գների օրինաչափություններ, որոնք կարող են կանխատեսել ապագան: ARIMA-ի (Auto-Rogressive Integrated Moving Average) և ARCH/GARCH-ի կենտրոնանում են ժամանակային շարքերի տվյալներում գծային միտումների և անկայունության կլաստերացման գրանցման վրա ( Տվյալների վրա հիմնված բաժնետոմսերի կանխատեսման մոդելներ, որոնք հիմնված են նեյրոնային ցանցերի վրա. Վերանայում ): Այս մոդելները կանխատեսման համար հիմք են հանդիսանում՝ մոդելավորելով պատմական գների հաջորդականությունները ստացիոնար և գծային ենթադրությունների ներքո: Չնայած օգտակար լինելուն, ավանդական մոդելները հաճախ դժվարանում են հաղթահարել իրական շուկաների բարդ, ոչ գծային օրինաչափությունները, ինչը գործնականում հանգեցնում է կանխատեսման սահմանափակ ճշգրտության ( Տվյալների վրա հիմնված բաժնետոմսերի կանխատեսման մոդելներ, որոնք հիմնված են նեյրոնային ցանցերի վրա. Վերանայում ):

• Մեքենայական ուսուցման ալգորիթմներ. Մեքենայական ուսուցման մեթոդները գերազանցում են նախապես սահմանված վիճակագրական բանաձևերը՝ ուղղակիորեն տվյալներից սովորելով օրինաչափությունները : Բաժնետոմսերի կանխատեսման համար կիրառվել են այնպիսի ալգորիթմներ, ինչպիսիք են օժանդակ վեկտորային մեքենաները (SVM) , պատահական անտառները և գրադիենտային խթանումը : Դրանք կարող են ներառել մուտքային հատկանիշների լայն շրջանակ՝ տեխնիկական ցուցանիշներից (օրինակ՝ շարժական միջիններ, առևտրի ծավալ) մինչև հիմնարար ցուցանիշներ (օրինակ՝ եկամուտներ, մակրոտնտեսական տվյալներ) և գտնել դրանց միջև ոչ գծային կապեր: Օրինակ, պատահական անտառի կամ գրադիենտային խթանման մոդելը կարող է միաժամանակ հաշվի առնել տասնյակ գործոններ՝ գրանցելով փոխազդեցությունները, որոնք պարզ գծային մոդելը կարող է բաց թողնել: Այս մեքենայական ուսուցման մոդելները ցույց են տվել կանխատեսողական ճշգրտությունը չափավոր բարելավելու ունակություն՝ տվյալներում բարդ ազդանշաններ հայտնաբերելով ( Մեքենայական ուսուցման օգտագործումը ֆոնդային շուկայի կանխատեսման համար... | FMP ): Այնուամենայնիվ, դրանք պահանջում են զգույշ կարգավորում և բավարար տվյալներ՝ գերհարմարեցումից խուսափելու համար (սովորելու աղմուկ, այլ ոչ թե ազդանշան):

• Խորը ուսուցում (նեյրոնային ցանցեր). Վերջին տարիներին մարդու ուղեղի կառուցվածքից ոգեշնչված խորը նեյրոնային ցանցերը կրկնվող նեյրոնային ցանցերը (RNN) և դրանց տարբերակները՝ երկարատև կարճաժամկետ հիշողության (LSTM) ցանցերը, որոնք հատուկ նախագծված են հաջորդական տվյալների համար, ինչպիսիք են բաժնետոմսերի գների ժամանակային շարքերը: LSTM-ները կարող են պահպանել անցյալի տեղեկատվության հիշողությունը և գրանցել ժամանակային կախվածությունները, ինչը դրանք հարմար է դարձնում շուկայական տվյալների միտումները, ցիկլերը կամ այլ ժամանակից կախված օրինաչափությունները մոդելավորելու համար: Հետազոտությունները ցույց են տալիս, որ LSTM-ները և այլ խորը ուսուցման մոդելները կարող են գրանցել ֆինանսական տվյալների բարդ, ոչ գծային հարաբերությունները, կոնվոլյուցիոն նեյրոնային ցանցերը (CNN) (երբեմն օգտագործվում են տեխնիկական ցուցանիշների «պատկերների» կամ կոդավորված հաջորդականությունների վրա), տրանսֆորմատորները (որոնք օգտագործում են ուշադրության մեխանիզմներ՝ տարբեր ժամանակային քայլերի կամ տվյալների աղբյուրների կարևորությունը կշռադատելու համար) և նույնիսկ գրաֆիկական նեյրոնային ցանցերը (GNN) (շուկայի գրաֆիկում բաժնետոմսերի միջև հարաբերությունները մոդելավորելու համար): Այս առաջադեմ նեյրոնային ցանցերը կարող են կլանել ոչ միայն գնային տվյալները, այլև այլընտրանքային տվյալների աղբյուրներ, ինչպիսիք են նորությունների տեքստը, սոցիալական ցանցերի տրամադրությունը և այլն, սովորելով վերացական հատկանիշներ, որոնք կարող են կանխատեսել շուկայի տատանումները ( Մեքենայական ուսուցման օգտագործումը ֆոնդային շուկայի կանխատեսման համար... | FMP ): Խորը ուսուցման ճկունությունն ունի իր գինը. դրանք տվյալների մեծ կարիք ունեն, հաշվողականորեն ինտենսիվ են և հաճախ գործում են որպես «սև արկղեր»՝ ավելի քիչ մեկնաբանելիությամբ:

• Հզորացված ուսուցում. Արհեստական ​​​​բանականության բաժնետոմսերի կանխատեսման մեկ այլ սահման է հզորացված ուսուցումը (ՀՈՒ) , որտեղ նպատակը ոչ միայն գների կանխատեսումն է, այլև օպտիմալ առևտրային ռազմավարություն սովորելը: ՀՈՒ շրջանակներում գործակալը (Արհեստական ​​​​բանականության մոդելը) փոխազդում է միջավայրի (շուկայի) հետ՝ կատարելով գործողություններ (գնել, վաճառել, պահել) և ստանալով պարգևներ (շահույթ կամ վնաս): Ժամանակի ընթացքում գործակալը սովորում է քաղաքականություն, որը մեծացնում է կուտակային պարգևը: Խորը հզորացված ուսուցումը (ԽՈՒՈՒ) համատեղում է նեյրոնային ցանցերը հզորացված ուսուցման հետ՝ շուկաների մեծ վիճակային տարածքը կառավարելու համար: Ֆինանսների ոլորտում ՀՈՒ-ի գրավչությունը որոշումների հաջորդականությունը և ներդրումային եկամտաբերության համար ուղղակիորեն օպտիմալացնելու ունակությունն է, այլ ոչ թե գները մեկուսացված կանխատեսելու: Օրինակ, ՀՈՒ գործակալը կարող է սովորել, թե երբ մուտք գործել կամ դուրս գալ դիրքերից՝ հիմնվելով գնային ազդանշանների վրա, և նույնիսկ հարմարվել շուկայական պայմանների փոփոխությանը: Նշենք, որ ՀՈՒՈՒ-ն օգտագործվել է քանակական առևտրային մրցույթներում և որոշ սեփական առևտրային համակարգերում մրցող Արհեստական ​​​​բանականության մոդելներ մարզելու համար: Այնուամենայնիվ, RL մեթոդները նաև բախվում են զգալի մարտահրավերների. դրանք պահանջում են լայնածավալ ուսուցում (տարիների ընթացքում կատարված գործարքների մոդելավորում), կարող են տուժել անկայունությունից կամ դիվերգենտ վարքից, եթե ուշադիր չեն կարգավորվում, և դրանց արդյունավետությունը խիստ զգայուն է ենթադրվող շուկայական միջավայրի նկատմամբ: Հետազոտողները նշել են այնպիսի խնդիրներ, ինչպիսիք են բարձր հաշվարկային արժեքը և կայունության խնդիրները ՝ բարդ ֆոնդային շուկաներում ամրապնդող ուսուցման կիրառման ժամանակ: Այս մարտահրավերներին չնայած, RL-ը ներկայացնում է խոստումնալից մոտեցում, հատկապես, երբ այն համակցվում է այլ տեխնիկաների հետ (օրինակ՝ գների կանխատեսման մոդելների և RL-ի վրա հիմնված բաշխման ռազմավարության կիրառմամբ)՝ հիբրիդային որոշումների կայացման համակարգ ստեղծելու համար ( ֆոնդային շուկայի կանխատեսում՝ խորը ամրապնդող ուսուցման միջոցով ):

Տվյալների աղբյուրներ և ուսուցման գործընթաց

Անկախ մոդելի տեսակից, տվյալները արհեստական ​​բանականության միջոցով ֆոնդային շուկայի կանխատեսման հիմքն են ։ Մոդելները սովորաբար մարզվում են պատմական շուկայական տվյալների և այլ հարակից տվյալների հավաքածուների վրա՝ օրինաչափությունները հայտնաբերելու համար։ Ընդհանուր տվյալների աղբյուրներն ու առանձնահատկությունները ներառում են՝

• Պատմական գներ և տեխնիկական ցուցանիշներ. Գրեթե բոլոր մոդելներն օգտագործում են անցյալի բաժնետոմսերի գները (բացման, ամենաբարձր, ցածր, փակման) և առևտրի ծավալները: Դրանցից վերլուծաբանները հաճախ որպես մուտքային տվյալներ ստանում են տեխնիկական ցուցանիշներ (շարժական միջիններ, հարաբերական ուժի ինդեքս, MACD և այլն): Այս ցուցանիշները կարող են օգնել ընդգծել միտումները կամ իմպուլսը, որոնք մոդելը կարող է օգտագործել: Օրինակ, մոդելը կարող է որպես մուտքային տվյալներ ընդունել վերջին 10 օրվա գները և ծավալը, գումարած այնպիսի ցուցանիշներ, ինչպիսիք են 10-օրյա շարժական միջինը կամ անկայունության չափանիշները՝ հաջորդ օրվա գնի շարժը կանխատեսելու համար:

• Շուկայական ինդեքսներ և տնտեսական տվյալներ. Շատ մոդելներ ներառում են ավելի լայն շուկայական տեղեկատվություն, ինչպիսիք են ինդեքսների մակարդակները, տոկոսադրույքները, գնաճը, ՀՆԱ-ի աճը կամ այլ տնտեսական ցուցանիշներ: Այս մակրո առանձնահատկությունները տրամադրում են համատեքստ (օրինակ՝ շուկայի ընդհանուր տրամադրությունը կամ տնտեսական առողջությունը), որը կարող է ազդել առանձին բաժնետոմսերի եկամտաբերության վրա:

• Նորությունների և տրամադրության տվյալներ. Արհեստական ​​բանականության համակարգերի աճող թիվը կլանում է չկառուցվածքային տվյալներ, ինչպիսիք են նորությունների հոդվածները, սոցիալական ցանցերի հոսքերը (Twitter, Stocktwits) և ֆինանսական հաշվետվությունները: Բնական լեզվի մշակման (NLP) տեխնիկաները, ներառյալ BERT-ի նման առաջադեմ մոդելները, օգտագործվում են շուկայական տրամադրությունը չափելու կամ համապատասխան իրադարձությունները հայտնաբերելու համար: Օրինակ, եթե նորությունների տրամադրությունը հանկարծ կտրուկ բացասական է դառնում որևէ ընկերության կամ ոլորտի համար, Արհեստական ​​բանականության մոդելը կարող է կանխատեսել համապատասխան բաժնետոմսերի գների անկում: Իրական ժամանակի նորությունների և սոցիալական ցանցերի տրամադրությունը ՝ Արհեստական ​​բանականությունը կարող է ավելի արագ արձագանքել նոր տեղեկատվությանը, քան մարդիկ, որոնք առևտրում են:

• Այլընտրանքային տվյալներ. Որոշ բարդ հեջ ֆոնդեր և արհեստական ​​բանականության հետազոտողներ օգտագործում են այլընտրանքային տվյալների աղբյուրներ՝ արբանյակային պատկերներ (խանութների այցելությունների կամ արդյունաբերական գործունեության համար), վարկային քարտերի գործարքների տվյալներ, վեբ որոնման միտումներ և այլն՝ կանխատեսողական պատկերացումներ ստանալու համար: Այս ոչ ավանդական տվյալների հավաքածուները երբեմն կարող են ծառայել որպես բաժնետոմսերի արդյունավետության առաջատար ցուցանիշներ, չնայած դրանք նաև բարդություն են մտցնում մոդելի ուսուցման մեջ:

Արհեստական ​​բանականության մոդելի բաժնետոմսերի կանխատեսման համար մարզումը ներառում է այս պատմական տվյալների տրամադրումը և մոդելի պարամետրերի ճշգրտումը՝ կանխատեսման սխալը նվազագույնի հասցնելու համար: Սովորաբար, տվյալները բաժանվում են մարզման հավաքածուի (օրինակ՝ ավելի հին պատմություն՝ օրինաչափություններ սովորելու համար) և փորձարկման/վավերացման հավաքածուի (ավելի վերջին տվյալներ՝ անտեսանելի պայմաններում կատարողականը գնահատելու համար): Հաշվի առնելով շուկայական տվյալների հաջորդական բնույթը, զգուշություն է ցուցաբերվում «ապագա հայացքը նետելուց» խուսափելու համար. օրինակ, մոդելները գնահատվում են մարզման ժամանակահատվածից հետո ընկած ժամանակահատվածների տվյալների հիման վրա՝ իրական առևտրում դրանց աշխատանքի մոդելավորման համար: խաչաձև վավերացման տեխնիկաները (ինչպես քայլ առ քայլ վավերացումը) օգտագործվում են՝ ապահովելու համար, որ մոդելը լավ ընդհանրացվի և չհամապատասխանի միայն մեկ որոշակի ժամանակահատվածի:

Ավելին, մասնագետները պետք է լուծեն տվյալների որակի և նախնական մշակման հարցերը: Բացակայող տվյալները, արտառոց ցուցանիշները (օրինակ՝ բաժնետոմսերի բաժանման կամ միանգամյա իրադարձությունների պատճառով հանկարծակի թռիչքները) և շուկաներում ռեժիմի փոփոխությունները կարող են ազդել մոդելի վերապատրաստման վրա: Մուտքային տվյալների վրա կարող են կիրառվել նորմալացման, միտումների նվազեցման կամ սեզոնայնացման նման տեխնիկաներ: Որոշ առաջադեմ մոտեցումներ գների շարքերը բաժանում են բաղադրիչների (միտումներ, ցիկլեր, աղմուկ) և մոդելավորում դրանք առանձին (ինչպես երևում է վարիացիոն ռեժիմի բաժանումը նեյրոնային ցանցերի հետ համատեղող հետազոտություններում ( Ֆոնդային շուկայի կանխատեսում խորը ամրապնդման ուսուցման միջոցով )):

Տարբեր մոդելներ ունեն տարբեր վերապատրաստման պահանջներ. խորը ուսուցման մոդելները կարող են հարյուր հազարավոր տվյալների կետերի կարիք ունենալ և օգտվել GPU արագացումից, մինչդեռ ավելի պարզ մոդելները, ինչպիսին է լոգիստիկ ռեգրեսիան, կարող են սովորել համեմատաբար փոքր տվյալների հավաքածուներից: Ուժեղացված ուսուցման մոդելները պահանջում են սիմուլյատոր կամ միջավայր՝ փոխազդելու համար. երբեմն պատմական տվյալները վերարտադրվում են RL գործակալին, կամ շուկայի սիմուլյատորներն օգտագործվում են փորձառություններ ստեղծելու համար:

Վերջապես, մարզվելուց հետո այս մոդելները տալիս են կանխատեսող ֆունկցիա, օրինակ՝ արդյունք, որը կարող է լինել վաղվա օրվա կանխատեսված գինը, բաժնետոմսի բարձրացման հավանականությունը կամ առաջարկվող գործողությունը (գնել/վաճառել): Այս կանխատեսումները այնուհետև սովորաբար ինտեգրվում են առևտրային ռազմավարության մեջ (դիրքի չափսերով, ռիսկերի կառավարման կանոններով և այլն), նախքան իրական գումարը ռիսկի ենթարկվի:

Սահմանափակումներ և մարտահրավերներ

Մինչդեռ արհեստական ​​ինտելեկտի մոդելները դարձել են աներևակայելիորեն բարդ, ֆոնդային շուկայի կանխատեսումը մնում է բնույթով մարտահրավեր նետող խնդիր : Ստորև բերված են հիմնական սահմանափակումներն ու խոչընդոտները, որոնք թույլ չեն տալիս արհեստական ​​ինտելեկտին լինել երաշխավորված գուշակ շուկաներում.

• Շուկայի արդյունավետություն և պատահականություն. Ինչպես նշվեց ավելի վաղ, արդյունավետ շուկայի վարկածը պնդում է, որ գները արդեն արտացոլում են հայտնի տեղեկատվությունը, ուստի ցանկացած նոր տեղեկատվություն առաջացնում է անհապաղ ճշգրտումներ: Գործնականում սա նշանակում է, որ գների փոփոխությունները մեծապես պայմանավորված են անսպասելի նորություններով կամ պատահական տատանումներով: Իրոք, տասնամյակների հետազոտությունները պարզել են, որ բաժնետոմսերի գների կարճաժամկետ տատանումները նման են պատահական քայլքի ( Տվյալների վրա հիմնված բաժնետոմսերի կանխատեսման մոդելներ, որոնք հիմնված են նեյրոնային ցանցերի վրա. ակնարկ )՝ երեկվա գինը քիչ ազդեցություն ունի վաղվա գնի վրա, այն բանից հետո, ինչ պատահականությունը կկանխատեսեր: Եթե բաժնետոմսերի գները էապես պատահական կամ «արդյունավետ» են, ոչ մի ալգորիթմ չի կարող հետևողականորեն կանխատեսել դրանք բարձր ճշգրտությամբ: Ինչպես հակիրճ է նշել մեկ հետազոտական ​​ուսումնասիրություն. «պատահական քայլքի վարկածը և արդյունավետ շուկայի վարկածը էապես նշում են, որ հնարավոր չէ համակարգված, հուսալիորեն կանխատեսել բաժնետոմսերի ապագա գները» ( S&P 500 բաժնետոմսերի հարաբերական եկամտաբերության կանխատեսում մեքենայական ուսուցման միջոցով | Ֆինանսական նորարարություն | Լրիվ տեքստ ): Սա չի նշանակում, որ արհեստական ​​բանականության կանխատեսումները միշտ անօգուտ են, բայց այն ընդգծում է հիմնարար սահմանափակում. շուկայի շարժման մեծ մասը կարող է պարզապես աղմուկ լինել, որը նույնիսկ լավագույն մոդելը չի ​​կարող նախապես կանխատեսել:

• Աղմուկ և անկանխատեսելի արտաքին գործոններ. Բաժնետոմսերի գները կախված են բազմաթիվ գործոններից, որոնցից շատերը էկզոգեն և անկանխատեսելի են: Աշխարհաքաղաքական իրադարձությունները (պատերազմներ, ընտրություններ, կարգավորող փոփոխությունների փոփոխություններ), բնական աղետները, համավարակները, հանկարծակի կորպորատիվ սկանդալները կամ նույնիսկ վիրուսային սոցիալական ցանցերում լուրերը կարող են անսպասելիորեն տեղաշարժել շուկաները: Սրանք այն իրադարձություններն են, որոնց համար մոդելը չի ​​կարող ունենալ նախնական վերապատրաստման տվյալներ (քանի որ դրանք աննախադեպ են) կամ որոնք տեղի են ունենում որպես հազվագյուտ ցնցումներ: Օրինակ, 2010-2019 թվականների պատմական տվյալների վրա պատրաստված ոչ մի արհեստական ​​բանականության մոդել չէր կարող կոնկրետ կանխատեսել COVID-19-ի փլուզումը 2020 թվականի սկզբին կամ դրա արագ վերականգնումը: Ֆինանսական արհեստական ​​բանականության մոդելները դժվարանում են, երբ ռեժիմները փոխվում են կամ երբ մեկ իրադարձությունը որոշում է գները: Ինչպես նշում է մեկ աղբյուր, աշխարհաքաղաքական իրադարձությունների կամ հանկարծակի տնտեսական տվյալների հրապարակումների նման գործոնները կարող են կանխատեսումները գրեթե անմիջապես հնացած դարձնել ( Օգտագործելով մեքենայական ուսուցումը ֆոնդային շուկայի կանխատեսման համար... | FMP ) ( Օգտագործելով մեքենայական ուսուցումը ֆոնդային շուկայի կանխատեսման համար... | FMP ): Այլ կերպ ասած, անսպասելի նորությունները միշտ կարող են անտեսել ալգորիթմական կանխատեսումները ՝ ներարկելով անորոշության մակարդակ, որը չի կարող նվազեցվել:

• Գերհարմարեցում և ընդհանրացում. Մեքենայական ուսուցման մոդելները հակված են գերհարմարեցման , ինչը նշանակում է, որ դրանք կարող են չափազանց լավ սովորել մարզման տվյալների «աղմուկը» կամ առանձնահատկությունները, այլ ոչ թե հիմքում ընկած ընդհանուր օրինաչափությունները: Գերհարմարեցված մոդելը կարող է հիանալի աշխատել պատմական տվյալների վրա (նույնիսկ ցույց տալով տպավորիչ հետփորձարկված եկամտաբերություն կամ նմուշի բարձր ճշգրտություն), բայց հետո տխուր կերպով ձախողվել նոր տվյալների վրա: Սա քանակական ֆինանսների տարածված թակարդ է: Օրինակ, բարդ նեյրոնային ցանցը կարող է հայտնաբերել կեղծ փոխկապակցվածություններ, որոնք անցյալում պահպանվել են պատահականորեն (ինչպես ցուցանիշների որոշակի համադրություն, որը պատահաբար նախորդել է վերջին 5 տարիների աճին), բայց այդ փոխհարաբերությունները կարող են չպահպանվել ապագայում: Գործնական օրինակ. կարելի է նախագծել մոդել, որը կանխատեսում է, որ անցյալ տարվա բաժնետոմսերի հաղթողները միշտ կբարձրանան. այն կարող է համապատասխանել որոշակի ժամանակահատվածի, բայց եթե շուկայի ռեժիմը փոխվի, այդ օրինաչափությունը կխախտվի: Գերհարմարեցումը հանգեցնում է նմուշից դուրս վատ կատարողականի , ինչը նշանակում է, որ մոդելի կանխատեսումները իրական առևտրում չեն կարող լինել ոչ ավելի լավ, քան պատահական, չնայած մշակման մեջ հիանալի տեսք ունենալուն: Գերհարմարեցումից խուսափելը պահանջում է այնպիսի տեխնիկաներ, ինչպիսիք են կանոնավորումը, մոդելի բարդությունը վերահսկելը և հուսալի վավերացումը: Սակայն, հենց այն բարդությունը, որը արհեստական ​​բանականության մոդելներին հզորություն է տալիս, դրանք նաև խոցելի է դարձնում այս խնդրի նկատմամբ։

• Տվյալների որակը և մատչելիությունը. «Աղբը ներս, աղբը դուրս» ասացվածքը մեծապես վերաբերում է բաժնետոմսերի կանխատեսման մեջ արհեստական ​​բանականությանը: Տվյալների որակը, քանակը և արդիականությունը զգալիորեն ազդում են մոդելի աշխատանքի վրա: Եթե պատմական տվյալները անբավարար են (օրինակ՝ փորձելով խորը ցանց պատրաստել բաժնետոմսերի գների ընդամենը մի քանի տարվա հիման վրա) կամ ոչ ներկայացուցչական (օրինակ՝ օգտագործելով հիմնականում աճող ժամանակահատվածի տվյալները՝ անկման սցենարը կանխատեսելու համար), մոդելը լավ չի ընդհանրացնի: Տվյալները կարող են նաև կողմնակալ կամ ենթակա լինել գոյատևման (օրինակ՝ ֆոնդային ինդեքսները ժամանակի ընթացքում բնականաբար անկում են ապրում վատ ցուցանիշներ ունեցող ընկերություններում, ուստի պատմական ինդեքսների տվյալները կարող են կողմնակալ լինել դեպի վեր): Տվյալների մաքրումը և համադրումը ոչ տրիվիալ խնդիր է: Բացի այդ, այլընտրանքային տվյալների աղբյուրները կարող են թանկ կամ դժվար ձեռք բերել, ինչը կարող է առավելություն տալ ինստիտուցիոնալ խաղացողներին՝ միաժամանակ մանրածախ ներդրողներին թողնելով ավելի քիչ համապարփակ տվյալներ: Կա նաև հաճախականության . բարձր հաճախականության առևտրային մոդելները կարիք ունեն քայլ առ քայլ տվյալների, որոնք հսկայական ծավալ ունեն և պահանջում են հատուկ ենթակառուցվածք, մինչդեռ ցածր հաճախականության մոդելները կարող են օգտագործել օրական կամ շաբաթական տվյալներ: Տվյալների ժամանակին համապատասխանեցման (օրինակ՝ նորություններ համապատասխան գնային տվյալների հետ) և կանխատեսումների կողմնակալությունից զերծ լինելը շարունակական մարտահրավեր է:

• Մոդելի թափանցիկություն և մեկնաբանելիություն. Արհեստական ​​բանականության շատ մոդելներ, մասնավորապես խորը ուսուցման մոդելները, գործում են որպես սև արկղեր : Դրանք կարող են կանխատեսում կամ առևտրային ազդանշան առաջացնել առանց հեշտությամբ բացատրելի պատճառի: Այս թափանցիկության բացակայությունը կարող է խնդրահարույց լինել ներդրողների համար, հատկապես ինստիտուցիոնալների, ովքեր պետք է արդարացնեն որոշումները շահագրգիռ կողմերին կամ համապատասխանեն կանոնակարգերին: Եթե արհեստական ​​բանականության մոդելը կանխատեսում է, որ բաժնետոմսը կնվազի և առաջարկում է վաճառել, պորտֆելի կառավարիչը կարող է տատանվել, եթե չի հասկանում հիմնավորումը: Արհեստական ​​բանականության որոշումների անթափանցիկությունը կարող է նվազեցնել վստահությունը և ընդունումը՝ անկախ մոդելի ճշգրտությունից: Այս մարտահրավերը խթանում է ֆինանսների համար բացատրելի արհեստական ​​բանականության հետազոտությունները, բայց մնում է ճիշտ, որ հաճախ կա փոխզիջում մոդելի բարդության/ճշգրտության և մեկնաբանելիության միջև:

• Հարմարվողական շուկաներ և մրցակցություն. Կարևոր է նշել, որ ֆինանսական շուկաները հարմարվողական : Երբ կանխատեսողական օրինաչափությունը հայտնաբերվում է (արհեստական ​​բանականության կամ որևէ այլ մեթոդի միջոցով) և օգտագործվում է շատ առևտրականների կողմից, այն կարող է դադարել աշխատել: Օրինակ, եթե արհեստական ​​բանականության մոդելը պարզում է, որ որոշակի ազդանշան հաճախ նախորդում է բաժնետոմսի աճին, առևտրականները կսկսեն գործել այդ ազդանշանի հիման վրա ավելի վաղ՝ այդպիսով արբիտրաժային ճանապարհով կորցնելով հնարավորությունը: Ըստ էության, շուկաները կարող են զարգանալ՝ չեղյալ համարելով հայտնի ռազմավարությունները : Այսօր շատ առևտրային ընկերություններ և ֆոնդեր օգտագործում են արհեստական ​​բանականություն և մեքենայական ... Շուկաների այս դինամիկ բնույթը հիմնարար մարտահրավեր է. «խաղի կանոնները» ստացիոնար չեն, ուստի անցյալ տարի աշխատած մոդելը կարող է վերանայման կարիք ունենալ հաջորդ տարի։

• Իրական աշխարհի սահմանափակումներ. Նույնիսկ եթե արհեստական ​​բանականության մոդելը կարողանար կանխատեսել գները բավարար ճշգրտությամբ, կանխատեսումները շահույթի վերածելը մեկ այլ մարտահրավեր է: Առևտուրը ենթադրում է գործարքային ծախսեր , ինչպիսիք են միջնորդավճարները, սահքը և հարկերը: Մոդելը կարող է ճիշտ կանխատեսել գների բազմաթիվ փոքր տատանումներ, բայց շահույթը կարող է չեզոքացվել վճարների և գործարքների շուկայի ազդեցության պատճառով: Ռիսկերի կառավարումը նույնպես կարևոր է. ոչ մի կանխատեսում 100% հաստատուն չէ, ուստի արհեստական ​​բանականության վրա հիմնված ցանկացած ռազմավարություն պետք է հաշվի առնի հնարավոր կորուստները (կանգառի կորստի պատվերների, պորտֆելի դիվերսիֆիկացման և այլնի միջոցով): Հաստատությունները հաճախ արհեստական ​​բանականության կանխատեսումները ինտեգրում են ավելի լայն ռիսկերի շրջանակներում՝ ապահովելու համար, որ արհեստական ​​բանականությունը խաղադրույք չի կատարում այնպիսի կանխատեսման վրա, որը կարող է սխալ լինել: Այս գործնական նկատառումները նշանակում են, որ արհեստական ​​բանականության տեսական առավելությունը պետք է էական լինի՝ իրական աշխարհի բախումներից հետո օգտակար լինելու համար:

Ամփոփելով՝ արհեստական ​​բանականությունն ունի հզոր հնարավորություններ, սակայն այս սահմանափակումները ապահովում են, որ ֆոնդային շուկան մնա մասամբ կանխատեսելի, մասամբ անկանխատեսելի համակարգ ։ Արհեստական ​​բանականության մոդելները կարող են շանսերը թեքել ներդրողի օգտին՝ ավելի արդյունավետ վերլուծելով տվյալները և հնարավոր է՝ բացահայտելով նուրբ կանխատեսող ազդանշաններ։ Այնուամենայնիվ, արդյունավետ գնագոյացման, աղմկոտ տվյալների, անկանխատեսելի իրադարձությունների և գործնական սահմանափակումների համադրությունը նշանակում է, որ նույնիսկ լավագույն արհեստական ​​բանականությունը երբեմն սխալվելու է՝ հաճախ անկանխատեսելիորեն։

Արհեստական ​​բանականության մոդելների արդյունավետությունը. Ի՞նչ են ասում ապացույցները։

Հաշվի առնելով թե՛ առաջընթացները, թե՛ քննարկված մարտահրավերները, ի՞նչ ենք սովորել հետազոտություններից և իրական աշխարհի փորձերից՝ բաժնետոմսերի կանխատեսման մեջ արհեստական ​​բանականությունը կիրառելու համար։ Մինչ այժմ ստացված արդյունքները խառը են՝ ընդգծելով ինչպես խոստումնալից հաջողություններ , այնպես էլ լուրջ ձախողումներ ։

• Արհեստական ​​բանականության (AI) պատահականությունից գերազանցող դեպքեր. Մի շարք ուսումնասիրություններ ցույց են տվել, որ արհեստական ​​բանականության մոդելները որոշակի պայմաններում կարող են գերազանցել պատահական գուշակությունները: Օրինակ, 2024 թվականի մի ուսումնասիրություն կիրառել է LSTM նեյրոնային ցանց՝ Վիետնամի ֆոնդային շուկայում միտումները Մեքենայական ուսուցման ալգորիթմների կիրառումը ֆոնդային շուկայում բաժնետոմսերի գների միտումը կանխատեսելու համար - Վիետնամի դեպքը | Հումանիտար և սոցիալական գիտությունների հաղորդակցություն ): Սա ենթադրում է, որ այդ շուկայում (զարգացող տնտեսություն) մոդելը կարողացել է արձանագրել հետևողական օրինաչափություններ, հնարավոր է՝ այն պատճառով, որ շուկան ուներ անարդյունավետություններ կամ ուժեղ տեխնիկական միտումներ, որոնք LSTM-ը սովորել էր: 2024 թվականի մեկ այլ ուսումնասիրություն ընդգրկեց ավելի լայն շրջանակ. հետազոտողները փորձեցին կանխատեսել կարճաժամկետ եկամտաբերությունը S&P 500 բոլոր բաժնետոմսերի (շատ ավելի արդյունավետ շուկա)՝ օգտագործելով մեքենայական մեխանիկայի մոդելներ: Նրանք դա ձևակերպեցին որպես դասակարգման խնդիր՝ կանխատեսելով, թե արդյոք բաժնետոմսը հաջորդ 10 օրվա ընթացքում 2%-ով կգերազանցի ինդեքսը՝ օգտագործելով այնպիսի ալգորիթմներ, ինչպիսիք են Random Forests-ը, SVM-ը և LSTM-ը: Արդյունքը՝ LSTM մոդելը գերազանցեց թե՛ մյուս մեքենայական հոսքի մոդելներին, թե՛ պատահական բազային գծին , որի արդյունքները վիճակագրորեն բավականաչափ նշանակալի էին՝ ենթադրելու համար, որ դա պարզապես բախտ չէր ( S&P 500 բաժնետոմսերի հարաբերական եկամտաբերության կանխատեսում մեքենայական ուսուցման միջոցով | Ֆինանսական նորարարություն | Լրիվ տեքստ պատահական քայլքի վարկածի հավանականությունը «աննշանորեն փոքր» էր, ինչը ցույց է տալիս, որ նրանց մեքենայական հոսքի մոդելները գտել են իրական կանխատեսող ազդանշաններ: Այս օրինակները ցույց են տալիս, որ արհեստական ​​բանականությունը իսկապես կարող է նույնականացնել այնպիսի օրինաչափություններ, որոնք առավելություն են տալիս (նույնիսկ եթե չափավոր) բաժնետոմսերի տատանումները կանխատեսելու հարցում, հատկապես, երբ փորձարկվում են տվյալների մեծ հավաքածուների վրա:

• Արդյունաբերության մեջ նշանակալի կիրառման դեպքեր. Ակադեմիական ուսումնասիրություններից դուրս, կան զեկույցներ հեջ ֆոնդերի և ֆինանսական հաստատությունների կողմից արհեստական ​​բանականության հաջող օգտագործման մասին իրենց առևտրային գործողություններում: Որոշ բարձր հաճախականության առևտրային ընկերություններ օգտագործում են արհեստական ​​բանականություն՝ շուկայի միկրոկառուցվածքային օրինաչափությունները վայրկյանների ընթացքում ճանաչելու և դրանց արձագանքելու համար: Խոշոր բանկերն ունեն արհեստական ​​բանականության մոդելներ պորտֆելի բաշխման և ռիսկերի կանխատեսման , որոնք, չնայած միշտ չէ, որ վերաբերում են մեկ բաժնետոմսի գնի կանխատեսմանը, ներառում են շուկայի ասպեկտների կանխատեսում (ինչպիսիք են անկայունությունը կամ կորելյացիաները): Կան նաև արհեստական ​​բանականության վրա հիմնված ֆոնդեր (հաճախ անվանում են «քվանտային ֆոնդեր»), որոնք օգտագործում են մեքենայական ուսուցում՝ առևտրային որոշումներ կայացնելու համար. որոշները որոշակի ժամանակահատվածներում գերազանցել են շուկան, չնայած դժվար է դա խստորեն վերագրել արհեստական ​​բանականությանը, քանի որ դրանք հաճախ օգտագործում են մարդկային և մեքենայական բանականության համադրություն: Կոնկրետ կիրառություն է տրամադրության վերլուծության արհեստական ​​բանականության օգտագործումը. օրինակ՝ նորությունների և Twitter-ի սկանավորումը՝ կանխատեսելու համար, թե ինչպես կփոխվեն բաժնետոմսերի գները ի պատասխան: Նման մոդելները կարող են 100% ճշգրիտ չլինել, բայց դրանք կարող են առևտրականներին փոքր առավելություն տալ նորությունների գնագոյացման հարցում: Հարկ է նշել, որ ընկերությունները սովորաբար հաջողված արհեստական ​​ինտելեկտի ռազմավարությունների մանրամասները սերտորեն պահպանում են որպես մտավոր սեփականություն, ուստի հանրային տիրույթում առկա ապացույցները հակված են հետ մնալու կամ ոչ պաշտոնական լինելու։

• Թերակատարողականության և ձախողումների դեպքեր. Յուրաքանչյուր հաջողության պատմության համար կան զգուշացնող պատմություններ: Շատ ակադեմիական ուսումնասիրություններ, որոնք պնդում էին բարձր ճշգրտություն մեկ շուկայում կամ ժամանակահատվածում, չեն ընդհանրացրել: Մի ուշագրավ փորձ փորձեց կրկնօրինակել Հնդկաստանի ֆոնդային շուկայի հաջողված կանխատեսման ուսումնասիրությունը (որը բարձր ճշգրտություն ուներ տեխնիկական ցուցանիշների վրա մեքենայական մանիպուլյացիայի միջոցով) ԱՄՆ բաժնետոմսերի վրա: Կրկնօրինակումը չի հայտնաբերել որևէ նշանակալի կանխատեսողական ուժ . ըստ էության, բաժնետոմսի հաջորդ օրը բարձրանալու միամիտ ռազմավարությունը ճշգրտությամբ գերազանցել է բարդ մեքենայական մանիպուլյացիայի մոդելներին: Հեղինակները եզրակացրել են, որ իրենց արդյունքները «հաստատում են պատահական քայլքի տեսությունը» , ինչը նշանակում է, որ բաժնետոմսերի շարժը էապես անկանխատեսելի էր, և մեքենայական մանիպուլյացիայի մոդելները չեն օգնել: Սա ընդգծում է, որ արդյունքները կարող են զգալիորեն տարբերվել շուկայից և ժամանակահատվածից կախված: Նմանապես, բազմաթիվ Kaggle մրցույթներ և քվանտային հետազոտությունների մրցույթներ ցույց են տվել, որ չնայած մոդելները հաճախ կարող են լավ տեղավորվել անցյալի տվյալների մեջ, դրանց արդյունավետությունը իրական առևտրում հաճախ նահանջում է մինչև 50% ճշգրտություն (ուղղության կանխատեսման համար), երբ բախվում են նոր պայմանների: 2007 թվականի քվանտային ֆոնդերի փլուզման և 2020 թվականի համավարակի ցնցման ժամանակ արհեստական ​​բանականության վրա հիմնված ֆոնդերի առջև ծառացած դժվարությունների նման դեպքերը ցույց են տալիս, որ արհեստական ​​բանականության մոդելները կարող են հանկարծակի տատանվել, երբ շուկայական ռեժիմը փոխվում է: Գոյատևման կողմնակալությունը նույնպես գործոն է ընկալումների մեջ. մենք ավելի հաճախ ենք լսում արհեստական ​​ինտելեկտի հաջողությունների, քան ձախողումների մասին, բայց կուլիսներում շատ մոդելներ և ֆոնդեր աննկատ ձախողվում են և փակվում, քանի որ նրանց ռազմավարությունները դադարում են աշխատել։

• Տարբերություններ շուկաների միջև. Ուսումնասիրություններից ստացված հետաքրքիր դիտարկումն այն է, որ արհեստական ​​բանականության արդյունավետությունը կարող է կախված լինել շուկայի հասունությունից և արդյունավետությունից : Համեմատաբար պակաս արդյունավետ կամ զարգացող շուկաներում կարող են լինել ավելի շահագործելի օրինաչափություններ (վերլուծաբանների ավելի ցածր ծածկույթի, իրացվելիության սահմանափակումների կամ վարքային կողմնակալությունների պատճառով), որոնք թույլ են տալիս արհեստական ​​բանականության մոդելներին հասնել ավելի բարձր ճշգրտության: Վիետնամի շուկայի LSTM ուսումնասիրությունը՝ 93% ճշգրտությամբ, կարող է լինել դրա օրինակ: Ի տարբերություն դրա, ԱՄՆ-ի նման բարձր արդյունավետ շուկաներում այդ օրինաչափությունները կարող են արագորեն վերացվել: Վիետնամի դեպքի և ԱՄՆ-ի կրկնօրինակման ուսումնասիրության միջև խառը արդյունքները վկայում են այս անհամապատասխանության մասին: Համաշխարհային մասշտաբով սա նշանակում է, որ արհեստական ​​բանականությունը ներկայումս կարող է ապահովել ավելի լավ կանխատեսողական կատարողականություն որոշակի նիշային շուկաներում կամ ակտիվների դասերում (օրինակ՝ որոշները կիրառել են արհեստական ​​բանականություն՝ ապրանքների գները կամ կրիպտոարժույթների միտումները կանխատեսելու համար՝ տարբեր հաջողությամբ): Ժամանակի ընթացքում, քանի որ բոլոր շուկաները շարժվում են դեպի ավելի մեծ արդյունավետություն, հեշտ կանխատեսողական հաղթանակների պատուհանը նեղանում է:

• Ճշգրտությունն ընդդեմ շահութաբերության. Կարևոր է նաև տարբերակել կանխատեսման ճշգրտությունը ներդրումային շահութաբերությունից : Մոդելը կարող է լինել միայն, ասենք, 60% ճշգրիտ բաժնետոմսի օրական վեր կամ վար շարժը կանխատեսելու հարցում, ինչը շատ բարձր չի հնչում, բայց եթե այդ կանխատեսումները օգտագործվեն խելացի առևտրային ռազմավարության մեջ, դրանք կարող են բավականին շահութաբեր լինել: Եվ հակառակը, մոդելը կարող է պարծենալ 90% ճշգրտությամբ, բայց եթե սխալ լինելու 10%-ը համընկնում է շուկայի հսկայական տատանումների (և, հետևաբար, մեծ կորուստների) հետ, այն կարող է լինել անշահավետ: Արհեստական ​​բանականության միջոցով բաժնետոմսերի կանխատեսման շատ ջանքեր կենտրոնանում են ուղղորդված ճշգրտության կամ սխալի նվազագույնի հասցնելու վրա, բայց ներդրողները հոգ են տանում ռիսկի ճշգրտված եկամտաբերության մասին: Այսպիսով, գնահատումները հաճախ ներառում են չափանիշներ, ինչպիսիք են Շարփի գործակիցը, անկումները և կատարողականի կայունությունը, այլ ոչ թե միայն հում հարվածի մակարդակը: Որոշ արհեստական ​​բանականության մոդելներ ինտեգրվել են ալգորիթմական առևտրային համակարգերի մեջ, որոնք ավտոմատ կերպով կառավարում են դիրքերը և ռիսկերը. դրանց իրական կատարողականը չափվում է իրական առևտրային եկամտաբերությամբ, այլ ոչ թե առանձին կանխատեսման վիճակագրությամբ: Մինչ օրս, լիովին ինքնավար «արհեստական ​​բանականության միջոցով առևտրականը», որը հուսալիորեն տարեցտարի գումար է արդյունահանում, ավելի շատ գիտաֆանտաստիկա է, քան իրականություն, սակայն ավելի նեղ կիրառությունները (օրինակ՝ արհեստական ​​բանականության մոդելը, որը կանխատեսում է շուկայի կարճաժամկետ անկայունությունը , որը առևտրականները կարող են օգտագործել օպցիոնների գնագոյացման համար և այլն) տեղ են գտել ֆինանսական գործիքակազմում։

Ամփոփելով՝ ապացույցները ցույց են տալիս, որ արհեստական ​​բանականությունը կարող է կանխատեսել որոշակի շուկայական օրինաչափություններ՝ պատահականից բարձր ճշգրտությամբ , և այդպիսով կարող է առևտրային առավելություն տալ։ Սակայն այդ առավելությունը հաճախ փոքր է և պահանջում է բարդ կիրառում՝ դրանից օգտվելու համար։ Երբ ինչ-որ մեկը հարցնում է, թե կարո՞ղ է արհեստական ​​բանականությունը կանխատեսել ֆոնդային շուկան , ներկայիս ապացույցների վրա հիմնված ամենաազնիվ պատասխանն է. արհեստական ​​բանականությունը երբեմն կարող է կանխատեսել ֆոնդային շուկայի որոշ կողմեր ​​որոշակի պայմաններում, բայց այն չի կարող դա անել բոլոր բաժնետոմսերի համար՝ միշտ և միշտ ։ Հաջողությունները հակված են մասնակի լինել և կախված լինել համատեքստից։

Եզրակացություն. Արհեստական ​​բանականության վերաբերյալ իրատեսական սպասումներ ֆոնդային շուկայի կանխատեսման մեջ

Արհեստական ​​բանականությունը և մեքենայական ուսուցումը, անկասկած, դարձել են հզոր գործիքներ ֆինանսների ոլորտում: Դրանք գերազանցում են հսկայական տվյալների մշակման, թաքնված փոխկապակցվածությունների բացահայտման և նույնիսկ ռազմավարությունների արագ հարմարեցման գործում: Ֆոնդային շուկայի կանխատեսման որոնման գործում արհեստական ​​բանականությունը գրանցել է շոշափելի, բայց սահմանափակ հաղթանակներ: Ներդրողներն ու հաստատությունները կարող են իրատեսորեն ակնկալել, որ արհեստական ​​բանականությունը կօգնի որոշումների կայացման գործընթացին՝ օրինակ՝ կանխատեսողական ազդանշաններ ստեղծելով, պորտֆելները օպտիմալացնելով կամ ռիսկերը կառավարելով, բայց ոչ թե ծառայելով որպես բյուրեղապակյա գունդ, որը երաշխավորում է շահույթը:

Ինչ
կարող է անել արհեստական ​​բանականությունը. Արհեստական ​​բանականությունը կարող է բարելավել ներդրումների վերլուծական գործընթացը: Այն կարող է վայրկյանների ընթացքում զննել տարիների շուկայական տվյալները, նորությունների հոսքերը և ֆինանսական հաշվետվությունները՝ հայտնաբերելով նուրբ օրինաչափություններ կամ անոմալիաներ, որոնք մարդը կարող է անտեսել ( Մեքենայական ուսուցման օգտագործումը ֆոնդային շուկայի կանխատեսման համար... | FMP ): Այն կարող է հարյուրավոր փոփոխականներ (տեխնիկական, հիմնարար, տրամադրվածության և այլն) համատեղել ամբողջական կանխատեսման մեջ: Կարճաժամկետ առևտրում արհեստական ​​բանականության ալգորիթմները կարող են կանխատեսել պատահականից մի փոքր ավելի լավ ճշգրտությամբ, որ մեկ բաժնետոմսը կգերազանցի մյուսին, կամ որ շուկան շուտով անկայունության կտրուկ աճ կզգա: Այս աստիճանական առավելությունները, երբ պատշաճ կերպով օգտագործվեն, կարող են վերածվել իրական ֆինանսական շահույթի: Արհեստական ​​բանականությունը կարող է նաև օգնել ռիսկերի կառավարմանը ՝ բացահայտելով անկումների վաղ նախազգուշացումները կամ տեղեկացնելով ներդրողներին կանխատեսման վստահության մակարդակի մասին: Արհեստական ​​բանականության մեկ այլ գործնական դերը ռազմավարության ավտոմատացման . ալգորիթմները կարող են գործարքներ կատարել բարձր արագությամբ և հաճախականությամբ, արձագանքել իրադարձություններին 24/7 և կիրառել կարգապահություն (առանց հուզական առևտրի), ինչը կարող է առավելություն լինել անկայուն շուկաներում:

Ինչ
չի կարող անել արհեստական ​​բանականությունը (դեռևս). Չնայած որոշ լրատվամիջոցներում աղմուկ բարձրացնող աղմուկին, արհեստական ​​բանականությունը չի կարող հետևողականորեն և հուսալիորեն կանխատեսել ֆոնդային շուկան ամբողջական իմաստով՝ միշտ գերազանցելով շուկան կամ կանխատեսելով կարևոր շրջադարձային կետեր: Շուկաները ազդվում են մարդկային վարքագծից, պատահական իրադարձություններից և բարդ հետադարձ կապի օղակներից, որոնք հակասում են ցանկացած ստատիկ մոդելի: Արհեստական ​​բանականությունը չի վերացնում անորոշությունը. այն միայն գործ ունի հավանականությունների հետ: Արհեստական ​​բանականությունը կարող է ցույց տալ 70% հավանականություն, որ բաժնետոմսը վաղը կբարձրանա, ինչը նաև նշանակում է 30% հավանականություն, որ այն չի բարձրանա: Պարտվող գործարքները և վատ զանգերը անխուսափելի են: Արհեստական ​​բանականությունը չի կարող կանխատեսել իսկապես նոր իրադարձություններ (հաճախ անվանում են «սև կարապներ»), որոնք գտնվում են իր մարզման տվյալների շրջանակից դուրս: Ավելին, ցանկացած հաջողակ կանխատեսողական մոդել հրավիրում է մրցակցության, որը կարող է քայքայել իր առավելությունը: Ըստ էության, չկա բյուրեղապակյա գնդի համարժեք արհեստական ​​բանականություն , որը երաշխավորում է շուկայի ապագայի կանխատեսումը: Ներդրողները պետք է զգույշ լինեն հակառակը պնդողներից:

Չեզոք, ռեալիստական ​​​​տեսանկյուն.
Չեզոք տեսանկյունից, արհեստական ​​​​բանականությունը լավագույնս դիտարկվում է որպես ավանդական վերլուծության և մարդկային ընկալման լրացում, այլ ոչ թե փոխարինող: Գործնականում շատ ինստիտուցիոնալ ներդրողներ արհեստական ​​​​բանականության մոդելներն օգտագործում են մարդ վերլուծաբանների և պորտֆելի կառավարիչների մուտքի հետ մեկտեղ: Արհեստական ​​​​բանականությունը կարող է թվերը վերլուծել և կանխատեսումներ անել, բայց մարդիկ են սահմանում նպատակները, մեկնաբանում արդյունքները և ռազմավարությունները հարմարեցնում համատեքստին (օրինակ՝ մոդելը անտեսելով անկանխատեսելի ճգնաժամի ժամանակ): Արհեստական ​​​​բանականության վրա հիմնված գործիքներ կամ առևտրային բոտեր օգտագործող մանրածախ ներդրողները պետք է զգոն մնան և հասկանան գործիքի տրամաբանությունն ու սահմանները: Արհեստական ​​​​բանականության առաջարկությանը կուրորեն հետևելը ռիսկային է. այն պետք է օգտագործել որպես շատերի մեջ մեկ մուտքային տվյալներից մեկը:

Իրատեսական սպասումներ սահմանելիս կարելի է եզրակացնել. արհեստական ​​բանականությունը կարող է որոշ չափով կանխատեսել ֆոնդային շուկան, բայց ոչ վստահությամբ և ոչ առանց սխալների : Այն կարող է ճիշտ որոշում կայացնելու հավանականությունը արդյունավետությունը , որը մրցակցային շուկաներում կարող է լինել շահույթի և վնասի տարբերությունը: Այնուամենայնիվ, այն չի կարող երաշխավորել հաջողություն կամ վերացնել ֆոնդային շուկաների բնորոշ անկայունությունն ու ռիսկը: Ինչպես նշվել է մեկ հրապարակման մեջ, նույնիսկ արդյունավետ ալգորիթմների դեպքում ֆոնդային շուկայում արդյունքները կարող են «բնույթով անկանխատեսելի» մոդելավորված տեղեկատվությունից դուրս գործոնների պատճառով ( Ֆոնդային շուկայի կանխատեսում խորը ամրապնդման ուսուցման միջոցով ):

Առաջիկա ճանապարհը.
Առաջ նայելով՝ արհեստական ​​բանականության դերը ֆոնդային շուկայի կանխատեսման մեջ, հավանաբար, կաճի: Ընթացիկ հետազոտությունները լուծում են որոշ սահմանափակումներ (օրինակ՝ ռեժիմի փոփոխությունները հաշվի առնող մոդելների մշակումը կամ հիբրիդային համակարգերը, որոնք ներառում են ինչպես տվյալների վրա հիմնված, այնպես էլ իրադարձությունների վրա հիմնված վերլուծություն): Կա նաև հետաքրքրություն ուժեղացված ուսուցման գործակալների , որոնք անընդհատ հարմարվում են նոր շուկայական տվյալներին իրական ժամանակում, որոնք կարող են ավելի լավ կարգավորել փոփոխվող միջավայրերը, քան ստատիկ մարզված մոդելները: Ավելին, արհեստական ​​բանականության համադրությունը վարքային ֆինանսների կամ ցանցային վերլուծության տեխնիկաների հետ կարող է հանգեցնել շուկայի դինամիկայի ավելի հարուստ մոդելների: Այնուամենայնիվ, նույնիսկ ամենաառաջադեմ ապագայի արհեստական ​​բանականությունը կգործի հավանականության և անորոշության սահմաններում:

«Կարո՞ղ է արհեստական ​​բանականությունը կանխատեսել ֆոնդային շուկան» հարցը պարզ պատասխան չունի՝ այո կամ ոչ։ Ամենաճշգրիտ պատասխանն այն է, որ արհեստական ​​բանականությունը կարող է օգնել կանխատեսել ֆոնդային շուկան, բայց այն անսխալական չէ։ Այն առաջարկում է հզոր գործիքներ, որոնք, իմաստուն օգտագործման դեպքում, կարող են բարելավել կանխատեսման և առևտրային ռազմավարությունները, բայց այն չի վերացնում շուկաների հիմնարար անկանխատեսելիությունը։ Ներդրողները պետք է ընդունեն արհեստական ​​բանականությունը դրա ուժեղ կողմերի՝ տվյալների մշակման և օրինաչափությունների ճանաչման համար՝ միաժամանակ գիտակցելով դրա թույլ կողմերը։ Դա անելով՝ կարելի է օգտագործել երկու աշխարհների լավագույնը՝ մարդկային դատողությունը և մեքենայական բանականությունը, որոնք համատեղ աշխատում են։ Ֆոնդային շուկան երբեք 100% կանխատեսելի չի լինի, բայց իրատեսական սպասումներով և արհեստական ​​բանականության խելամիտ օգտագործմամբ շուկայի մասնակիցները կարող են ձգտել ավելի տեղեկացված, ավելի կարգապահ ներդրումային որոշումների կայացմանը՝ անընդհատ զարգացող ֆինանսական միջավայրում։

Սպիտակ թղթեր, որոնք կարող եք կարդալ սրանից հետո.

🔗 Աշխատանքներ, որոնք արհեստական ​​բանականությունը չի կարող փոխարինել, և ի՞նչ աշխատանքներ կփոխարինի արհեստական ​​բանականությունը։
Բացահայտեք, թե որ մասնագիտություններն են ապագային դիմացկուն, և որոնք են առավել ռիսկային, քանի որ արհեստական ​​բանականությունը վերաձևավորում է համաշխարհային զբաղվածությունը։

🔗 Ի՞նչի վրա կարելի է հույսը դնել գեներատիվ արհեստական ​​բանականության վրա՝ առանց մարդկային միջամտության։
Հասկացեք գեներատիվ արհեստական ​​բանականության ներկայիս սահմանները և ինքնավար հնարավորությունները գործնական իրավիճակներում։

🔗 Ինչպե՞ս կարող է գեներատիվ արհեստական ​​բանականությունը կիրառվել կիբերանվտանգության մեջ։
Իմացեք, թե ինչպես է արհեստական ​​բանականությունը պաշտպանվում սպառնալիքներից և բարձրացնում կիբերդիմադրողականությունը կանխատեսող և ինքնավար գործիքների միջոցով։