مسیر دشوار هوش مصنوعی در بازارهای مالی

تحول دیجیتال در بازارهای مالی با ورود مدل های زبان در مقیاس بزرگ (LLM) و سیستم های یادگیری عمیق وارد فاز جدیدی شده است. گزارش های شرکت مشاوره استراتژیک مک کینزی نشان می دهد که تا سال ۲۰۲۴، بیش از ۵۰ درصد موسسات مالی هوش مصنوعی را در عملیات خود ادغام خواهند کرد.

به گزارش اخبار تایمز، در حالی که سال هاست در بازارهای پیشرفته از فناوری های جدید معاملاتی مانند معاملات الگو استفاده می شود، ظهور نسل جدید مدل های هوش مصنوعی معادلات را به کلی تغییر داده است. برای بررسی عمیق این تحولات با دکتر محمد بیجنوند، متخصص فناوری اطلاعات و فعال در حوزه بازارهای مالی به گفت وگو نشستیم.

به نظر شما مهمترین کاربردهای هوش مصنوعی در تحلیل بازارهای مالی چیست؟

ببینید، امروز شاهد سه اپلیکیشن اصلی هستیم. اول، تجزیه و تحلیل احساسات بازار با استفاده از NLP که داده های نامنظم مانند اخبار و رسانه های اجتماعی را پردازش می کند. دوم، پیش‌بینی روند قیمت با استفاده از شبکه‌های عصبی عمیق که الگوهای پیچیده را شناسایی می‌کنند و سوم، مدیریت ریسک پویا با استفاده از یادگیری تقویتی. بر اساس داده های JP Morgan، استفاده از همه این فناوری ها دقت پیش بینی ها را تا ۲۵ درصد افزایش داده است.

بگذارید کمی بیشتر توضیح دهم. در مورد تجزیه و تحلیل احساسات، دنیای امروز از مدل های پیشرفته NLP مانند BERT استفاده می کند که می تواند نه تنها متن، بلکه زمینه و لحن آن را نیز درک کند. به عنوان مثال، مقالات جدید MIT نشان می‌دهد که این مدل‌ها در موارد خاصی می‌توانند تأثیر اخبار بر قیمت سهام را تا ۷۸ درصد دقیق‌تر از تحلیل‌گران انسانی پیش‌بینی کنند. در زمینه پیش بینی روند قیمت، شبکه های عصبی عمیق مانند LSTM (حافظه کوتاه مدت بلندمدت) به طور قابل توجهی بهتر از روش های سنتی مانند ARIMA عمل می کنند. در نهایت، در مورد مدیریت ریسک پویا، الگوریتم‌های یادگیری تقویتی، مانند بهینه‌سازی سیاست پروگزیمال، به طور مداوم استراتژی‌های معاملاتی را بهینه می‌کنند. گلدمن ساکس گزارش داد که استفاده از این الگوریتم‌ها ریسک پرتفوی را تا ۲۵ درصد در مقایسه با روش‌های سنتی کاهش داده است.

چالش های اصلی پیاده سازی این فناوری ها در بازارهای مالی چیست؟

چالش اصلی بحث جعبه سیاه تصمیمات هوش مصنوعی است. وقتی یک الگوریتم تصمیم خرید یا فروش می گیرد، توضیح دقیق تصمیم همیشه آسان نیست. علاوه بر این، موضوع کیفیت داده ها و نویز در بازار بسیار مهم است. طبق مطالعه سال ۲۰۲۴ گلدمن ساکس، حدود ۶۰ درصد از پروژه های هوش مصنوعی در بازارهای مالی به دلیل مشکلات داده با شکست مواجه خواهند شد.

این چالش ها در عمل پیچیده تر هستند. به عنوان مثال، موضوع جعبه سیاه نه تنها یک چالش فنی، بلکه یک چالش قانونی و اخلاقی است. در اتحادیه اروپا، قانون جدید هوش مصنوعی ایجاب می کند که تصمیمات الگوریتمی در بازارهای مالی قابل توضیح باشد. این بدان معناست که ما باید مدل‌های هوش مصنوعی قابل توضیحی را توسعه دهیم که دقیق و قابل تفسیر باشند.

IBM اخیرا چارچوبی به نام AI FactSheets معرفی کرده است که به شفافیت بیشتر در این زمینه کمک می کند. وقتی صحبت از کیفیت داده ها می شود، مشکل به نویز محدود نمی شود. ما با چالش هایی مانند داده های ناقص، داده های نامتعادل، و حتی داده های مسموم (که عمداً برای فریب الگوریتم ها تزریق می شوند) روبرو هستیم. تحقیقات MIT در سال ۲۰۲۴ نشان داد که حتی ۵٪ از داده های مسموم می توانند دقت یک مدل پیش بینی قیمت را تا ۵۰٪ کاهش دهند. برای مقابله با این چالش ها، تکنیک های پیشرفته ای مانند یادگیری فدرال و یادگیری متفاوت خصوصی در حال توسعه هستند که امنیت و کیفیت داده ها را بهبود می بخشد.

تاثیر هوش مصنوعی بر نقدینگی و کارایی بازارهای مالی را چگونه ارزیابی می کنید؟

مطالعات اخیر نشان می‌دهد که الگوریتم‌های معاملاتی مبتنی بر هوش مصنوعی می‌توانند اسپرد پیشنهادات خرید در بازارهای اصلی را تا ۴۰ درصد کاهش دهند. البته این مشکل دو طرف دارد! از یک سو نقدینگی را افزایش می دهد، اما از سوی دیگر خطر نوسانات شدید در شرایط پرتنش بازار را افزایش می دهد.

این اثرات در عمل پیچیده تر هستند. به عنوان مثال، در بورس نیویورک (NYSE)، حجم معاملات الگوریتمی از ۲۰ درصد در سال ۲۰۱۰ به بیش از ۸۰ درصد در سال ۲۰۲۴ افزایش یافته است. این افزایش باعث شده زمان اجرای سفارش با چند ثانیه کاهش به کمتر از میلی ثانیه برسد. به گفته بانک تسویه بین المللی (BIS)، این افزایش در سرعت و کارایی هزینه های مبادله را برای سرمایه گذاران نهادی تا ۳۰ درصد کاهش داده است. اما در همان زمان خطرات جدیدی ظاهر شده است. به عنوان مثال، در می ۲۰۲۴، یک خطای الگوریتمی در بورس لندن باعث شد که شاخص FTSE 100 در عرض ۳ دقیقه ۱۲ درصد سقوط کند که به سرعت اصلاح شد. این رویداد نشان داد که چگونه الگوریتم ها می توانند نوسانات شدید و غیرمنتظره را تحت شرایط خاص ایجاد کنند. برای مقابله با این چالش‌ها، بورس‌های بزرگی مانند NYSE و NASDAQ سیستم‌های مدار شکن پیشرفته‌تری را پیاده‌سازی کرده‌اند که می‌توانند در کسری از ثانیه معامله را متوقف کنند.

آینده تجارت الگوریتمی با ورود GPT-4 و مدل های مشابه چگونه خواهد بود؟

مدل GPT-4 و مدل های مشابه این قابلیت را دارند که به طور همزمان داده های ساخت یافته و بدون ساختار را تجزیه و تحلیل کنند. این بدان معنی است که آنها می توانند به طور همزمان نمودارها، اخبار، گزارش های مالی و حتی مصاحبه های اجرایی را تجزیه و تحلیل کنند.

اما این تنها آغاز داستان است. مدل های زبان بزرگ، مانند GPT-4، قابلیت هایی فراتر از تجزیه و تحلیل داده ها دارند. آنها می توانند استراتژی های معاملاتی پیچیده ای طراحی کنند، ریسک ها را ارزیابی کنند و حتی با الگوریتم های دیگر معامله کنند. مطالعه اخیر توسط دانشگاه‌های MIT و استنفورد نشان داد که سیستم معاملاتی مبتنی بر GPT-4 توانست در یک شبیه‌سازی ۶ ماهه ۳۲ درصد عملکرد بالاتری نسبت به شاخص S&P500 داشته باشد. این سیستم نه تنها از تحلیل مالی سنتی استفاده می‌کرد، بلکه می‌توانست گرایش‌های اجتماعی و سیاسی را نیز در تصمیم‌گیری‌های خود لحاظ کند.

علاوه بر این، مدل‌های جدید دارای قابلیت‌های یادگیری چند شات هستند. یعنی می توانند با داده های محدود خود را با شرایط جدید بازار تطبیق دهند. این ویژگی به ویژه در بازارهای نوظهور یا در شرایط بحرانی مانند همه گیری کرونا بسیار ارزشمند است. بر اساس گزارش مجمع جهانی اقتصاد، تا سال ۲۰۲۶، بیش از ۵۰ درصد از مدیران صندوق های سرمایه گذاری از سیستم های مشاوره مبتنی بر هوش مصنوعی برای تصمیم گیری استفاده خواهند کرد.

نقش تنظیم کننده یا قانونگذار در مواجهه با این تحول چیست؟

تنظیم کننده ها باید تعادل ظریفی بین نوآوری و ثبات بازار ایجاد کنند. SEC اخیرا چارچوب های جدیدی را برای نظارت بر الگوریتم های معاملاتی مبتنی بر هوش مصنوعی، از جمله الزامات شفافیت و تست استرس معرفی کرده است. این مقررات برای جلوگیری از حوادثی مانند تصادف فلش در سال ۲۰۱۰ ضروری است.

اما چالش های نظارتی فراتر می رود. به عنوان مثال، در سال ۲۰۲۴، SEC یک بخش ویژه به نام بخش هوش مصنوعی و بازارهای مالی ایجاد کرد که وظیفه آن نظارت بر استفاده از هوش مصنوعی در بازارهای مالی است. این بخش متشکل از متخصصان هوش مصنوعی، اقتصاددانان و حقوقدانان است. یکی از اقدامات مهم این بخش این است که شرکت های تجاری قبل از اجرای هر الگوریتم جدید، ارزیابی تاثیر هوش مصنوعی را ارائه دهند. این ارزیابی باید شامل تجزیه و تحلیل سیستماتیک ریسک، تست استرس و برنامه های احتمالی باشد.

کمیسیون بورس و اوراق بهادار اروپا حتی سختگیرتر است. در سال ۲۰۲۴، آنها مقرراتی را تصویب کردند که الگوریتم‌های معاملاتی را ملزم به داشتن سوئیچ کشتن می‌کرد، یعنی توانایی توقف فوری در صورت تشخیص رفتار غیرعادی. علاوه بر این، آنها خواسته اند که حداقل ۲۰ درصد از معاملات تحت نظارت مستقیم انسان باشد. بر اساس گزارش PwC، اجرای این استانداردها برای شرکت های تجاری بین ۲ تا ۵ میلیون یورو در سال هزینه دارد.

و حرف آخر

هوش مصنوعی آینده بازارهای مالی را متحول خواهد کرد. اما ما نباید فراموش کنیم که این فقط یک ابزار است. استفاده موفقیت آمیز از هوش مصنوعی مستلزم درک عمیق هم از بازارهای مالی و هم محدودیت های این فناوری است. آینده متعلق به کسانی است که می دانند چگونه این دو حوزه را به خوبی ترکیب کنند.

اجازه دهید این بحث را با یک مثال عینی به پایان برسانم. در سال ۲۰۲۴، یکی از بزرگترین صندوق های سرمایه گذاری در جهان، بلک راک، اعلام کرد که ۳۰ درصد از تصمیمات سرمایه گذاری خود را به سیستم های هوش مصنوعی واگذار کرده و به نتایج فوق العاده ای دست یافته است. اما نکته جالب این است که آنها همچنان از تیم های انسانی برای نظارت و تنظیم استراتژی های کلان استفاده می کنند. این رویکرد ترکیبی، که من آن را همزیستی هوش مصنوعی-انسان می نامم، احتمالاً الگوی غالب در آینده خواهد بود. طبق پیش بینی مجمع جهانی اقتصاد، تا سال ۲۰۳۰ حدود ۷۵ درصد از تصمیمات مالی در فرآیندی مشترک بین هوش مصنوعی و انسان اتخاذ خواهد شد. این نشان می دهد که آینده نه متعلق به هوش مصنوعی خالص است و نه تنها متعلق به انسان. بلکه به ترکیب هوشمندانه هر دو تعلق دارد.

منبع اکو ایران