یادگیری ماشین و هوش مصنوعی؛ چرا حوزه مالی متفاوت است؟
پس از عرضه موفقیت آمیز چت جی پی تی در سال 2022، هوش مصنوعی و یادگیری ماشین مدتی است که به موضوع داغ گفت‌وگوها تبدیل شده اند.
با توجه به تمام پتانسیل های شگفت انگیز این فناوری جدید، به نظر می‌رسد که به طور حتم در وظایف مالی، مانند انتخاب سهام برای سرمایه‌گذاری، نیز نسبت به روش های موجود برتری چشمگیری خواهد داشت. اما این نتیجه گیری به هیچ وجه بدیهی نیست و به نظر نمی‌رسد که تحقیقات، حداقل تاکنون، آن را تایید کرده باشد. اما چرا حوزه مالی متفاوت است؟ در این مقاله به بررسی چهار دلیل می پردازیم که حوزه مالی را از صنایعی که در آنها یادگیری ماشین پیشرفت های قابل‌توجهی داشته، متمایز می سازد.
1- نسبت پایین سیگنال به نویز: شاید مهم‌ترین تفاوت، نسبت سیگنال به نویز باشد که به طور خلاصه نشان می دهد چقدر قابلیت پیش‌بینی پذیری در یک سیستم وجود دارد. به عنوان مثال، یک نمونه کلاسیک از یادگیری ماشین را در نظر بگیرید، مانند پیش‌بینی تصاویر مربوط به یک حیوان (برای نمونه گربه). به طور دقیق تر، هدف این است که تصاویر دارای گربه را از میان یک مجموعه تصاویر تشخیص دهیم. وقتی یک انسان به تصاویر نگاه می کند، می‌تواند با دقت صد‌درصد تصاویر دارای گربه را تشخیص دهد. در مثالی که تشریح شد، نسبت سیگنال به نویز بسیار بالاست. سیگنال (تصویر گربه) بر منابع نویز در عکس (مانند تاری، تصاویر پس زمینه و...) کاملا غالب است. یادگیری ماشین، همان طور که تجربه نشان داده است، در چنین موقعیت هایی بسیار موفق عمل می کند.
در مقابل، بازارهای مالی اساسا محیط هایی با نویز بسیار بالا هستند. حتی بهترین سهام یا سبد سرمایه‌گذاری در جهان ممکن است در هر روز، فصل، یا سال به دلیل اخبار غیرمنتظره نوسانات شدیدی در عملکرد خود تجربه کند. این نوسانات که منبع نویز هستند، بخشی از ماهیت بازار را تشکیل می دهند و نسبت پایین سیگنال به نویز به طور مداوم توسط سازوکارهای ساده اقتصادی مانند حداکثرسازی سود و رقابت تحمیل می شود. برای روشن تر شدن این موضوع، تصور کنید یک سرمایه‌گذار اطلاعاتی به دست آورده است که به او امکان می دهد با اطمینان بالا بازدهی سهام را پیش‌بینی کند. سرمایه‌گذار، به منظور کسب سود و تحت‌تاثیر سازوکارهای رقابتی موجود در بازار، انگیزه دارد که بلافاصله بر اساس اطلاعات خود دست به معامله بزند.
اگر او سهام را بخرد (یا بفروشد)، این اقدام موجب افزایش (یا کاهش) قیمت سهام می شود و در نتیجه، بخشی از قابلیت پیش‌بینی در بازار را کاهش می دهد. این مثال نشان می دهد که به محض ایجاد قابلیت پیش‌بینی در بازار، این قابلیت به سرعت به دلیل رقابت بین سرمایه‌گذاران از بین می رود. وقتی تمام عوامل پیش‌بینی کننده قبلا در قیمت ها لحاظ شده اند، تنها چیزی که بازارها را به حرکت درمی آورد، اخبار غیرمنتظره یا شوک ها است؛ همان نویز.
2- پویایی دائمی بازار: علاوه بر نسبت پایین سیگنال به نویز، بازارهای مالی به شدت پویا هستند و روابط بین متغیرها به طور مدام در حال تغییر است. با ظهور فناوری های جدید و وضع قوانین نوین، ساختار اقتصاد به طور مداوم تغییر می کند و این امر فرصت های سرمایه‌گذاری موجود و به طور کلی نحوه سرمایه‌گذاری افراد را تحت‌تاثیر قرار می دهد. برای مثال، با ظهور اینترنت، دسترسی سرمایه‌گذاران خرد به اخبار اقتصادی به طور چشمگیری افزایش یافت و بسیاری از افراد توانستند به صورت فعال و آنلاین در بازار مشارکت کنند. با وجود تمامی این تغییرات مداوم، هیچ تضمینی وجود ندارد که یک استراتژی سرمایه‌گذاری (سیگنال) که در یک شرایط اقتصادی سودده بوده است، در شرایط اقتصادی دیگری نیز موفق باشد. باز هم به مثال کلاسیک تشخیص تصاویر مربوط به گربه‌ها بازگردیم. وقتی که یک الگوریتم یادگیری ماشین در تشخیص تصاویر گربه ها به مهارت برسد، می‌توانیم مطمئن باشیم که گربه ها از نظر ظاهری در مدت زمان کوتاه تغییرات چشمگیری نخواهند داشت و به سگ تبدیل نمی شوند! بنابراین، این الگوریتم احتمالا در آینده نیز در تشخیض تصاویر گربه ها موفق خواهد بود.
3- حجم داده های در دسترس: تفاوت کلیدی دیگر در حوزه مالی (و اقتصاد به طور کلی) این است که تعداد مشاهدات در دسترس برای انجام تحلیل های آماری اساسا محدود است. بهترین نمونه های استفاده از الگوریتم های هوش مصنوعی و یادگیری ماشین با استفاده از مجموعه داده های بسیار وسیع توسعه یافته اند. برای مثال، چت جی پی تی به تمامی داده های متنی موجود در سراسر اینترنت دسترسی داشته است. در مقابل، بازارهای مالی اساسا یک ابداع جدید به دست بشر هستند و حتی در پیشرفته ترین بازارها نیز طول دوره داده های در دسترس و قابل اتکا معمولا به یک قرن نمی رسد. مشاهدات جدید از بازدهی ابزارهای مالی فقط با گذر زمان تولید خواهد شد و بدون داشتن داده کافی، نمی‌توانیم مدل‌های آماری قابل اتکایی توسعه دهیم.
4- تفسیرپذیری: بسیاری از مدل های یادگیری ماشین اساسا مانند یک جعبه سیاه عمل می کنند و به سادگی نمی‌توان فهمید که الگوریتم بر چه اساسی پیش‌بینی های خود را ارائه می دهد و کدام متغیرها اهمیت بیشتری دارند. این موضوع می‌تواند در حوزه مالی مشکل ساز شود. زیرا مدیران مالی و مدیران صندوق بر اساس مقررات وظیفه دارند که ریسک های موجود در سبد سرمایه‌گذاری را درک کرده و مشتریان و نهادهای نظارتی را از این ریسک ها آگاه کنند. برای این دسته از افراد، تفسیرپذیری مدل اهمیت ویژه ای دارد.
با وجود محدودیت های ذکر شده در این مقاله، همچنان یادگیری ماشین و هوش مصنوعی می‌توانند کاربردهای فراوانی در حوزه مالی داشته باشند. پژوهش های اخیر نشان می دهد که اگر مسائل را به اجزای کوچک‌تری تقسیم کنیم، یادگیری ماشین می‌تواند در انجام وظایف جزئی تر در حوزه مالی بسیار موثر باشد. برای مثال، در فضای سرمایه‌گذاری، سرمایه‌گذاران می‌توانند با استفاده از فناوری های نوین هوش مصنوعی به راحتی داده های متنی مانند اخبار اقتصادی را از سراسر وب جمع آوری و تحلیل کنند و سپس این تحلیل ها را به عنوان ورودی یک سیستم پیش‌بینی سنتی مورد استفاده قرار دهند. یا در فضای مدیریت ریسک، می‌توان ابتدا با استفاده از روش های سنتی آماری تخمینی از ریسک سیستماتیک سهام (بتا) به دست آورد و سپس از این تخمین به عنوان ورودی یک مدل یادگیری ماشین برای پیش‌بینی دقیق تر ریسک سیستماتیک سهام استفاده کرد. پژوهش ها نشان می دهند که خروجی چنین مدلی دقت بسیار بالاتری در پیش‌بینی ریسک دارد. برای جمع بندی، به نظر می‌رسد کلید موفقیت در استفاده از این فناوری نوین در فضای مالی این است که به جای دیدن یادگیری ماشین به عنوان یک فناوری انقلابی، باید آن را به عنوان یک فناوری تکاملی در نظر گرفت.
همچنین بخوانید ما را در شبکه‌های اجتماعی دنبال کنید