تأثیر هوش مصنوعی و یادگیری ماشین بر تجارت و سرمایه گذاری

در زیر گزیده هایی از ارائه ای که من چند ماه پیش در اروپا به عنوان سخنران دعوت شده به گروهی از سرمایه گذاران و معامله گران با ارزش خالص بالا اما با ارزش خالص بالا ارائه دادم ، آورده شده است. موضوع توسط سازمان دهنده تعیین شد که در مورد تأثیر هوش مصنوعی و یادگیری ماشین بر تجارت و سرمایه گذاری باشد. گزیده های زیر در چهار بخش سازماندهی شده و حدود 50 ٪ از ارائه اصلی را پوشش می دهد.

1. تأثیر کلی هوش مصنوعی و یادگیری ماشین بر تجارت

هوش مصنوعی (AI) اجازه می دهد تا انسان را با ماشین آلات جایگزین کند. در دهه 1980 ، تحقیقات هوش مصنوعی در درجه اول روی سیستم های تخصصی و منطق فازی متمرکز شده است. با ارزان تر شدن قدرت محاسباتی ، استفاده از ماشین آلات برای حل مشکلات بهینه سازی در مقیاس بزرگ از نظر اقتصادی امکان پذیر شد. در نتیجه پیشرفت در سخت افزار و نرم افزار ، امروزه هوش مصنوعی در استفاده از شبکه های عصبی و سایر روشهای یادگیری برای شناسایی و تجزیه و تحلیل پیش بینی کننده ها ، همچنین به عنوان ویژگی ها یا عوامل شناخته می شود که دارای ارزش اقتصادی هستند و می توانند با طبقه بندی کننده ها برای توسعه استفاده شوند. مدل های سودآور. این کاربرد خاص از هوش مصنوعی اغلب توسط Name Machine Leaing (ML) انجام می شود.

استفاده از روشها برای توسعه استراتژی های معاملاتی بر اساس هوش مصنوعی ، هم در بازه های زمانی کوتاه مدت و چه برای سرمایه گذاری طولانی مدت ، محبوبیت کسب می کند و چند صندوق پرچین وجود دارد که در این زمینه بسیار فعال هستند. با این حال ، پذیرش گسترده این فناوری جدید به دلیل عوامل مختلف کند است ، مهمترین این که هوش مصنوعی نیاز به سرمایه گذاری در ابزارهای جدید و استعداد انسانی دارد. اکثر صندوق ها از تجزیه و تحلیل اساسی استفاده می کنند زیرا این همان چیزی است که مدیران در برنامه های MBA خود می آموزند. صندوق های پرچین زیادی وجود ندارد که صرفاً به هوش مصنوعی متکی باشند. کاربرد هوش مصنوعی در سطح خرده فروشی در حال رشد است اما اکثر معامله گران هنوز از روش هایی استفاده می کنند که در اواسط قرن بیستم ، از جمله تجزیه و تحلیل فنی سنتی پیشنهاد شده است ، زیرا یادگیری و استفاده از آنها آسان است.

توجه داشته باشید که AI و ML نه تنها برای توسعه استراتژی های معاملاتی بلکه در سایر زمینه ها نیز استفاده می شوند ، به عنوان مثال در توسعه نقدینگی جستجوی ALGO و پیشنهاد اوراق بهادار به مشتری. بنابراین ، با دستیابی به برنامه های هوش مصنوعی ، تعداد انسانهای درگیر در تصمیمات تجاری و سرمایه گذاری کاهش می یابد و این بدیهی است که بر بازارها و اقدامات قیمت تأثیر می گذارد. در اوایل حدس و گمان در مورد تأثیرات کلی این فناوری جدید بر صنعت است اما این امکان وجود دارد که استفاده گسترده از هوش مصنوعی منجر به بازارهای کارآمدتر با نوسانات کمتر برای دوره های طولانی شود و به دنبال آن سنبله های نوسانات گاه به گاه به دلیل تغییر رژیم باشد. این امر امکان پذیر است زیرا تأثیر ارزیابی ذهنی اطلاعات توسط انسان به حداقل می رسد و با آن سر و صدای مرتبط. اما این همچنان در عمل دیده می شود.

2. تأثیر هوش مصنوعی و یادگیری ماشین بر تولید آلفا

در این مراحل اولیه اتخاذ فناوری هوش مصنوعی برای کسانی که آن را درک می کنند و می دانند چگونه خطرات آن را مدیریت می کنند ، فرصت هایی وجود خواهد داشت. یکی از مشکلات استراتژی های معاملاتی مبتنی بر هوش مصنوعی این است که آنها می توانند مدل هایی را که بدتر از تصادفی هستند ، به دست آورند. من سعی خواهم کرد که منظور من از این موضوع را توضیح دهم: تجزیه و تحلیل فنی سنتی یک روش سودآور برای تجارت است زیرا استراتژی های مبتنی بر الگوهای نمودار و شاخص ها بازده خود را از توزیع با میانگین صفر قبل از هرگونه هزینه معاملات می گیرند. برخی از معامله گران همیشه در دم مناسب توزیع یافت می شوند و این تصور غلط می دهد که این روش ها دارای ارزش اقتصادی هستند. تحقیقات من نشان می دهد که به ویژه در بازارهای آینده و فارکس ، سودآوری بلند مدت بدون توجه به استفاده از این روش دشوار است زیرا این بازارها برای بهره مندی از سازندگان بازار طراحی شده اند. با این حال ، در دوره های کوتاه تر برخی از معامله گران می توانند به دلیل شانس ، سودهای زیادی را در بازارهای اهرمی کسب کنند. سپس ، این معامله گران موفقیت خود را به استراتژی ها و مهارت های خود نسبت می دهند ، نه شانس.

با هوش مصنوعی و ML ، اثرات اضافی مانند تجارت تعصب و واریانس وجود دارد. تعصب داده ها می تواند منجر به استراتژی هایی شود که بیش از حد به داده های گذشته متناسب باشد اما بلافاصله بر روی داده های جدید یا استراتژی هایی که بسیار ساده هستند شکست می خورند و سیگنال های مهمی را در داده هایی که دارای ارزش اقتصادی هستند ، ضبط نمی کنند. نتیجه این تجارت ، استراتژی های بدتر از تصادفی و ایجاد منفی در توزیع بازده این معامله گران حتی قبل از افزودن هزینه معامله است. این فرصتی برای سود برای وجوه بزرگ و سرمایه گذاران در دوره تسکین پس از کمی است. با این حال ، از آنجا که معامله گران AI بدتر از تصادفی از بازار خارج می شوند و فقط کسانی که مدل های قوی دارند باقی می مانند ، نبرد برای سود شدید می شود. خیلی زود است که حدس بزنیم که آیا معامله گران AI یا سرمایه گذاران بزرگ در این نبرد پیروز خواهند شد.

من همچنین می خواهم به یک تصور غلط رایج در این زمینه اشاره کنم: برخی معتقدند که این ارزش در ML Algos است که استفاده می شود. این درست نیست. مقدار واقعی در پیش بینی کننده های مورد استفاده ، همچنین به عنوان ویژگی ها یا عوامل شناخته می شود. الگوریتم های ML نمی توانند طلا را در جایی که هیچ کدام وجود ندارد پیدا کنند. یک مشکل این است که بیشتر متخصصان ML از همان پیش بینی کننده ها استفاده می کنند و سعی می کنند مدل ها را به روشی تکراری توسعه دهند که بهترین نتیجه را به دست می آورد. این فرآیند با تعصب داده های مورد نظر گرفتار می شود و در نهایت شکست می خورد. به طور خلاصه ، تعصب داده های تخفیف ناشی از عمل خطرناک استفاده از داده ها چندین بار با بسیاری از مدل ها تا زمانی که نتایج در نمونه های آموزش و آزمایش قابل قبول نباشد. تحقیقات من در این زمینه نشان می دهد که اگر یک طبقه بندی ساده ، مانند رگرسیون لجستیک باینری ، با مجموعه مشخصی از پیش بینی کننده ها به طور رضایت بخش کار نمی کند ، بسیار محتمل است که هیچ ارزش اقتصادی وجود نداشته باشد. بنابراین ، موفقیت به آنچه مهندسی ویژگی گفته می شود بستگی دارد و این هم یک علم و هم هنری است که به دانش ، تجربه و تخیل نیاز دارد تا ویژگی هایی را ارائه دهد که دارای ارزش اقتصادی باشند و فقط درصد کمی از متخصصان می توانند این کار را انجام دهند.

3. تأثیر هوش مصنوعی و یادگیری ماشین بر تجزیه و تحلیل فنی

ما باید بین تجزیه و تحلیل فنی سنتی و کمی تمایز قائل شویم زیرا تمام روش هایی که به تجزیه و تحلیل قیمت و سری حجم متکی هستند تحت این موضوع قرار می گیرند. تجزیه و تحلیل فنی سنتی ، یعنی الگوهای نمودار ، برخی از شاخص های ساده ، نظریه های خاص عملکرد قیمت و غیره ، برای شروع کار مؤثر نبود. به غیر از چند تلاش ناقص از دامنه و دسترسی محدود ، انتشاراتی که از این روشها حمایت می کردند هرگز انتظار آماری طولانی مدت خود را ارائه نمی دادند بلکه فقط وعده هایی را ارائه می دادند که در صورت استفاده از این قانون ، پتانسیل سود وجود خواهد داشت. از آنجا که سود و ضرر در بازارها از توزیع آماری پیروی می کند ، همیشه کسانی بودند که شانس خود را به این روش ها نسبت می دادند. در عین حال ، یک صنعت کامل در اطراف این روش ها ایجاد شده است زیرا یادگیری آن آسان است. متأسفانه ، بسیاری تصور می کردند که می توانند با استفاده از روشهای شناخته شده برای همه افراد بهتر سود ببرند و نتیجه آن انتقال گسترده ثروت از این بازرگانان ساده لوح به سازندگان بازار و سایر متخصصان آگاه بود.

در اوایل دهه 1990 ، برخی از متخصصان بازار فهمیدند که تعداد زیادی از معامله گران خرده فروشی با استفاده از این روشهای ساده لوحانه تجارت می کنند. برخی از آنها ALGOS و سیستم های خبره AI را برای شناسایی سازندها از قبل و سپس تجارت علیه آنها ایجاد کردند و باعث نوسانات فرآیند می شوند که معامله گران خرده فروشی ، همچنین به عنوان دست های ضعیف شناخته می شوند ، نمی توانند با آن کنار بیایند. به روشی اساسی تر ، عدم موفقیت تجزیه و تحلیل فنی سنتی را می توان به ناپدید شدن همبستگی سریال بالا از بازارها که از دهه 1990 شروع می شود ، نسبت داد. این اساساً همبستگی سریال بالایی بود که این تصور اشتباه را ارائه می داد که این روش ها کار می کنند. امروزه ، با استثنائات اندک ، بازارها معنادار هستند و نه اتاق را به روشهای ساده تجزیه و تحلیل فنی برای کار نمی اندازند. با این حال ، برخی از روش های تجزیه و تحلیل فنی کمی اغلب به خوبی کار می کنند ، مانند مدلهای داوری متوسط و آماری ، از جمله الگوریتم های ML که از ویژگی هایی با ارزش اقتصادی استفاده می کنند.

توجه داشته باشید که بعید است که این نوع داوری در مورد AI و ML به دلیل تنوع زیاد مدل ها تکرار شود و این واقعیت که بیشتر آنها اختصاصی نگه داشته می شوند اما مشکل اصلی این فناوری جدید ، تعصب تأیید نیست ، مانند اینمورد تجزیه و تحلیل فنی سنتی ، اما تعصب استخراج داده.

به نظر من ، مشاهده بازار و نگاه کردن به نمودارها به یک فرایند منسوخ تبدیل می شود. آینده تجارت در مورد پردازش اطلاعات ، توسعه و اعتبار سنجی مدل ها در زمان واقعی است. صندوق پرچین آینده به تجزیه و تحلیل نمودار تکیه نخواهد کرد. برخی هنوز این کار را انجام می دهند زیرا در مرز انتقال قرار دارند که در آن راه های قدیمی با یک دوره جدید ملاقات می کنند. بسیاری از معامله گران با هوش مصنوعی آشنا نیستند ، رقابت در آینده دشوار خواهد بود و عقب نشینی می کنند.

4- برندگان و بازندگان فناوری جدید تجارت

استفاده از هوش مصنوعی تجارت را از بسیاری جهات تغییر خواهد داد و این در حال حاضر اتفاق می افتد. سرمایه گذاران ممکن است به زودی بدانند که پس از انقضاء QE ، بازده میان مدت بسیار پایین تر از انتظارات خواهد بود. اگر این سناریو تحقق یابد ، سرمایه گذاران باید به روش قدیمی یافتن یک مشاور مالی خوب برگردند که می تواند یک نمونه کارها را پیشنهاد کند و اوراق بهادار را انتخاب کند که از ارزش آن قدردانی کنند. در بعضی موارد ، مشاور یک برنامه هوش مصنوعی خواهد بود و این روند به صورت آنلاین اجرا می شود.

معامله گران باید با این فناوری جدید آشنا شوند. بیشتر معامله گران هنوز با روشهای قدیمی دست و پنجه نرم می کنند و فقط امیدوارند که "خرید شیر" کار کند و برای چند سال دیگر سود را تأمین کند.

یکی از مشکلات ، خطر اخلاقی است که توسط بانک مرکزی با پشتیبانی مستقیم از بازارهای مالی در هشت سال گذشته کشت می شود. بسیاری از معامله گران و سرمایه گذاران اکنون بر این باورند که بازارهای خرس امکان پذیر نیست زیرا بانک مرکزی در آنجا خواهد بود تا ضررهای خود را برای همه افراد دیگر توزیع کند ، گرچه می توانند سود خود را حفظ کنند. در نتیجه ، بیشتر شرکت کنندگان در بازار برای تغییر عمده رژیم بزرگ بازار آماده نیستند و ممکن است با ضررهای ویرانگر روبرو شوند.

منابع عالی در وب در مورد ML ، AI و تجارت وجود دارد. بهترین راه یادگیری تلاش برای حل چند مشکل عملی است. اما من معتقدم که انتقال برای اکثر معامله گران امکان پذیر نخواهد بود. ترکیبی از مهارت های مورد نیاز برای درک و اعمال AI ، 95 ٪ از معامله گران را برای ترسیم خطوط بر روی نمودارها و تماشای میانگین های متحرک استفاده می کردند.

سرمایه گذاران باید تحقیقات خود را انجام دهند و با یک مشاور مالی صالح که با این تحولات جدید آشنا است ، مشورت کنند. هر سرمایه گذار مشخصات ریسک متفاوتی دارد و ارائه دستورالعمل های کلی دشوار است. به زودی گسترش مشاورین روبو وجود خواهد داشت و انتخاب مورد نیاز و اهداف خاص ممکن است یک کار چالش برانگیز باشد.

برای هرکسی که با ML و هوش مصنوعی و ارتباط آنها با تجارت و سرمایه گذاری آشنایی نداشته باشد، ممکن است به جای شروع سفر به مطالعه کتاب و مقاله، با یک متخصص حرفه ای که در این زمینه سریع است مشورت کند، سودمندتر خواهد بود. پس از درک اصول اولیهامیدوارم یک ایده کلی در این ارائه ارائه کرده باشم که بتواند به عنوان نقطه شروعی در این تلاش جالب و بالقوه پر ارزش باشد.

توجه ویراستاران Towards Data Science: در حالی که ما به نویسندگان مستقل اجازه می دهیم مقالاتی را مطابق با قوانین و دستورالعمل های ما منتشر کنند، اما سهم هر نویسنده را تأیید نمی کنیم. شما نباید بدون مشورت حرفه ای به آثار نویسنده اعتماد کنید. برای جزئیات بیشتر به شرایط Reader ما مراجعه کنید.

اگر سؤال یا نظری دارید، خوشحال می شوید که در Twitter:@mikeharrisNY ارتباط برقرار کنید

درباره نویسنده: مایکل هریس یک تاجر و نویسنده پرفروش است. او همچنین توسعه دهنده اولین نرم افزار تجاری برای شناسایی الگوهای بدون پارامتر در اکشن قیمت در 17 سال پیش است. در هفت سال گذشته او روی توسعه DLPAL کار کرده است، یک برنامه نرم افزاری که می تواند برای شناسایی ناهنجاری های کوتاه مدت در داده های بازار برای استفاده در مدل های یادگیری ماشینی و ثابت استفاده شود. برای اطلاعات بیشتر اینجا را کلیک کنید.