لمس انسان در تجارت AI

تغییر پارادایم در اجرای تجارت و طراحی استراتژی اتفاق می افتد. بانک ها و صندوق های پرچین در حال استقرار هوش مصنوعی به عنوان یک ابزار تجارت رقابتی هستند و از ورودی انسان دور می شوند. با این حال ، انسان ها برای نظارت و مدیریت معاملات AI به کمک ضروری خواهند بود.

لمس انسان در تجارت به کمک هوش مصنوعی

فناوری به طرز چشمگیری بازارهای سرمایه را تغییر داده است ، فضایی که از نظر تاریخی با اعتماد به نفس به انسان و صدای آنها به تجارت و اداره کار روزانه خود تعریف شده است. نزدیک به 80 ٪ از حجم روزانه در ایالات متحده 1 اکنون به صورت الکترونیکی با استفاده از الگوریتم ها معامله می شود ، نه در کف معاملات بازپرداخت باز که تا پایان قرن گذشته شیوع داشتند.

این نه تنها کارآیی عملیاتی است که برخلاف سایر صنایع ، این فرزندخواندگی را هدایت کرده است. بازیگران بازار سرمایه الگوریتم ها و قابلیت های هوش مصنوعی را برای مزیت رقابتی مستقر کرده اند ، محصولات پیچیده تری را قادر می سازند و باعث ایجاد حجم معاملات بالاتر می شوند.

با این حال ، اعتماد به رایانه ها برای تصمیم گیری در مورد سرمایه گذاری ، اغلب با سرعت بالا ، می تواند خطرات فاجعه بار ایجاد کند. در این دوره جدید از تصویب هوش مصنوعی ، اکنون زمان آن رسیده است که چگونه انسان را می توان دوباره به این فرآیند تبدیل کرد تا به عنوان دریچه های ایمنی عمل کند.

الگوریتم ها و هوش مصنوعی در بازارهای سرمایه

بانک ها برای ده ها سال از رایانه ها برای تصمیم گیری در مورد معاملات استفاده می کنند. در ابتدایی ترین شکل آنها ، از الگوریتم ها برای ایجاد استراتژی های سرمایه گذاری در یک نمونه کارها پیچیده استفاده می شود و سپس برای اجرای آن استراتژی استفاده می شود.

اعدام به طور موثری تجزیه و تحلیل یک تجارت بزرگ را به تعداد زیادی کوچکتر خودکار می کند تا تجارت با گذشت زمان با قیمت مناسب انجام شود.

تصمیمات هنوز توسط بازرگانان انسانی اتخاذ می شود ، اما این تصمیمات توسط الگوریتم ها از طریق الگوریتم ها اعدام می شوند.

پیشرفته ترین الگوریتم ها تجارت با فرکانس بالا را هدایت می کنند ، که شامل هیچ مداخله ای در انسانی نمی شود. مزیت رقابتی صرفاً از طریق سریعترین پاسخگویی به حرکات بازار و سرمایه گذاری در آنها - هم از طریق داشتن کمترین الگوریتم های تأخیر و هم از نظر جسمی نزدیک به رایانه های خود مبادله است.

در سالهای اخیر ، تکنسین های بازرگانی شروع به آزمایش با هوش مصنوعی کرده اند. این تصمیم گیری فراتر از الگوریتم های طراحی شده برای سرعت ، استراتژی و اجرای و به دنیای تصمیم گیری شناختی است. هوش مصنوعی از شبکه های عصبی استفاده می کند که چندین منبع داده را اسکن می کنند و به طور مؤثر انسان را جایگزین می کنند.

خطرات تجارت الگوریتمی

تجارت الگوریتمی شهرت غیرقابل تحمل ندارد. در حالی که بیشتر اوقات کار می کند ، وقتی اشتباه پیش می رود ، می تواند فاجعه بار باشد.

در سال 2012 ، Knight Capital ، سازنده بازار با بیش از 17 ٪ سهم بازار در بورس اوراق بهادار نیویورک ، طرفدار اولیه تجارت الگوریتمی بود. با این حال ، در آگوست همان سال ، این شرکت در 45 دقیقه با افزایش الگوریتم جدید خود ، بیش از 440 میلیون دلار از دست داد. این الگوریتم ناقص بود و یکی از بدترین فروپاشی در تاریخ تجارت را برانگیخت. قیمت سهام صدها شرکت به یک مارپیچ رو به پایین رفت. 2

این اولین نمونه از مشکل تجارت الگوریتمی نبود."سقوط فلش" سال 2010 از زمانی آغاز شد که Waddell & Reed ، یک خانه صندوق متقابل ، دستور فروش قراردادهای آتی 4. 1 میلیارد دلاری S& P 500 را از طریق سیستم معاملات الگوریتمی خود آغاز کرد. 3 این دستور نقدینگی را از بازار مکیده و باعث شده است که میانگین صنعتی داو جونز 9 ٪ فروپاشی کند ، 862 میلیارد دلار ثروت سرمایه گذار و ارسال قیمت سهام رهبران بازار از جمله اپل ، لهجه ، GE و P& G را به میزان قابل توجهی پایین آورد.

این واقعیت را تغییر نمی دهد که تجارت الگوریتمی نقش مهمی در کمک به حجم معاملات برای افزایش 10 بار 5 از اوایل دهه 1990 داشته است. در بیشتر موارد ، این مزیت خالص را از طریق هزینه پایین تر تجارت ، احتمال بالاتر اجرای تجارت ، گسترش محکم تر پیشنهاد و افزایش نقدینگی بازار ایجاد کرده است. اکنون بانک ها تجارت الگوریتمی را بیشتر انجام می دهند و با هوش مصنوعی آزمایش می کنند.

هوش مصنوعی برای حاشیه رقابتی

در یک دهه گذشته ، بانک ها و صندوق های تامینی پول را برای توسعه سیستم عامل های معاملاتی هوش مصنوعی ریخته اند که می توانند بصری باشند و تصمیمات استراتژیک بگیرند.

انتظار این است که هوش مصنوعی حاشیه رقابتی دیگری را بر رقبا فراهم کند و ایجاد محصولات جدید و حتی پیچیده تر را امکان پذیر کند.

در سال 2014 ، گلدمن ساکس برای یک سکوی هوش مصنوعی به نام Kensho ، 15 میلیون دلار بودجه را هدایت کرد. 6 این پلتفرم از یادگیری ماشین برای اسکن میلیون ها نقطه داده بازار استفاده می کند و به دنبال همبستگی های معقول و فرصت های داوری است. به عنوان مثال ، در حین اخبار مربوط به جنگ داخلی سوریه ، کنشو طی چند دقیقه بینش هایی را برای معامله گران در مورد کالاها و ارزها ارائه می داد که در غیر این صورت روزها برای جمع آوری روزها طول می کشد.

Adyia که در سال 2011 تأسیس شد ، AI را برای خرد کردن حجم زیادی از داده ها ، شناسایی و پیش بینی الگوهای نامرئی برای چشم غیر مسلح ، و استراتژی های معاملاتی آن را تکامل می دهد. شبکه یادگیری عمیق و عصبی FinTech احساسات را از مقالات خبری و رسانه های اجتماعی می خواند و تفسیر می کند ، در حالی که پردازنده زبان طبیعی آن داده ها را از زبان های مختلف تجزیه و تحلیل و پردازش می کند. همه اینها بدون مداخله انسانی انجام می شود.

هیئت منصفه هنوز در عملکرد AI است

با وجود سرمایه گذاری و تمرکز بر روی هوش مصنوعی ، این تکنیک ها هنوز در مراحل ابتدایی خود هستند و چندین شکست هوش مصنوعی نیز وجود داشته است. باباک هودجات ، که به ساخت سیری کمک کرده است ، و آنتوان بلوندو نزدیک به 10 سال را صرف ساخت یک سیستم هوش مصنوعی کرد که از طریق تریلیون مجموعه داده ها به زمین می خورد و از تکنیک های محاسبات تکاملی برای ایجاد مجموعه ای از "سوپر بازرگانان" استفاده می کرد. بلوندو معتقد بود که اگر می توان به AI آموزش داد که به طور مستقل رانندگی کند ، انسان را در بازی های استراتژی کتک بزند و چندین زبان را درک کند ، مطمئناً می تواند تجارت کند. صندوق مدیریت مدیریت سرمایه گذاری Sentient در سال 2016 پذیرش سرمایه گذاران خصوصی را آغاز کرد. دو سال بعد صندوق پرچین منحل شد. با داشتن دارایی های تحت مدیریت حدود 100 میلیون دلار ، در سال 2017 4 ٪ و در سال 2018 هیچ چیز را رقم زد. 7

در 14 فوریه 2018 ، هیچ عشقی بین سرمایه گذاری املاک و مستغلات هنگ کنگ Samathur Li Kin-Kan و Tyndaris Investments از دست رفته بود ، که صندوق پرچین آن در آن روز 20 میلیون دلار هزینه داشت. ساماتور ، که به Tyndaris Investments 2. 5 میلیارد دلار برای مدیریت تحویل داده بود ، به ایده K1 خریداری کرد ، یک ابر رایانه که می تواند از طریق اخبار و رسانه های اجتماعی در زمان واقعی ، احساسات سرمایه گذار را احساس کند و آینده سهام ایالات متحده را پیش بینی کند. لی قصد داشت دو برابر بازده خود را دو برابر کند. با این حال ، اوضاع طبق برنامه ریزی پیش نرفت و او از دقایقی که سرمایه گذاری کرد شروع به از دست دادن پول کرد. او اکنون 23 میلیون دلار از این شرکت شکایت می کند. 8

حتی وقتی کارها کار می کنند ، به نظر می رسد که استراتژی های تدوین شده توسط صندوق های مدیریت شده AI همیشه از شاخص های معیار استفاده نمی کنند. به عنوان مثال ، شاخص صندوق پرچین Eurekahedge AI که از یادگیری AI و Machine (ML) استفاده می کند در 5 سال CAGR 8. 3 ٪ بین سالهای 2014 و 2019 رشد کرد (شکل 1). در حالی که این بهتر از CAGR 5 ساله شاخص صندوق پرچین بود (شاخص جهانی و با وزن برابر بیش از 1400 صندوق تک مدیر) ، این افزایش 10. 9 ٪ افزایش شاخص S& P 500 را کاهش داد.

تفسیر چالش بزرگ بعدی است

با وجود مسائل مربوط به دندانپزشکی ، شکی نیست که هوش مصنوعی به طور فزاینده ای تأثیر می گذارد و در نهایت ، بخش قابل توجهی از تجارت را مدیریت می کند زیرا می تواند حجم های بالاتر و تصمیمات پیچیده تری را با سرعت مدیریت کند. اما مشخص نیست که هوش مصنوعی در درک خطرات ساختاری مانند بحران بازار وام مسکن ایالات متحده بیش از 10 سال پیش یا جلوگیری از تصادفات فلش بهتر از انسان خواهد بود.

ما معتقدیم که انسانها در ارائه خدمات راهنمایی در مورد معاملات AI محور نقش مؤثر خواهند داشت. برای انجام این کار ، تصمیمات پیچیده و سریع باید تفسیر و درک شود. این آسان نخواهد بود

با بهتر شدن هوش مصنوعی ، به طور فزاینده ای از طریق تکنیک های یادگیری عمیق ، درک اصل و نسب یک تصمیم رایانه ای فقط پیچیده تر می شود.

همانطور که استنلی دراکنمیلر ، رئیس پیشین صندوق پرچین Duquesne Capital ، اظهار داشت: "این جلبک ها همه ریتم ها را از بازار خارج کرده اند و برای من بسیار گیج کننده شده اند."9

از قضا ، چالشی که معامله گران و مهندسان در توضیح استراتژی تولید شده توسط رایانه با آن روبرو هستند ، همچنین چیزی است که بسیاری از الگوریتم های مبتنی بر AI- و ML را از دیدن نور روز متوقف می کند. چالش در توضیح چگونگی عملکرد یک الگوریتم گاهی اوقات اشکال بزرگی برای اجرای ابتکارات مبتنی بر هوش مصنوعی است.

از دیدگاه یک بانک ، حل مسئله "تفسیر" باعث افزایش اعتماد به نفس مدیریت در برخورد با تنظیم کننده ها ، سرمایه گذاران و تصمیم گیرندگان برای تخصیص بودجه به پروژه های هوش مصنوعی می شود و به بازرگانان کمک می کند تا از استراتژی ها استفاده کنند. مهمتر از همه ، این امر به جلوگیری یا حداقل به حداقل رساندن تلفات فاجعه بار کمک می کند. انسانها دیگر در ایجاد استراتژی ها مهم نیستند ، اما آنها نقش مهمی در تفسیر تصمیمات هوش مصنوعی و عمل به عنوان راهنما دارند. آینده در انسان در حال همزیستی با هوش مصنوعی است و در عین حال به عنوان دریچه ایمنی عمل می کند.

یافتن مهارتهای تفسیر

یافتن و توسعه مهارتهای لازم برای تفسیر و جستجوی علائم هشدار دهنده خرابی های هوش مصنوعی دشوار خواهد بود. در حال حاضر ، بانک ها افراد دارای مهارت های دوگانه-معامله گران می توانند کد یا رمزگذارهایی را که می توانند تجارت کنند-به جای تمرکز روی مجموعه های مهارت های یک بعدی ، دنبال می کنند. این امر باعث شده است تا تقاضا برای افراد از زمینه های STEM (علوم ، فناوری ، مهندسی و ریاضیات) ، از جمله دکتری. فیزیکدانان ، دکتری رایانه ای کوانتومی ، آمارشناسان یا دانشمندان داده. از 36000 کارمند در گلدمن ساکس ، تقریبا 25 ٪ مهندس هستند. 10

تعداد فزاینده ای از استخدامهای جدید نه تنها در طراحی سیستم ها و استراتژی های مبتنی بر هوش مصنوعی بلکه در درک و مدیریت سیستم های هوش مصنوعی که به طور فزاینده قادر به طراحی و ساخت خود هستند ، آموزش داده می شوند. آینده می تواند کمتر در مورد بازرگانان انسانی و بیشتر در مورد سرپرستان هوش مصنوعی ، پزشکان یا پلیس باشد. توانایی تشخیص و مدیریت تهدیدهای غیر منتظره از سیستم های هوش مصنوعی باید توسعه یابد تا هوش مصنوعی واقعاً توسط بازارهای سرمایه پذیرفته شود.