Του Γιώργου Δρακόπουλου,
Η ανάπτυξη της τεχνητής νοημοσύνης (A.I.) γίνεται με τον καιρό όλο και περισσότερο υποσχόμενη για τις θετικές επιδράσεις που θα έχει μελλοντικά σε πολλούς επιχειρηματικούς κλάδους της οικονομίας. Ήδη έχει διεισδύσει τα τελευταία χρόνια σε αρκετές παραγωγικές διαδικασίες, λειτουργώντας επικουρικά στο έργο των επιχειρήσεων, με σκοπό την αύξηση της αποτελεσματικότητας, της παραγωγικότητας και της απελευθέρωσης πόρων. Μάλιστα, σε πολλές περιπτώσεις έχει αποδείξει τη σημαντικότητα των δυνατοτήτων που διαθέτει. Ωστόσο, στον κόσμο των επενδύσεων, των αγορών και, ευρύτερα, των χρηματοοικονομικών, η τεχνητή νοημοσύνη, προς το παρόν δεν έχει πείσει ιδιαίτερα για τις προοπτικές της.
Γίνονται έντονες προσπάθειες ώστε να δημιουργηθεί ένα μοντέλο A.I. που να προβλέπει τις τιμές στην αγορά με μεγαλύτερη ακρίβεια από ό,τι ένας επαγγελματίας επενδυτής/ διαχειριστής, κάτι που έχει αποδειχθεί ιδιαίτερα δύσκολο.
Γενικά, υπάρχουν δύο κύριες κατηγορίες τεχνητής νοημοσύνης που χρησιμοποιούνται στα χρηματοοικονομικά. Το πρώτο είναι η γενετική τεχνητή νοημοσύνη (generative A.I.), σαν την τεχνολογία που στηρίζει τα chatbots όπως το ChatGPT του OpenAI και το Bard της Google. Το δεύτερο είναι η προγνωστική τεχνητή νοημοσύνη (predictive A.I.), ένα σημαντικό εργαλείο για το quant trading. Ενώ η γενετική τεχνητή νοημοσύνη επικεντρώνεται στη δημιουργία νέου υλικού με βάση τα δεδομένα εκπαίδευσης, η τεχνητή νοημοσύνη που χρησιμοποιείται στις quant trading προσπαθεί να κάνει προβλέψεις όπως προς το πού κατευθύνεται η τιμή ενός ομολόγου. Το κοινό χαρακτηριστικό αυτών των εργαλείων είναι ότι όλα εκπαιδεύονται βρίσκοντας μοτίβα σε μεγάλους όγκους δεδομένων. Τα πρόσφατα μοντέλα μηχανικής μάθησης, σε σχέση με τα πιο παραδοσιακά, είναι καλύτερα στο να προσαρμόζονται σε μεγάλο αριθμό εισόδων και να ανιχνεύουν περίπλοκα μοτίβα, συμπεριλαμβανομένου του τρόπου αλληλεπίδρασης διαφορετικών μεταβλητών μεταξύ τους.
Τα hedge funds πειραματίζονται με το ChatGPT για τη σύνταξη κώδικα, τη σύνοψη της έρευνας ή την παραγωγή αναφορών πελατών και οι τράπεζες αναπτύσσουν chatbots που βασίζονται σε LLM για να απαντούν σε ερωτήσεις πελατών. Επίσης, η τεχνητή νοημοσύνη χρησιμοποιείται, πλέον, σε πολλούς τομείς των χρηματοοικονομικών, ειδικά σε ό,τι αφορά εργασίες με επαναλαμβανόμενες διαδικασίες, τη συλλογή και ανάλυση δεδομένων και τη δημιουργία αναφορών, λειτουργώντας, βέβαια, (ακόμη;) ως βοηθητικοί παράμετροι. Δεν είναι τυχαίο πως στις περισσότερες θέσεις εργασίας ζητούνται γνώσεις και σε αυτό το κομμάτι.
Μέχρι σήμερα, όσα hedge fund έχουν χρησιμοποιήσει την τεχνητή νοημοσύνη στις επενδύσεις τους δεν έχουν καταφέρει να σημειώσουν υπεραποδόσεις από την αγορά μακροπρόθεσμα. Οι καθημερινές μεταβολές στους χρηματιστηριακούς δείκτες οφείλονται σε τόσους πολλούς παράγοντες που μπορεί να είναι δύσκολο να εντοπιστούν αξιόπιστα σήματα, λόγω του μεγάλου «θορύβου». Επιπλέον, οι αγορές υπόκεινται σε συνεχείς αλλαγές «καθεστώτος», γεγονός που καθιστά πιο δύσκολη την ορθή ανταπόκριση από τα μοντέλα τεχνητής νοημοσύνης στα ίδια μηνύματα με διαφορετικούς τρόπους από τη μια περίοδο στην άλλη, με αποτέλεσμα να παραπλανήσει τους επενδυτές στη λήψη των αποφάσεών τους.
Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει πιθανά σενάρια βασισμένα σε μαθησιακά μοτίβα, αλλά δυσκολεύεται να λογοδοτήσει για άγνωστους παράγοντες ή αλλαγές στον πραγματικό κόσμο που δεν προέρχονται από τα δεδομένα εκπαίδευσής της. Επίσης, η A.I. θα έχει ακριβώς την ίδια πληροφόρηση με την υπόλοιπη αγορά. Ο κλάδος των χρηματοοικονομικών δεν έχει πάντα τα επαρκή δεδομένα για να κάνει αποτελεσματική χρήση της A.I., ειδικά για εταιρείες με μακροπρόθεσμο ορίζοντα στις επενδύσεις του.
Σίγουρα, η τεχνητή νοημοσύνη και οι αλγοριθμικές συναλλαγές μπορούν να βοηθήσουν στην εκτέλεση των συναλλαγών. Η περιπλοκότητα, όμως, της αγοράς κάνει δύσκολο τον υπολογισμό του βαθμού που επηρεάζει μια πληροφορία την τιμή ενός διαπραγματεύσιμου περιουσιακού στοιχείου, διότι υπάρχουν τόσες άλλες ταυτόχρονες εισροές. Σε περίπτωση, όμως, που τα μοντέλα τεχνητής νοημοσύνης καταφέρουν να προβλέψουν με μεγαλύτερη ακρίβεια την πορεία της αγοράς, η ευρεία διάδοσή τους στο επενδυτικό κοινό θα εξαλείψει το όποιο σημαντικό πλεονέκτημα έχουν αναπτύξει.
ΕΝΔΕΙΚΤΙΚΕΣ ΠΗΓΕΣ
- AI Can Write, But Is It Any Good at Picking Stocks?, washingtonpost.com, διαθέσιμο εδώ
- Why AI-generated stock picks won’t beat the market, marketwatch.com, διαθέσιμο εδώ
- Why the wisdom of the market crowd beats AI, ft.com, διαθέσιμο εδώ
