Kas tehisintellekt saab aktsiaturgu ennustada?

Sissejuhatus

Aktsiaturu ennustamine on pikka aega olnud finantsvaldkonna „püha graal“, mida otsivad nii institutsionaalsed kui ka jaeinvestorid kogu maailmas. Arvestades tehisintellekti (AI) ja masinõppe (ML) , mõtlevad paljud, kas need tehnoloogiad on lõpuks paljastanud aktsiahindade prognoosimise saladuse. Kas tehisintellekt suudab ennustada aktsiaturgu? See tehisintellekt uurib seda küsimust globaalsest vaatenurgast, tuues välja, kuidas tehisintellektil põhinevad mudelid püüavad prognoosida turuliikumisi, nende mudelite teoreetilisi aluseid ja nende tegelikke piiranguid. Esitame erapooletu analüüsi, mis põhineb pigem uuringutel kui reklaamil ja mida tehisintellekt saab ja ei saa teha finantsturgude ennustamise kontekstis.

Finantsteoorias rõhutab ennustamise väljakutset efektiivse turu hüpotees (EMH) . EMH (eriti oma „tugevas“ vormis) väidab, et aktsiahinnad peegeldavad täielikult kogu saadaolevat teavet igal ajahetkel, mis tähendab, et ükski investor (isegi mitte siseringi isikud) ei saa olemasoleva teabe põhjal kaubeldes turgu järjepidevalt edestada ( Andmepõhised aktsiate prognoosimismudelid, mis põhinevad närvivõrkudel: ülevaade ). Lihtsamalt öeldes, kui turud on väga tõhusad ja hinnad liiguvad juhuslikult , peaks tulevaste hindade täpne ennustamine olema peaaegu võimatu. Vaatamata sellele teooriale on turu edestamise ahvatlus ajendanud ulatuslikke uuringuid täiustatud ennustusmeetodite kohta. Tehisintellektist ja masinõppest on saanud selle eesmärgi keskmes tänu nende võimele töödelda tohutul hulgal andmeid ja tuvastada peeneid mustreid, mida inimesed võivad kahe silma vahele jätta ( Masinõppe kasutamine aktsiaturu ennustamiseks... | FMP ).

See tehisintellekti tehisintellekti tehnikatest, mida kasutatakse aktsiaturu ennustamiseks, annab põhjaliku ülevaate ja hindab nende tõhusust. Süveneme teoreetilistesse alustesse (traditsioonilistest aegridade meetoditest kuni süvaneuraalvõrkude ja tugevdusõppeni), arutame nende mudelite andme- ja treeningprotsessi piirangud ja väljakutsed, millega sellised süsteemid silmitsi seisavad, näiteks turu efektiivsus, andmemüra ja ettenägematud välised sündmused. Seni saadud segaste tulemuste illustreerimiseks on lisatud reaalse maailma uuringud ja näited. Lõpuks esitame realistlikud ootused investoritele ja praktikutele: tunnustame tehisintellekti muljetavaldavaid võimalusi, tunnistades samal ajal, et finantsturgudel on endiselt teatav ettearvamatus, mida ükski algoritm ei suuda täielikult kõrvaldada.

Tehisintellekti teoreetilised alused aktsiaturu ennustamisel

Kaasaegne tehisintellektil põhinev aktsiaturu ennustamine tugineb aastakümnete pikkusele uurimistööle statistika, rahanduse ja arvutiteaduse valdkonnas. Kasulik on mõista lähenemisviiside spektrit traditsioonilistest mudelitest tipptasemel tehisintellektini:

• Traditsioonilised aegridade mudelid: Varajane aktsiaprognoosimine tugines statistilistele mudelitele, mis eeldasid, et varasemate hindade mustrid võivad ennustada tulevikku. Mudelid nagu ARIMA (automaatselt regressiivne integreeritud libisev keskmine) ja ARCH/GARCH keskenduvad lineaarsete trendide ja volatiilsuse klastrite jäädvustamisele aegridade andmetes ( andmepõhised aktsiaprognoosimudelid, mis põhinevad närvivõrkudel: ülevaade ). Need mudelid pakuvad ennustamiseks alust, modelleerides ajaloolisi hinnajärjestusi statsionaarsuse ja lineaarsuse eelduste alusel. Kuigi traditsioonilised mudelid on kasulikud, on neil sageli raskusi reaalsete turgude keerukate ja mittelineaarsete mustritega, mis praktikas piirab ennustuste täpsust ( andmepõhised aktsiaprognoosimudelid, mis põhinevad närvivõrkudel: ülevaade ).

• Masinõppe algoritmid: Masinõppe meetodid lähevad etteantud statistilistest valemitest kaugemale, õppides mustreid otse andmetest . Aktsiate ennustamiseks on rakendatud selliseid algoritme nagu tugivektormasinad (SVM) , juhuslikud metsad ja gradiendi võimendamine . Need võivad hõlmata laia valikut sisendfunktsioone – alates tehnilistest näitajatest (nt libisevad keskmised, kauplemismaht) kuni fundamentaalsete näitajateni (nt tulud, makromajanduslikud andmed) – ja leida nende vahel mittelineaarseid seoseid. Näiteks juhusliku metsa või gradiendi võimendamise mudel saab samaaegselt arvestada kümneid tegureid, jäädvustades interaktsioone, mida lihtne lineaarne mudel võib kahe silma vahele jätta. Need masinõppe mudelid on näidanud võimet ennustustäpsust veidi parandada, tuvastades andmetes keerulisi signaale ( Masinõppe kasutamine aktsiaturu ennustamiseks... | FMP ). Siiski vajavad need hoolikat häälestamist ja piisavalt andmeid, et vältida ülesobitamist (õppemüra, mitte signaal).

• Süvaõpe (närvivõrgud): Inimaju struktuurist inspireeritud süvanärvvõrgud on rekurrentsed närvivõrgud (RNN) ja nende variandid – pika lühiajalise mäluga (LSTM) võrgud, mis on spetsiaalselt loodud järjestusandmete, näiteks aktsiahinna aegridade jaoks. LSTM-id suudavad säilitada varasema teabe mälu ja jäädvustada ajalisi sõltuvusi, mistõttu sobivad need hästi trendide, tsüklite või muude ajast sõltuvate mustrite modelleerimiseks turuandmetes. Uuringud näitavad, et LSTM-id ja muud süvaõppe mudelid suudavad jäädvustada finantsandmetes keerulisi mittelineaarseid seoseid konvolutsioonilised närvivõrgud (CNN) (mõnikord kasutatakse neid tehniliste indikaatorite „piltidel” või kodeeritud järjestustel), transformaatorid (mis kasutavad tähelepanu mehhanisme erinevate ajasammude või andmeallikate olulisuse kaalumiseks) ja isegi graafilised närvivõrgud (GNN) (aktsiatevaheliste seoste modelleerimiseks turugraafikul). Need täiustatud närvivõrgud suudavad lisaks hinnaandmetele ka alternatiivseid andmeallikaid, nagu uudiste tekstid, sotsiaalmeedia sentimendid ja palju muud, õppides abstraktseid tunnuseid, mis võivad ennustada turuliikumisi ( Masinõppe kasutamine aktsiaturu ennustamiseks... | FMP ). Süvaõppe paindlikkusel on oma hind: need on andmemahukad, arvutuslikult intensiivsed ja toimivad sageli „mustade kastide“ moodi, millel on vähem tõlgendatavust.

• Tugevdusõpe: Teine tehisintellektil põhineva aktsiate ennustamise piir on tugevdusõpe (RL) , mille eesmärk pole mitte ainult hindade ennustamine, vaid ka optimaalse kauplemisstrateegia õppimine. RL-raamistikus agent (AI-mudel) keskkonnaga (turuga), tehes toiminguid (osta, müüa, hoida) ja saades tasu (kasum või kahjum). Aja jooksul õpib agent poliitikat, mis maksimeerib kumulatiivset tasu. Sügav tugevdusõpe (DRL) ühendab närvivõrgud tugevdusõppega, et tulla toime turgude suure olekuruumiga. RL-i atraktiivsus rahanduses seisneb selle võimes arvestada otsuste järjestust ja optimeerida otse investeeringutasuvust, selle asemel, et hindu eraldi ennustada. Näiteks saab RL-agent õppida hinnasignaalide põhjal, millal positsioonidele siseneda või neist väljuda, ja isegi kohaneda turutingimuste muutumisega. Märkimisväärselt on RL-i kasutatud tehisintellekti mudelite koolitamiseks, mis võistlevad kvantitatiivsetes kauplemisvõistlustes ja mõnes patenteeritud kauplemissüsteemis. Siiski seisavad RL-meetodid silmitsi ka oluliste väljakutsetega: need nõuavad ulatuslikku väljaõpet (aastatepikkuse tehingute simuleerimine), võivad esineda ebastabiilsust või lahknevat käitumist, kui neid hoolikalt ei häälestata, ning nende toimivus on eeldatava turukeskkonna suhtes väga tundlik. Teadlased on täheldanud probleeme, nagu suured arvutuskulud ja stabiilsusprobleemid tugevdusõppe rakendamisel keerukatel aktsiaturgudel. Vaatamata neile väljakutsetele kujutab RL endast paljulubavat lähenemisviisi, eriti kombineerituna teiste tehnikatega (nt hinnaennustusmudelite ja RL-põhise jaotusstrateegia kasutamine), et moodustada hübriidne otsustussüsteem ( aktsiaturu ennustamine süvatugevdusõppe abil ).

Andmeallikad ja koolitusprotsess

Olenemata mudeli tüübist on andmed tehisintellekti aktsiaturu ennustamise selgroog . Mudelid treenitakse tavaliselt ajalooliste turuandmete ja muude seotud andmekogumite põhjal mustrite tuvastamiseks. Levinud andmeallikad ja funktsioonid on järgmised:

• Ajaloolised hinnad ja tehnilised näitajad: Peaaegu kõik mudelid kasutavad varasemaid aktsiahindu (avamis-, kõrgeim-, madalaim- ja sulgemishind) ning kauplemismahte. Nende põhjal tuletavad analüütikud sageli sisenditena tehnilisi näitajaid (libisev keskmine, suhtelise tugevuse indeks, MACD jne). Need näitajad aitavad esile tõsta trende või momentumi, mida mudel võiks ära kasutada. Näiteks võib mudel sisendiks võtta viimase 10 päeva hinnad ja mahud ning lisaks näitajad nagu 10-päevane libisev keskmine või volatiilsusnäitajad, et ennustada järgmise päeva hinnaliikumist.

• Turuindeksid ja majandusandmed: Paljud mudelid hõlmavad laiemat turuinfot, näiteks indeksite tasemeid, intressimäärasid, inflatsiooni, SKP kasvu või muid majandusnäitajaid. Need makromajanduslikud omadused pakuvad konteksti (nt üldine turumeeleolu või majanduslik seisund), mis võib mõjutada üksikute aktsiate tootlust.

• Uudiste ja meeleolu andmed: Üha rohkem tehisintellekti süsteeme tarbib struktureerimata andmeid, nagu uudisteartiklid, sotsiaalmeedia kanalid (Twitter, Stocktwits) ja finantsaruanded. Turu meeleolu hindamiseks või asjakohaste sündmuste tuvastamiseks kasutatakse loomuliku keele töötlemise (NLP) tehnikaid, sealhulgas täiustatud mudeleid nagu BERT. Näiteks kui ettevõtte või sektori uudiste meeleolu muutub ootamatult järsult negatiivseks, võib tehisintellekti mudel ennustada seotud aktsiahindade langust. Reaalajas uudiste ja sotsiaalmeedia meeleolu saab tehisintellekt uuele teabele reageerida kiiremini kui inimkauplejad.

• Alternatiivsed andmed: Mõned keerukad riskifondid ja tehisintellekti uurijad kasutavad ennustavate teadmiste saamiseks alternatiivseid andmeallikaid – satelliidipilte (kaupluste külastatavuse või tööstustegevuse kohta), krediitkaarditehingute andmeid, veebiotsingu trende jne. Need mittetraditsioonilised andmekogumid võivad mõnikord olla aktsiate tootluse juhtivad näitajad, kuigi need toovad kaasa ka keerukust mudeli treenimisel.

Tehisintellekti mudeli treenimine aktsiate ennustamiseks hõlmab ajalooliste andmete sisestamist ja mudeli parameetrite kohandamist ennustusvea minimeerimiseks. Tavaliselt jagatakse andmed treeningkomplektiks ( nt vanem ajalugu mustrite õppimiseks) ja test-/valideerimiskomplektiks (uuemad andmed toimivuse hindamiseks nähtamatutes tingimustes). Turuandmete järjestikuse olemuse tõttu tuleb hoolikalt vältida „tulevikku piilumist“ – näiteks hinnatakse mudeleid treeningperioodi järgsete ajavahemike andmete põhjal, et simuleerida, kuidas need reaalses kauplemises toimiksid. Ajaseeriate ristvalideerimistehnikaid (nagu näiteks edasiliikumise valideerimine) kasutatakse tagamaks, et mudel üldistub hästi ja ei sobi ainult ühe konkreetse perioodiga.

Lisaks peavad praktikud tegelema andmete kvaliteedi ja eeltöötlusega seotud probleemidega. Puuduvad andmed, kõrvalekalded (nt aktsiate jagunemisest või ühekordsetest sündmustest tingitud järsud tõusud) ja tururežiimi muutused võivad kõik mõjutada mudeli treenimist. Sisendandmetele saab rakendada selliseid tehnikaid nagu normaliseerimine, trendide kõrvaldamine või hooajalisusest kõrvalekallete kõrvaldamine. Mõned täiustatud lähenemisviisid lagundavad hinnaseeriad komponentideks (trendid, tsüklid, müra) ja modelleerivad neid eraldi (nagu on näha uuringutes, mis ühendavad variatsioonilise režiimi lagunemist närvivõrkudega ( Stock Market Prediction Using Deep Reinforcement Learning )).

Erinevatel mudelitel on erinevad treeningnõuded: süvaõppe mudelid võivad vajada sadu tuhandeid andmepunkte ja saada kasu GPU kiirendusest, samas kui lihtsamad mudelid, näiteks logistiline regressioon, saavad õppida suhteliselt väiksematest andmekogumitest. Tugevdusõppe mudelid vajavad simulaatorit või keskkonda, millega suhelda; mõnikord esitatakse ajaloolised andmed RL-agendile uuesti või kasutatakse kogemuste genereerimiseks turusimulaatoreid.

Lõpuks, kui need mudelid on treenitud, annavad need ennustusfunktsiooni – näiteks väljundi, mis võib olla homseks ennustatud hind, aktsia tõusu tõenäosus või soovitatav tegevus (osta/müüa). Need ennustused integreeritakse seejärel tavaliselt kauplemisstrateegiasse (positsiooni suuruse, riskijuhtimise reeglite jms abil) enne, kui tegelik raha ohtu seatakse.

Piirangud ja väljakutsed

Kuigi tehisintellekti mudelid on muutunud uskumatult keerukaks, on aktsiaturu ennustamine endiselt loomupäraselt keeruline ülesanne . Järgnevalt on toodud peamised piirangud ja takistused, mis takistavad tehisintellektil turgudel garanteeritud ennustajana olemast:

• Turu efektiivsus ja juhuslikkus: Nagu varem mainitud, väidab efektiivse turu hüpotees, et hinnad peegeldavad juba teadaolevat teavet, seega iga uus teave põhjustab koheseid kohandusi. Praktikas tähendab see, et hinnamuutusi põhjustavad suuresti ootamatud uudised või juhuslikud kõikumised. Tõepoolest, aastakümneid kestnud uuringud on näidanud, et lühiajalised aktsiahinna liikumised meenutavad juhuslikku jalutuskäiku ( Andmepõhised aktsiaprognoosimise mudelid närvivõrkudel: ülevaade ) – eilse hinna mõju homsele on väike, peale selle, mida juhus ennustaks. Kui aktsiahinnad on sisuliselt juhuslikud või „tõhusad”, ei saa ükski algoritm neid järjepidevalt ja suure täpsusega ennustada. Nagu üks uurimus lühidalt ütles: „juhusliku jalutuskäigu hüpotees ja efektiivse turu hüpotees väidavad sisuliselt, et tulevasi aktsiahindu ei ole võimalik süstemaatiliselt ja usaldusväärselt ennustada” ( S&P 500 aktsiate suhtelise tootluse prognoosimine masinõppe abil | Financial Innovation | Full Text ). See ei tähenda, et tehisintellekti ennustused on alati kasutud, kuid see rõhutab olulist piirangut: suur osa turu liikumisest võib olla lihtsalt müra, mida isegi parim mudel ei suuda ette ennustada.

• Müra ja ettearvamatud välistegurid: Aktsiahindu mõjutab hulk tegureid, millest paljud on eksogeensed ja ettearvamatud. Geopoliitilised sündmused (sõjad, valimised, regulatiivsed muudatused), loodusõnnetused, pandeemiad, äkilised ettevõtete skandaalid või isegi viiruslikult levivad sotsiaalmeedia kuulujutud võivad kõik turge ootamatult liigutada. Need on sündmused, mille kohta mudelil ei saa olla eelnevaid treeningandmeid (kuna need on enneolematud) või mis esinevad haruldaste šokkidena. Näiteks poleks ükski 2010.–2019. aasta ajalooliste andmete põhjal treenitud tehisintellekti mudel saanud konkreetselt ette näha COVID-19 krahhi 2020. aasta alguses ega selle kiiret taastumist. Finants-tehisintellekti mudelitel on raskusi, kui režiimid muutuvad või kui hindu mõjutab üksik sündmus. Nagu üks allikas märgib, võivad sellised tegurid nagu geopoliitilised sündmused või äkilised majandusandmete avaldamised muuta ennustused peaaegu koheselt aegunuks ( Masinõppe kasutamine aktsiaturu ennustamiseks... | FMP ) ( Masinõppe kasutamine aktsiaturu ennustamiseks... | FMP ). Teisisõnu, ootamatud uudised võivad alati algoritmilised ennustused tühistada , süstides vähendamatut ebakindlust.

• Ülesobitamine ja üldistamine: Masinõppe mudelid on altid ülesobitamisele – see tähendab, et nad võivad õppida liiga hästi treeningandmete „müra” või iseärasusi, mitte aga aluseks olevaid üldisi mustreid. Ülesobitatud mudel võib ajalooliste andmete põhjal suurepäraselt toimida (näidates isegi muljetavaldavat tagasiulatuvat tootlust või suurt valimisisest täpsust), kuid uute andmete põhjal ebaõnnestuda. See on kvantitatiivses finantsmaailmas levinud lõks. Näiteks võib keeruline närvivõrk leida valesid korrelatsioone, mis varem juhuslikult püsisid (näiteks teatud indikaatorite ristumise kombinatsioon, mis juhtus eelnenud viimase 5 aasta tõusudele), kuid need seosed ei pruugi edaspidi püsida. Praktiline näide: võiks kujundada mudeli, mis ennustab, et eelmise aasta aktsiate võitjad lähevad alati üles – see võib sobida teatud perioodiga, kuid kui tururežiim muutub, siis see muster puruneb. Ülesobitamine viib halva valimivälise toimivuseni , mis tähendab, et mudeli ennustused reaalajas kauplemisel ei saa olla paremad kui juhuslikud, hoolimata sellest, et arenduses näevad need suurepärased välja. Ülesobitamise vältimine nõuab selliseid tehnikaid nagu regulariseerimine, mudeli keerukuse kontrolli all hoidmine ja robustse valideerimise kasutamine. Kuid just see keerukus, mis annab tehisintellekti mudelitele võimsuse, muudab nad ka selle probleemi suhtes haavatavaks.

• Andmete kvaliteet ja kättesaadavus: Vanasõna „prügi sisse, prügi välja” kehtib tugevalt aktsiaturu ennustamise tehisintellekti kohta. Andmete kvaliteet, kvantiteet ja asjakohasus mõjutavad oluliselt mudeli toimivust. Kui ajaloolised andmed on ebapiisavad (nt sügava võrgustiku treenimine vaid mõne aasta aktsiahindade põhjal) või mitteesinduslikud (nt suures osas tõusuperioodi andmete kasutamine langustsenaariumi ennustamiseks), ei ole mudel hästi üldistatav. Andmed võivad olla ka kallutatud või alluda ellujäämisriskile (näiteks aktsiaindeksid langetavad aja jooksul loomulikult halvasti toimivaid ettevõtteid, seega võivad ajaloolised indeksiandmed olla ülespoole kallutatud). Andmete puhastamine ja kureerimine ei ole triviaalne ülesanne. Lisaks alternatiivsed andmeallikad sageduse küsimus : kõrgsageduslikud kauplemismudelid vajavad tikshaaval andmeid, mille maht on tohutu ja mis vajab spetsiaalset infrastruktuuri, samas kui madalama sagedusega mudelid võivad kasutada päeva- või nädalaandmeid. Andmete ajalise vastavuse (nt uudiste ja vastavate hinnaandmete) ja ettevaatusalase kallutatuse puudumise tagamine on pidev väljakutse.

• Mudeli läbipaistvus ja tõlgendatavus: paljud tehisintellekti mudelid, eriti süvaõppe mudelid, toimivad mustade kastide . Need võivad välja anda ennustuse või kauplemissignaali ilma kergesti seletatava põhjuseta. See läbipaistvuse puudumine võib olla problemaatiline investoritele – eriti institutsionaalsetele investoritele, kes peavad oma otsuseid sidusrühmadele põhjendama või eeskirju järgima. Kui tehisintellekti mudel ennustab aktsia langust ja soovitab müüa, võib portfellihaldur kõhelda, kui ta ei mõista põhjendust. Tehisintellekti otsuste läbipaistmatus võib vähendada usaldust ja kasutuselevõttu, olenemata mudeli täpsusest. See väljakutse ergutab uuringuid selgitatava tehisintellekti kohta finantsvaldkonnas, kuid jääb samaks, et sageli tuleb teha kompromiss mudeli keerukuse/täpsuse ja tõlgendatavuse vahel.

• Kohanduvad turud ja konkurents: Oluline on märkida, et finantsturud on kohanemisvõimelised . Kui ennustav muster on avastatud (tehisintellekti või mis tahes meetodi abil) ja paljud kauplejad seda kasutavad, võib see lakata töötamast. Näiteks kui tehisintellekti mudel leiab, et teatud signaal eelneb sageli aktsia tõusule, hakkavad kauplejad selle signaali põhjal varem tegutsema, arbitraažides seega võimalust ära kasutama. Sisuliselt võivad turud areneda nii, et need tühistavad teadaolevad strateegiad . Tänapäeval kasutavad paljud kauplemisfirmad ja fondid tehisintellekti ja masinõpet. See konkurents tähendab, et igasugune eelis on sageli väike ja lühiajaline. Tulemuseks on see, et tehisintellekti mudelid võivad vajada pidevat ümberõpet ja ajakohastamist, et sammu pidada muutuva turudünaamikaga. Väga likviidsetel ja küpsetel turgudel (nagu USA suurkapitalisatsiooniga aktsiad) jahivad arvukad keerukad tegijad samu signaale, mistõttu on eelise säilitamine äärmiselt keeruline. Seevastu vähem tõhusatel turgudel või nišivarades võib tehisintellekt leida ajutisi ebaefektiivsusi – kuid nende turgude moderniseerudes võib vahe väheneda. Turgude dünaamiline olemus on põhimõtteline väljakutse: „mängureeglid” ei ole püsivad, seega võib eelmisel aastal toiminud mudel järgmisel aastal ümber töötada vajada.

• Reaalse maailma piirangud: Isegi kui tehisintellekti mudel suudaks hindu korraliku täpsusega ennustada, on ennustuste kasumiks muutmine veel üks väljakutse. Kauplemisega kaasnevad tehingukulud , näiteks vahendustasud, libisemine ja maksud. Mudel võib küll õigesti ennustada paljusid väikeseid hinnakõikumisi, kuid kasumid võivad nullida tasud ja tehingute turumõju. Riskijuhtimine on samuti ülioluline – ükski ennustus pole 100% kindel, seega peab iga tehisintellektil põhinev strateegia arvestama võimalike kahjudega (lossi peatamise korralduste, portfelli mitmekesistamise jms kaudu). Institutsioonid integreerivad tehisintellekti ennustused sageli laiemasse riskiraamistikku, et tagada, et tehisintellekt ei panustaks ennustusele, mis võib olla vale. Need praktilised kaalutlused tähendavad, et tehisintellekti teoreetiline eelis peab olema märkimisväärne, et sellest oleks kasu pärast reaalse maailma pingeid.

Kokkuvõttes on tehisintellektil märkimisväärsed võimalused, kuid need piirangud tagavad, et aktsiaturg jääb osaliselt prognoositavaks, osaliselt ettearvamatuks süsteemiks . Tehisintellekti mudelid saavad investori kasuks kallutada, analüüsides andmeid tõhusamalt ja paljastades võimalikke peeneid ennustavaid signaale. Tõhusa hinnakujunduse, müraste andmete, ettenägematute sündmuste ja praktiliste piirangute kombinatsioon tähendab aga seda, et isegi parim tehisintellekt eksib mõnikord – sageli ettearvamatult.

Tehisintellekti mudelite toimivus: mida tõendid näitavad?

Arvestades nii käsitletud edusamme kui ka väljakutseid, mida oleme õppinud uuringutest ja reaalsetest katsetest rakendada tehisintellekti aktsiate ennustamisel? Seni on tulemused erinevad, tuues esile nii paljulubavaid edusamme kui ka kainestavaid ebaõnnestumisi :

• Näited tehisintellekti paremast sooritusest kui juhuslikud arvutused: Mitmed uuringud on näidanud, et tehisintellekti mudelid suudavad teatud tingimustel juhuslikest arvutustest üle olla. Näiteks 2024. aasta uuringus rakendati LSTM-närvivõrku Vietnami aktsiaturu aktsiahinna trendide ja teatati kõrgest ennustustäpsusest – umbes 93% testandmete põhjal ( Masinõppe algoritmide rakendamine aktsiahinna trendi ennustamiseks aktsiaturul – Vietnami juhtum | Humanities and Social Sciences Communications ). See viitab sellele, et sellel turul (areneva majandusega riik) suutis mudel tabada järjepidevaid mustreid, võimalik, et seetõttu, et turul esines ebaefektiivsust või tugevaid tehnilisi trende, mida LSTM õppis. Teine 2024. aasta uuring võttis laiema ulatuse: teadlased püüdsid ennustada kõigi S&P 500 aktsiate (palju tõhusam turg) lühiajalist tootlust, kasutades masinõppe mudeleid. Nad sõnastasid selle klassifitseerimisprobleemina – ennustades, kas aktsia edestab indeksit järgmise 10 päeva jooksul 2% võrra –, kasutades selliseid algoritme nagu Random Forests, SVM ja LSTM. Tulemus: LSTM-mudel edestas nii teisi masinõppemudeleid kui ka juhuslikku baasjoont , kusjuures tulemused olid statistiliselt piisavalt olulised, et viidata sellele, et tegemist polnud lihtsalt õnnega ( S&P 500 aktsiate suhtelise tootluse prognoosimine masinõppe abil | Financial Innovation | Full Text juhusliku jalutuskäigu hüpoteesi tõenäosus „ebaoluliselt väike“, mis näitab, et nende masinõppemudelid leidsid reaalseid ennustussignaale. Need näited näitavad, et tehisintellekt suudab tõepoolest tuvastada mustreid, mis annavad aktsiate liikumise ennustamisel eelise (isegi kui tagasihoidliku), eriti suurte andmekogumite peal testimisel.

• Märkimisväärsed kasutusjuhud tööstuses: Lisaks akadeemilistele uuringutele on teateid riskifondidest ja finantsasutustest, kes on oma kauplemistegevuses edukalt tehisintellekti kasutanud. Mõned kõrgsageduskauplemisega tegelevad ettevõtted kasutavad tehisintellekti turu mikrostruktuuri mustrite äratundmiseks ja neile reageerimiseks sekundi murdosa jooksul. Suurtel pankadel on tehisintellektil põhinevad mudelid portfelli jaotamiseks ja riskide prognoosimiseks , mis, kuigi mitte alati ei ennusta ühe aktsia hinda, hõlmavad turu aspektide (nt volatiilsus või korrelatsioonid) prognoosimist. Samuti on olemas tehisintellektil põhinevad fondid (sageli nimetatakse neid "kvantfondideks"), mis kasutavad kauplemisotsuste tegemiseks masinõpet – mõned on teatud perioodidel turgu edestanud, kuigi seda on raske rangelt tehisintellektile omistada, kuna nad kasutavad sageli inimese ja masina intelligentsuse kombinatsiooni. Konkreetne rakendus on sentimentaalse analüüsi tehisintellekti kasutamine: näiteks uudiste ja Twitteri skannimine, et ennustada, kuidas aktsiahinnad vastuseks liiguvad. Sellised mudelid ei pruugi olla 100% täpsed, kuid need võivad anda kauplejatele väikese edumaa uudiste hinnakujunduses. Tasub märkida, et ettevõtted hoiavad edukate tehisintellekti strateegiate üksikasju tavaliselt intellektuaalomandina, seega kipuvad avalikus omandis olevad tõendid olema aeglased või anekdootlikud.

• Ebaedu ja ebaõnnestumiste juhtumid: Iga eduloo kohta on hoiatavaid lugusid. Paljud akadeemilised uuringud, mis väitsid ühel turul või ajaperioodil suurt täpsust, ei suutnud üldistada. Märkimisväärne eksperiment püüdis korrata edukat India aktsiaturu ennustusuuringut (millel oli tehniliste näitajate puhul masinõppe abil suur täpsus) USA aktsiate puhul. Korduvkatse ei leidnud olulist ennustusjõudu – tegelikult ületas naiivne strateegia, mis ennustas alati aktsia järgmisel päeval tõusu, keerulisi masinõppe mudeleid täpsuse poolest. Autorid jõudsid järeldusele, et nende tulemused "toetavad juhusliku jalutuskäigu teooriat" , mis tähendab, et aktsiate liikumised olid sisuliselt ettearvamatud ja masinõppe mudelid ei aidanud. See rõhutab, et tulemused võivad turult ja perioodist olenevalt dramaatiliselt erineda. Samamoodi on arvukad Kaggle'i võistlused ja kvantitatiivsete uuringute võistlused näidanud, et kuigi mudelid sobivad sageli hästi varasemate andmetega, taandub nende toimivus reaalajas kauplemisel uute tingimustega silmitsi seistes sageli 50% täpsuse poole (suuna ennustamiseks). Juhud nagu 2007. aasta kvantitatiivsete fondide kokkuvarisemine ja tehisintellektil põhinevate fondide raskused 2020. aasta pandeemiašoki ajal näitavad, et tehisintellekti mudelid võivad tururežiimi muutudes ootamatult komistada. Ellujäämiskallutatus on samuti tajumist mõjutav tegur – kuuleme tehisintellekti edulugudest sagedamini kui ebaõnnestumistest, kuid kulisside taga ebaõnnestuvad paljud mudelid ja fondid vaikselt ning sulguvad, kuna nende strateegiad lakkavad töötamast.

• Erinevused turgude vahel: Huvitav tähelepanek uuringutest on see, et tehisintellekti tõhusus võib sõltuda turu küpsusest ja tõhususest . Suhteliselt vähem tõhusatel või arenevatel turgudel võib esineda rohkem ärakasutatavaid mustreid (madalama analüütikute hõlmatuse, likviidsuspiirangute või käitumuslike eelarvamuste tõttu), mis võimaldab tehisintellekti mudelitel saavutada suuremat täpsust. Vietnami turu LSTM-uuring 93% täpsusega võib olla selle näiteks. Seevastu väga tõhusatel turgudel, nagu USA, võidakse need mustrid kiiresti arbitraaži teel kõrvaldada. Vietnami juhtumi ja USA replikatsiooniuuringu segased tulemused viitavad sellele lahknevusele. Globaalselt tähendab see, et tehisintellekt võib praegu anda paremat ennustusjõudlust teatud nišiturgudel või varaklassides (näiteks mõned on tehisintellekti rakendanud toormehindade või krüptovaluutade trendide ennustamiseks erineva eduga). Aja jooksul, kuna kõik turud liiguvad suurema efektiivsuse poole, kitseneb aken lihtsate ennustusvõitude saavutamiseks.

• Täpsus vs. kasumlikkus: Samuti on oluline eristada ennustuse täpsust investeeringu kasumlikkusest . Mudel võib aktsia igapäevase tõusu- või langusliikumise ennustamisel olla vaid näiteks 60% täpne – mis ei kõla eriti hästi –, kuid kui neid ennustusi kasutatakse nutikas kauplemisstrateegias, võivad need olla üsna kasumlikud. Seevastu mudel võib kiidelda 90% täpsusega, kuid kui 10% valedest juhtudest langevad kokku suurte turgliikumistega (ja seega suurte kahjudega), võib see olla kahjumlik. Paljud tehisintellektil põhinevad aktsiaennustused keskenduvad suuna täpsusele või vigade minimeerimisele, kuid investorid hoolivad riskiga korrigeeritud tootlusest. Seega hõlmavad hinnangud sageli selliseid näitajaid nagu Sharpe'i suhtarv, langused ja tulemuslikkuse järjepidevus, mitte ainult toores tabamusmäär. Mõned tehisintellektil põhinevad mudelid on integreeritud algoritmilistesse kauplemissüsteemidesse, mis haldavad positsioone ja riski automaatselt – nende tegelikku tulemuslikkust mõõdetakse reaalajas kauplemistootluse, mitte eraldiseisva ennustusstatistika abil. Seni on täielikult autonoomne „tehisintellektil põhinev kaupleja“, mis usaldusväärselt raha aasta-aastalt vermib, pigem ulme kui reaalsus, kuid kitsamad rakendused (näiteks tehisintellekti mudel, mis ennustab lühiajalist turu volatiilsust , mida kauplejad saavad kasutada optsioonide hinnastamiseks jne) on leidnud koha finantstööriistakastis.

Kokkuvõttes näitavad tõendid, et tehisintellekt suudab ennustada teatud turumustreid suurema täpsusega kui juhuslik ja seeläbi anda kauplemiseelise. See eelis on aga sageli väike ja selle ärakasutamiseks on vaja keerukat teostust. Kui keegi küsib, kas tehisintellekt suudab aktsiaturgu ennustada?, on praeguste tõendite põhjal kõige ausam vastus järgmine: tehisintellekt suudab mõnikord ennustada aktsiaturu aspekte teatud tingimustel, kuid see ei saa seda teha kõigi aktsiate puhul kogu aeg järjepidevalt . Edu kipub olema osaline ja kontekstist sõltuv.

Kokkuvõte: realistlikud ootused tehisintellekti osas aktsiaturu ennustamisel

Tehisintellektist ja masinõppest on kahtlemata saanud võimsad tööriistad finantsvaldkonnas. Need on suurepärased massiivsete andmekogumite töötlemisel, varjatud korrelatsioonide paljastamisel ja isegi strateegiate lennul kohandamisel. Aktsiaturu ennustamise otsinguil on tehisintellekt andnud käegakatsutavaid, kuid piiratud võite. Investorid ja institutsioonid võivad realistlikult oodata, et tehisintellekt aitab otsuste tegemisel – näiteks ennustavate signaalide genereerimise, portfellide optimeerimise või riskide juhtimise kaudu –, kuid mitte kristallkuulina, mis garanteerib kasumi.

Mida tehisintellekt
suudab teha: tehisintellekt saab parandada investeerimise analüütilist protsessi. See suudab sekunditega läbi sõeluda aastatepikkuse turuandmete, uudistevoogude ja finantsaruannete kogumi, tuvastades peeneid mustreid või anomaaliaid, mida inimene võib kahe silma vahele jätta ( Masinõppe kasutamine aktsiaturu ennustamiseks... | FMP ). See suudab ühendada sadu muutujaid (tehnilised, fundamentaalsed, sentimendilised jne) ühtseks prognoosiks. Lühiajalises kauplemises võivad tehisintellekti algoritmid ennustada veidi parema kui juhusliku täpsusega, et üks aktsia edestab teist või et turg on kohe kogemas volatiilsuse järsku tõusu. Need järkjärgulised eelised, kui neid õigesti ära kasutada, võivad tuua reaalset rahalist kasu. Tehisintellekt saab aidata ka riskide maandamises – tuvastada majanduslanguste varajasi hoiatusi või teavitada investoreid ennustuse usaldusväärsuse tasemest. Tehisintellekti teine ​​praktiline roll on strateegia automatiseerimises : algoritmid saavad tehinguid teostada suure kiiruse ja sagedusega, reageerida sündmustele ööpäevaringselt ja tagada distsipliini (mitte emotsionaalne kauplemine), mis võib olla kasulik volatiilsetel turgudel.

Mida tehisintellekt
ei suuda : Vaatamata meedias levivale kärale ei suuda tehisintellekt aktsiaturgu järjepidevalt ja usaldusväärselt ennustada terviklikus mõttes, st et see alati turgu edestaks või ette näeks olulisi pöördepunkte. Turge mõjutavad inimkäitumine, juhuslikud sündmused ja keerulised tagasisideahelad, mis trotsivad iga staatilist mudelit. Tehisintellekt ei kõrvalda ebakindlust; see tegeleb ainult tõenäosustega. Tehisintellekt võib näidata 70% tõenäosust, et aktsia hind homme tõuseb – mis tähendab ka 30% tõenäosust, et see ei tõuse. Kaotavad tehingud ja halvad ostuoptsioonid on vältimatud. Tehisintellekt ei suuda ette näha tõeliselt uusi sündmusi (mida sageli nimetatakse "mustadeks luikedeks"), mis jäävad väljapoole selle treeningandmete ulatust. Lisaks kutsub iga edukas ennustusmudel esile konkurentsi, mis võib selle eelise õõnestada. Sisuliselt puudub tehisintellekti ekvivalent kristallkuuliga, mis garanteeriks turu tuleviku ettenägelikkuse. Investorid peaksid olema ettevaatlikud kõigi suhtes, kes väidavad vastupidist.

Neutraalne, realistlik vaatenurk:
Neutraalsest vaatenurgast on tehisintellekti kõige parem vaadelda kui traditsioonilise analüüsi ja inimliku arusaama täiustust, mitte asendajat. Praktikas kasutavad paljud institutsionaalsed investorid tehisintellekti mudeleid koos inimanalüütikute ja portfellihaldurite sisendiga. Tehisintellekt võib küll numbreid analüüsida ja prognoose anda, kuid eesmärgid seavad, tulemusi tõlgendavad ja strateegiaid konteksti järgi kohandavad inimesed (nt mudeli tühistamine ettenägematu kriisi ajal). Jaeinvestorid, kes kasutavad tehisintellektil põhinevaid tööriistu või kauplemisroboteid, peaksid jääma valvsaks ning mõistma tööriista loogikat ja piiranguid. Tehisintellekti soovituse pimesi järgimine on riskantne – seda tuleks kasutada ühe sisendina paljude seas.

Realistlike ootuste seadmisel võiks järeldada järgmist: tehisintellekt suudab aktsiaturgu teatud määral ennustada, kuid mitte kindlalt ja mitte veatult . See võib õige otsuse tegemise tõenäosust tõhusust , mis konkurentsitihedatel turgudel võib olla kasumi ja kahjumi vahe. Siiski ei saa see garanteerida edu ega kõrvaldada aktsiaturgude loomupärast volatiilsust ja riski. Nagu üks väljaanne märkis, võivad isegi tõhusate algoritmide korral aktsiaturu tulemused olla modelleeritud teabest väljaspool asuvate tegurite tõttu „loomupäraselt ettearvamatud” Stock Market Prediction Using Deep Reinforcement Learning ).

Edasine tee:
Tulevikku vaadates kasvab tehisintellekti roll aktsiaturu ennustamisel tõenäoliselt. Käimasolevad uuringud tegelevad mõningate piirangutega (näiteks mudelite väljatöötamine, mis arvestavad režiimimuutustega, või hübriidsüsteemide väljatöötamine, mis hõlmavad nii andmepõhist kui ka sündmustepõhist analüüsi). Samuti on huvi tugevdusõppe agentide , mis kohanduvad pidevalt uute turuandmetega reaalajas ja mis võiksid potentsiaalselt paremini toime tulla muutuva keskkonnaga kui staatiliselt treenitud mudelid. Lisaks võib tehisintellekti kombineerimine käitumusliku rahanduse või võrgustikuanalüüsi tehnikatega anda turudünaamikast rikkalikumaid mudeleid. Sellest hoolimata tegutseb isegi kõige arenenum tuleviku tehisintellekt tõenäosuse ja ebakindluse piirides.

Kokkuvõttes ei ole küsimusele „Kas tehisintellekt suudab aktsiaturgu ennustada?“ lihtsat jah- või ei-vastust. Kõige täpsem vastus on: tehisintellekt aitab aktsiaturgu ennustada, kuid see ei ole eksimatu. See pakub võimsaid tööriistu, mis targalt kasutades aitavad prognoosimist ja kauplemisstrateegiaid täiustada, kuid ei kõrvalda turgude fundamentaalset ettearvamatust. Investorid peaksid tehisintellekti omaks võtma selle tugevuste – andmetöötluse ja mustrite äratundmise – tõttu, jäädes samal ajal teadlikuks selle nõrkustest. Seda tehes saab rakendada mõlema maailma parimaid külgi: inimlikku otsustusvõimet ja masinintellekti koos töötamist. Aktsiaturg ei pruugi kunagi olla 100% prognoositav, kuid realistlike ootuste ja tehisintellekti mõistliku kasutamise abil saavad turuosalised pidevalt muutuvas finantsmaastikul püüelda teadlikumate ja distsiplineeritumate investeerimisotsuste poole.

Pärast seda dokumenti võiksid lugeda järgmised ametlikud dokumendid:

🔗 Töökohad, mida tehisintellekt ei suuda asendada – ja milliseid töökohti tehisintellekt asendab?
Avasta, millised karjäärid on tulevikukindlad ja millised on kõige suuremas ohus, kuna tehisintellekt kujundab ümber globaalset tööhõivet.

🔗 Mille peale saab generatiivne tehisintellekt ilma inimese sekkumiseta toetuda?
Saage aru generatiivse tehisintellekti praegustest piiridest ja autonoomsetest võimalustest praktilistes olukordades.

🔗 Kuidas saab generatiivset tehisintellekti küberturvalisuses kasutada?
Siit saate teada, kuidas tehisintellekt kaitseb ohtude eest ja suurendab kübervastupidavust ennustavate ja autonoomsete tööriistade abil.