Getur gervigreind spáð fyrir um hlutabréfamarkaðinn?

Inngangur

Að spá fyrir um hlutabréfamarkaðinn hefur lengi verið fjármálagerningur sem bæði stofnanafjárfestar og smásalar um allan heim sækjast eftir. Með nýlegum framförum í gervigreind (AI) og vélanámi (ML) velta margir fyrir sér hvort þessar tækni hafi loksins afhjúpað leyndarmálið á bak við spár um hlutabréfaverð. Getur gervigreind spáð fyrir um hlutabréfamarkaðinn? Þessi hvítbók skoðar þá spurningu frá alþjóðlegu sjónarhorni og lýsir því hvernig gervigreindarknúnar líkön reyna að spá fyrir um markaðshreyfingar, fræðilegum grunni þessara líkana og raunverulegum takmörkunum sem þau standa frammi fyrir. Við kynnum óhlutdræga greiningu, byggða á rannsóknum frekar en ofsóknum, á því hvað gervigreind getur og getur ekki gert í samhengi við spár um fjármálamarkaði.

Í fjármálakenningum er áskorun spáa undirstrikuð með tilgátunni um skilvirka markaðinn (EMH) . EMH (sérstaklega í sinni „sterku“ mynd) setur fram þá kenningu að hlutabréfaverð endurspegli að fullu allar tiltækar upplýsingar á hverjum tíma, sem þýðir að enginn fjárfestir (ekki einu sinni innherjar) geti stöðugt skilað betri árangri en markaðurinn með því að eiga viðskipti með tiltækum upplýsingum ( Gagnadrifnar spálíkön fyrir hlutabréf byggð á tauganetum: Yfirlit ). Einfaldlega sagt, ef markaðir eru mjög skilvirkir og verð hreyfist af handahófi , þá ætti að vera nær ómögulegt að spá nákvæmlega fyrir um framtíðarverð. Þrátt fyrir þessa kenningu hefur freistingin að sigra markaðinn hvatt til umfangsmikilla rannsókna á háþróuðum spáaðferðum. Gervigreind og vélanám hafa orðið lykilatriði í þessari leit, þökk sé getu þeirra til að vinna úr miklu magni gagna og bera kennsl á lúmsk mynstur sem menn gætu misst af ( Að nota vélanám til að spá fyrir um hlutabréfamarkaði... | FMP ).

Þessi hvítbók veitir ítarlegt yfirlit yfir aðferðir gervigreindar sem notaðar eru til að spá fyrir um hlutabréfamarkaði og metur árangur þeirra. Við munum kafa djúpt í fræðilegan grunn vinsælla líkana (allt frá hefðbundnum tímaröðaraðferðum til djúpra taugakerfa og styrkingarnáms), ræða gögnin og þjálfunarferlið fyrir þessi líkön og varpa ljósi á helstu takmarkanir og áskoranir sem slík kerfi standa frammi fyrir, svo sem markaðshagkvæmni, gagnahávaða og ófyrirséðir ytri atburðir. Raunverulegar rannsóknir og dæmi eru með til að sýna fram á misvísandi niðurstöður sem náðst hafa hingað til. Að lokum ljúkum við með raunhæfum væntingum til fjárfesta og sérfræðinga: við viðurkennum glæsilegan getu gervigreindar en viðurkennum að fjármálamarkaðir halda áfram að vera ófyrirsjáanlegur sem enginn reiknirit getur útrýmt að fullu.

Fræðileg undirstaða gervigreindar í spám um hlutabréfamarkaði

Nútíma spár um hlutabréf byggðar á gervigreind byggja á áratuga rannsóknum í tölfræði, fjármálum og tölvunarfræði. Það er gagnlegt að skilja fjölbreytt úrval aðferða, allt frá hefðbundnum líkönum til nýjustu gervigreindar:

• Hefðbundin tímaröðarlíkön: Snemmbúnar spár um hlutabréf byggðust á tölfræðilegum líkönum sem gera ráð fyrir mynstrum í fyrri verði og geta spáð fyrir um framtíðina. Líkön eins og ARIMA (Auto-Regressive Integrated Moving Average) og ARCH/GARCH einbeita sér að því að fanga línulega þróun og sveiflukenndan þyrpingu í tímaröðargögnum ( Gagnastýrð spálíkön fyrir hlutabréf byggð á tauganetum: Yfirlit ). Þessi líkön veita grunn fyrir spár með því að líkja eftir sögulegum verðröðum út frá forsendum um stöðugleika og línuleika. Þótt hefðbundin líkön séu gagnleg eiga þau oft í erfiðleikum með flókin, ólínuleg mynstur raunverulegra markaða, sem leiðir til takmarkaðrar spánákvæmni í reynd ( Gagnastýrð spálíkön fyrir hlutabréf byggð á tauganetum: Yfirlit ).

• Vélanámsreiknirit: Vélanámsaðferðir fara lengra en fyrirfram skilgreindar tölfræðilegar formúlur með því að læra mynstur beint úr gögnum . Reiknirit eins og stuðningsvektorvélar (SVM) , handahófskenndir skógar og hallastyrking hafa verið notuð til að spá fyrir um hlutabréf. Þau geta fellt inn fjölbreytt úrval af inntakseiginleikum - allt frá tæknilegum vísbendingum (td hlaupandi meðaltölum, viðskiptamagni) til grundvallarvísbendinga (td hagnaðar, þjóðhagslegra gagna) - og fundið ólínuleg tengsl á milli þeirra. Til dæmis getur handahófskennd skógar- eða hallastyrkingarlíkan tekið tillit til tugi þátta samtímis og fangað víxlverkanir sem einfalt línulegt líkan gæti misst af. Þessi vélanámslíkön hafa sýnt fram á getu til að bæta spárnákvæmni lítillega með því að greina flókin merki í gögnunum ( Að nota vélanám til að spá fyrir um hlutabréfamarkaði... | FMP ). Hins vegar þurfa þau vandlega stillingu og nægileg gögn til að forðast ofstillingu (námshávaði frekar en merki).

• Djúpnám (tauganet): Djúp tauganet , innblásin af uppbyggingu mannsheilans, hafa notið mikilla vinsælda til að spá fyrir um hlutabréfamarkaði á undanförnum árum. Meðal þessara eru endurteknar tauganet (RNN) og afbrigði þeirra af langtímaminni (LSTM) netum sérstaklega hönnuð fyrir raðgögn eins og tímaraðir hlutabréfaverðs. LSTM geta geymt minni um fyrri upplýsingar og fangað tímabundnar tengsl, sem gerir þau vel til þess fallin að líkja eftir þróun, lotum eða öðrum tímaháðum mynstrum í markaðsgögnum. Rannsóknir benda til þess að LSTM og önnur djúpnámslíkön geti fangað flókin, ólínuleg tengsl í fjárhagsgögnum sem einfaldari líkön missa af. Aðrar djúpnámsaðferðir eru meðal annars fellingartauganet (CNN) (stundum notuð á tæknilegum vísbendingum eða kóðuðum röðum), spennubreytar (sem nota athygliskerfi til að vega og meta mikilvægi mismunandi tímaskrefa eða gagnalinda) og jafnvel grafísk tauganet (GNN) (til að líkja eftir tengslum milli hlutabréfa í markaðsgrafi). Þessi háþróuðu tauganet geta ekki aðeins tekið með sér verðgögn heldur einnig aðrar gagnalindir eins og fréttatexta, tilfinningar á samfélagsmiðlum og fleira, og lært abstrakt atriði sem geta spáð fyrir um markaðshreyfingar ( Notkun vélanáms til að spá fyrir um hlutabréfamarkaði... | FMP ). Sveigjanleiki djúpnáms hefur sinn kostnað: þau eru gagnafrek, reiknifrek og virka oft sem „svartir kassar“ með minni túlkunarauðveldi.

• Styrkingarnám: Önnur vídd í spám um hlutabréf með gervigreind er styrkingarnám (RL) , þar sem markmiðið er ekki bara að spá fyrir um verð, heldur að læra bestu viðskiptastefnu. Í RL-ramma umboðsmaður (gervigreindarlíkanið) samskipti við umhverfi (markaðinn) með því að grípa til aðgerða (kaupa, selja, halda) og fá umbun (hagnað eða tap). Með tímanum lærir umboðsmaðurinn stefnu sem hámarkar uppsafnaða umbun. Djúpstyrkingarnám (DRL) sameinar tauganet og styrkingarnám til að takast á við stórt ástandsrými markaða. Aðdráttarafl RL í fjármálum felst í hæfni þess til að íhuga röð ákvarðana og hámarka beint fjárfestingarávöxtun, frekar en að spá fyrir um verð eingöngu. Til dæmis gæti RL-umboðsmaður lært hvenær á að fara inn í eða út úr stöðu út frá verðmerkjum og jafnvel aðlagað sig að breytingum á markaðsaðstæðum. Athyglisvert er að RL hefur verið notað til að þjálfa gervigreindarlíkön sem keppa í megindlegum viðskiptakeppnum og í sumum eigin viðskiptakerfum. Hins vegar standa aðferðir styrkingarnáms (RL) einnig frammi fyrir verulegum áskorunum: þær krefjast mikillar þjálfunar (líkja eftir árum viðskipta), geta orðið fyrir óstöðugleika eða frávikshegðun ef þær eru ekki vandlega stilltar og frammistaða þeirra er mjög næm fyrir fyrirhuguðu markaðsumhverfi. Rannsakendur hafa tekið eftir vandamálum eins og miklum útreikningskostnaði og stöðugleikavandamálum við beitingu styrkingarnáms á flókna hlutabréfamarkaði. Þrátt fyrir þessar áskoranir er styrkingarnám efnileg aðferð, sérstaklega þegar hún er notuð samhliða öðrum aðferðum (t.d. notkun verðspálíkana ásamt RL-byggðri úthlutunarstefnu) til að mynda blönduð ákvarðanatökukerfi ( hlutabréfamarkaðsspá með djúpri styrkingarnámi ).

Gagnaheimildir og þjálfunarferli

Óháð gerð líkansins eru gögnin burðarás í spám um hlutabréfamarkað með gervigreind. Líkön eru yfirleitt þjálfuð út frá sögulegum markaðsgögnum og öðrum skyldum gagnasöfnum til að greina mynstur. Algengar gagnaheimildir og eiginleikar eru meðal annars:

• Söguleg verð og tæknilegir vísbendingar: Næstum allar gerðir nota fyrri hlutabréfaverð (opnun, hæsta, lægsta, lokun) og viðskiptamagn. Út frá þessu leiða greinendur oft út tæknilega vísbendingar (hlaupandi meðaltöl, hlutfallslegan styrkleikavísitölu, MACD o.s.frv.) sem inntak. Þessir vísbendingar geta hjálpað til við að varpa ljósi á þróun eða skriðþunga sem líkanið gæti nýtt sér. Til dæmis gæti líkan tekið sem inntak verð og viðskiptamagn síðustu 10 daga, auk vísbendinga eins og 10 daga hlaupandi meðaltals eða sveiflumælinga, til að spá fyrir um verðhreyfingar næsta dag.

• Markaðsvísitölur og efnahagsgögn: Margar gerðir innihalda víðtækari markaðsupplýsingar, svo sem vísitölustig, vexti, verðbólgu, hagvöxt eða aðra efnahagsvísa. Þessir þjóðhagsþættir veita samhengi (t.d. almenna markaðsstemningu eða efnahagslegt ástand) sem getur haft áhrif á afkomu einstakra hlutabréfa.

• Fréttir og gögn um viðhorf: Fjöldi gervigreindarkerfa færist í aukana með ómótað gögn eins og fréttagreinar, samfélagsmiðla (Twitter, Stocktwits) og fjárhagsskýrslur. Náttúruleg tungumálsvinnsla (NLP), þar á meðal háþróuð líkön eins og BERT, eru notuð til að meta markaðsviðhorf eða greina viðeigandi atburði. Til dæmis, ef fréttaviðhorf verða skyndilega neikvætt fyrir fyrirtæki eða geira, gæti gervigreindarlíkan spáð fyrir um lækkun á hlutabréfaverði viðkomandi. Með því að vinna úr fréttum og viðhorfum í rauntíma á samfélagsmiðlum getur gervigreind brugðist hraðar við nýjum upplýsingum en mannlegir kaupmenn.

• Önnur gögn: Sumir háþróaðir vogunarsjóðir og gervigreindarrannsakendur nota aðrar gagnalindir – gervihnattamyndir (fyrir umferð í verslunum eða iðnaðarstarfsemi), gögn um kreditkortafærslur, þróun vefleitar o.s.frv. – til að fá spár. Þessi óhefðbundnu gagnasöfn geta stundum þjónað sem leiðandi vísbendingar um afkomu hlutabréfa, þó þau flæki einnig líkanaþjálfun.

Þjálfun gervigreindarlíkans til að spá fyrir um hlutabréf felur í sér að færa það með þessum sögulegu gögnum og aðlaga breytur líkansins til að lágmarka spávillu. Venjulega eru gögnin skipt í þjálfunarsett (t.d. eldri sögu til að læra mynstur) og prófunar-/staðfestingarsett (nýrri gögn til að meta frammistöðu við óséðar aðstæður). Vegna raðbundinnar eðlis markaðsgagna er þess gætt að forðast að „kíkja inn í framtíðina“ - til dæmis eru líkön metin á gögnum frá tímabilum eftir þjálfunartímabilið til að herma eftir því hvernig þau myndu standa sig í raunverulegum viðskiptum. Krossstaðfestingaraðferðir sem eru aðlagaðar að tímaröðum (eins og göngustaðfesting) eru notaðar til að tryggja að líkanið alhæfi vel og sé ekki bara aðlagað að einu tilteknu tímabili.

Þar að auki verða sérfræðingar að taka á málum sem varða gagnagæði og forvinnslu. Gögn sem vantar, útlagagildi (t.d. skyndilegar hækkanir vegna hlutabréfaskipta eða einstökum atburðum) og breytingar á markaðsfyrirkomulagi geta allt haft áhrif á líkanaþjálfun. Tækni eins og normalisering, þróunarminnkun eða árstíðabundin minnkun má beita á inntaksgögnin. Sumar háþróaðar aðferðir sundurliða verðraðir í þætti (þróun, sveiflur, hávaði) og líkja þeim sérstaklega (eins og sést í rannsóknum sem sameina breytileikaniðurbrot og tauganet ( hlutabréfamarkaðsspá með djúpri styrkingarnámi )).

Mismunandi líkön hafa mismunandi þjálfunarkröfur: djúpnámslíkön gætu þurft hundruð þúsunda gagnapunkta og notið góðs af GPU-hröðun, en einfaldari líkön eins og lógísk aðhvarfsgreining geta lært af tiltölulega minni gagnasöfnum. Styrkingarnámslíkön þurfa hermir eða umhverfi til að hafa samskipti við; stundum eru söguleg gögn endurspiluð fyrir RL-umboðsmanninn eða markaðshermir eru notaðir til að búa til reynslu.

Að lokum, þegar þessi líkön hafa verið þjálfuð, gefa þau spágildi – til dæmis úttak sem gæti verið spáð verð fyrir morgundaginn, líkur á að hlutabréf hækki eða ráðlagður aðgerð (kaup/sala). Þessar spár eru síðan venjulega samþættar viðskiptaáætlun (með staðsetningarstærð, áhættustýringarreglum o.s.frv.) áður en raunverulegum peningum er hætt.

Takmarkanir og áskoranir

Þótt gervigreindarlíkön séu orðin ótrúlega háþróuð, þá er spá um hlutabréfamarkaði enn í eðli sínu krefjandi verkefni . Eftirfarandi eru helstu takmarkanir og hindranir sem koma í veg fyrir að gervigreind sé örugg spákona á mörkuðum:

• Markaðshagkvæmni og handahófskennd tilgáta: Eins og áður hefur komið fram heldur tilgátan um skilvirkan markað því fram að verð endurspegli þegar þekktar upplýsingar, þannig að allar nýjar upplýsingar valda tafarlausum leiðréttingum. Í reynd þýðir þetta að verðbreytingar eru að miklu leyti knúnar áfram af óvæntum fréttum eða handahófskenndum sveiflum. Reyndar hafa áratuga rannsóknir leitt í ljós að skammtímahreyfingar á hlutabréfaverði líkjast handahófskenndri göngu ( Gagnadrifnar spálíkön fyrir hlutabréf byggð á tauganetum: Yfirlit ) - verð gærdagsins hefur lítil áhrif á verð morgundagsins, umfram það sem tilviljun myndi spá fyrir um. Ef hlutabréfaverð er í raun handahófskennt eða „skilvirkt“ getur enginn reiknirit spáð fyrir um það með mikilli nákvæmni. Eins og ein rannsókn orðaði það stuttlega, „tilgátan um handahófskennda göngu og tilgátan um skilvirkan markað segja í raun að það sé ekki hægt að spá kerfisbundið og áreiðanlega fyrir um framtíðarhlutabréfaverð“ ( Spá um hlutfallslega ávöxtun S&P 500 hlutabréfa með vélanámi | Fjármálanýjungar | Fullur texti ). Þetta þýðir ekki að spár gervigreindar séu alltaf gagnslausar, en það undirstrikar grundvallartakmörkun: stór hluti hreyfinga markaðarins getur einfaldlega verið hávaði sem jafnvel besta líkanið getur ekki spáð fyrir um fyrirfram.

• Hávaði og ófyrirsjáanlegir ytri þættir: Hlutabréfaverð er undir áhrifum fjölmargra þátta, en margir þeirra eru utanaðkomandi og ófyrirsjáanlegir. Landfræðilegir atburðir (stríð, kosningar, reglugerðarbreytingar), náttúruhamfarir, heimsfaraldrar, skyndileg fyrirtækjahneykslismál eða jafnvel sögusagnir á samfélagsmiðlum geta allir breytt mörkuðum óvænt. Þetta eru atburðir sem líkan getur ekki haft fyrirfram þjálfunargögn (vegna þess að þeir eru fordæmalausir) eða sem eiga sér stað sem sjaldgæf áföll. Til dæmis hefði ekkert gervigreindarlíkan sem þjálfað var á sögulegum gögnum frá 2010–2019 getað séð sérstaklega fyrir COVID-19 hrunið snemma árs 2020 eða hraða endurkomu þess. Fjármálagervigreindarlíkön eiga í erfiðleikum þegar stjórnkerfi breytast eða þegar einstakur atburður knýr verð áfram. Eins og ein heimild bendir á geta þættir eins og landfræðilegir atburðir eða skyndilegar útgáfur af efnahagsgögnum gert spár úreltar nánast samstundis ( Að nota vélanám til að spá fyrir um hlutabréfamarkaði... | FMP ) ( Að nota vélanám til að spá fyrir um hlutabréfamarkaði... | FMP ). Með öðrum orðum geta ófyrirséðar fréttir alltaf hnekkt reikniritaspám og skapað óvissu sem er ólæknandi.

• Ofmátun og alhæfing: Vélanámslíkön eru viðkvæm fyrir ofmátun – sem þýðir að þau gætu lært „hávaðann“ eða sérkenni í þjálfunargögnunum of vel, frekar en undirliggjandi almenn mynstur. Ofmát líkan getur staðið sig frábærlega á sögulegum gögnum (jafnvel með því að sýna glæsilega bakprófaða ávöxtun eða mikla nákvæmni innan úrtaks) en síðan mistekist hrapallega á nýjum gögnum. Þetta er algeng gryfja í megindlegri fjármálum. Til dæmis gæti flókið tauganet tekið eftir fölskum fylgni sem héldust í fortíðinni fyrir tilviljun (eins og ákveðin samsetning af vísbendingum sem komu á undan hækkunum síðustu 5 ár) en þessi tengsl gætu ekki haldist áfram. Hagnýt dæmi: hægt væri að hanna líkan sem spáir fyrir um að sigurvegarar hlutabréfa síðasta árs muni alltaf hækka – það gæti passað við ákveðið tímabil, en ef markaðsfyrirkomulagið breytist rofnar það mynstur. Ofmátun leiðir til lélegrar frammistöðu utan úrtaks , sem þýðir að spár líkansins í lifandi viðskiptum geta ekki verið betri en tilviljunarkenndar þrátt fyrir að líta vel út í þróun. Til að forðast ofmátun þarf aðferðir eins og reglusetningu, að halda flækjustigi líkansins í skefjum og nota öfluga staðfestingu. Hins vegar gerir flækjustigið sem gefur gervigreindarlíkönum kraftinn þau einnig viðkvæm fyrir þessu vandamáli.

• Gæði og aðgengi gagna: Málið „rusl inn, rusl út“ á sterklega við um gervigreind í spám um hlutabréf. Gæði, magn og mikilvægi gagna hefur veruleg áhrif á afköst líkana. Ef söguleg gögn eru ófullnægjandi (t.d. ef reynt er að þjálfa djúpt net á aðeins fáeinum árum af hlutabréfaverði) eða ekki dæmigerð (t.d. ef gögn frá að mestu leyti uppsveiflutímabili eru notuð til að spá fyrir um neikvæðar horfur), mun líkanið ekki alhæfa vel. Gögn geta einnig verið skekkt eða geta lifað af (til dæmis lækka hlutabréfavísitölur náttúrulega fyrirtæki sem standa sig illa með tímanum, þannig að söguleg vísitölugögn geta verið skekkt upp á við). Hreinsun og söfnun gagna er ekki ómerkilegt verkefni. Að auki aðrar gagnalindir verið dýrar eða erfiðar að nálgast, sem gæti gefið stofnanafjárfestum forskot en skilið smásölufjárfestum eftir með minna ítarleg gögn. Það er líka tíðnimálið : tíðni viðskiptalíkön þurfa tíma-fyrir-tíma gögn sem eru gríðarleg að umfangi og þurfa sérstaka innviði, en líkön með lægri tíðni gætu notað dagleg eða vikuleg gögn. Að tryggja að gögnin séu samræmd í tíma (t.d. fréttir við samsvarandi verðgögn) og laus við framsýni er stöðug áskorun.

• Gagnsæi og túlkun líkana: Margar gervigreindarlíkön, sérstaklega djúpnámslíkön, virka eins og svartir kassar . Þær gætu gefið frá sér spá eða viðskiptamerki án þess að auðvelt sé að útskýra ástæðu. Þessi skortur á gagnsæi getur verið vandasamur fyrir fjárfesta - sérstaklega stofnanafjárfesta sem þurfa að réttlæta ákvarðanir fyrir hagsmunaaðilum eða fylgja reglugerðum. Ef gervigreindarlíkan spáir því að hlutabréf muni lækka og mælir með sölu, gæti eignasafnsstjóri hikað ef hann skilur ekki rökstuðninginn. Óskýr ákvarðanir gervigreindar geta dregið úr trausti og notkun, óháð nákvæmni líkansins. Þessi áskorun hvetur til rannsókna á útskýranlegri gervigreind fyrir fjármál, en það er samt sem áður rétt að oft er málamiðlun milli flækjustigs/nákvæmni líkana og túlkunarhæfni.

• Aðlögunarhæfir markaðir og samkeppni: Mikilvægt er að hafa í huga að fjármálamarkaðir eru aðlögunarhæfir . Þegar spámynstur er uppgötvað (með gervigreind eða einhverri aðferð) og notað af mörgum kaupmönnum, getur það hætt að virka. Til dæmis, ef gervigreindarlíkan kemst að því að ákveðið merki kemur oft á undan hækkun hlutabréfa, munu kaupmenn byrja að bregðast við því merki fyrr og þannig hagræða tækifærinu. Í raun geta markaðir þróast til að ógilda þekktar aðferðir . Í dag nota mörg viðskiptafyrirtæki og sjóðir gervigreind og vélanám. Þessi samkeppni þýðir að forskot er oft lítið og skammvinnt. Niðurstaðan er sú að gervigreindarlíkön gætu þurft stöðuga endurþjálfun og uppfærslu til að halda í við breyttar markaðsdýnamík. Á mjög lausafjársterkum og þroskuðum mörkuðum (eins og stórfyrirtækjamarkaði í Bandaríkjunum) eru fjölmargir háþróaðir aðilar að leita að sömu merkjum, sem gerir það afar erfitt að viðhalda forskoti. Aftur á móti, á minna skilvirkum mörkuðum eða sérhæfðum eignum, gæti gervigreind fundið tímabundna óhagkvæmni - en þegar þessir markaðir nútímavæðast gæti bilið minnkað. Þessi breytileiki markaða er grundvallaráskorun: „leikreglurnar“ eru ekki óbreyttar, þannig að líkan sem virkaði í fyrra gæti þurft að vera endurskoðað á næsta ári.

• Raunverulegar takmarkanir: Jafnvel þótt gervigreindarlíkan gæti spáð fyrir um verð með sæmilegri nákvæmni, þá er önnur áskorun að breyta spám í hagnað. Viðskipti hafa í för með sér viðskiptakostnað , svo sem þóknun, verðfall og skatta. Líkan gæti spáð fyrir um margar litlar verðhreyfingar rétt, en hagnaðurinn gæti verið þurrkaður út af gjöldum og markaðsáhrifum viðskipta. Áhættustýring er einnig mikilvæg - engin spá er 100% örugg, þannig að öll gervigreindarstýrð stefna verður að taka tillit til hugsanlegs taps (með stöðvunar-tapfyrirmælum, dreifingu eignasafns o.s.frv.). Stofnanir samþætta oft gervigreindarspár í víðtækara áhættukerfi til að tryggja að gervigreindin veðji ekki á spá sem gæti verið röng. Þessi hagnýtu atriði þýða að fræðilegur kostur gervigreindar verður að vera verulegur til að vera gagnlegur eftir raunverulegar núningar.

Í stuttu máli sagt býr gervigreind yfir miklum möguleikum, en þessar takmarkanir tryggja að hlutabréfamarkaðurinn sé að hluta til fyrirsjáanlegt og að hluta til ófyrirsjáanlegt kerfi . Gervigreindarlíkön geta hallað líkunum í hag fjárfesta með því að greina gögn á skilvirkari hátt og hugsanlega afhjúpa lúmsk spámerki. Hins vegar þýðir samsetning skilvirkrar verðlagningar, háværra gagna, ófyrirséðra atburða og hagnýtra takmarkana að jafnvel besta gervigreindin mun stundum hafa rangt fyrir sér - oft ófyrirsjáanlega.

Afköst gervigreindarlíkana: Hvað segja sönnunargögnin?

Í ljósi bæði þeirra framfara og áskorana sem rætt hefur verið um, hvað höfum við lært af rannsóknum og raunverulegum tilraunum til að beita gervigreind í spám um hlutabréf? Niðurstöðurnar hingað til eru misjafnar og sýna bæði fram á efnilegan árangur og alvarleg mistök :

• Dæmi um að gervigreind standi sig betur en tilviljunarkennd: Nokkrar rannsóknir hafa sýnt fram á að gervigreindarlíkön geta sigrað tilviljunarkenndar ágiskanir við ákveðnar aðstæður. Til dæmis notaði rannsókn frá árinu 2024 LSTM tauganet til að spá fyrir um þróun á víetnamska hlutabréfamarkaðinum og greindi frá mikilli spánákvæmni – um 93% á prófunargögnum ( Beiting vélanámsreiknirita til að spá fyrir um þróun hlutabréfaverðs á hlutabréfamarkaði – Tilfellið Víetnam | Hugvísinda- og félagsvísindasamskipti ). Þetta bendir til þess að á þeim markaði (vaxtarhagkerfi) hafi líkanið getað fangað samræmd mynstur, hugsanlega vegna þess að markaðurinn hafði óhagkvæmni eða sterka tæknilega þróun sem LSTM lærði. Önnur rannsókn árið 2024 tók víðara svið: vísindamenn reyndu að spá fyrir um skammtímaávöxtun fyrir öll S&P 500 hlutabréf (mun skilvirkari markaður) með því að nota vélanámslíkön. Þeir skilgreindu það sem flokkunarvandamál – að spá fyrir um hvort hlutabréf muni standa sig 2% betur en vísitöluna næstu 10 daga – með því að nota reiknirit eins og Random Forests, SVM og LSTM. Niðurstaðan: LSTM líkanið stóð sig betur en bæði hin vélanámslíkönin og handahófskennd grunnlína , með niðurstöðum sem voru tölfræðilega marktækar nógu til að benda til þess að þetta væri ekki bara heppni ( Spá um hlutfallslega ávöxtun fyrir S&P 500 hlutabréf með vélanámi | Fjármálanýsköpun | Fullur texti ). Höfundarnir komust jafnvel að þeirri niðurstöðu að í þessari tilteknu uppsetningu væru líkurnar á að tilgátan um handahófsgöngu stæðist „hverfandi litlar“, sem bendir til þess að vélanámslíkön þeirra hafi fundið raunveruleg spámerki. Þessi dæmi sýna að gervigreind getur sannarlega greint mynstur sem veita forskot (jafnvel þótt það sé hóflegt) við að spá fyrir um hreyfingar hlutabréfa, sérstaklega þegar það er prófað á stórum gagnasöfnum.

• Athyglisverð notkunartilvik í atvinnulífinu: Utan fræðilegra rannsókna eru til skýrslur um vogunarsjóði og fjármálastofnanir sem nota gervigreind með góðum árangri í viðskiptastarfsemi sinni. Sum fyrirtæki sem stunda hátíðniviðskipti nota gervigreind til að þekkja og bregðast við örbyggingarmynstrum markaðarins á brotum úr sekúndu. Stórir bankar nota gervigreindarlíkön fyrir eignaúthlutun og áhættuspá , sem, þó þau snúist ekki alltaf um að spá fyrir um verð á einstökum hlutabréfum, fela í sér spár um þætti markaðarins (eins og sveiflur eða fylgni). Það eru líka gervigreindarknúnir sjóðir (oft kallaðir „magnsjóðir“) sem nota vélanám til að taka viðskiptaákvarðanir - sumir hafa staðið sig betur en markaðurinn í ákveðin tímabil, þó erfitt sé að rekja það eingöngu til gervigreindar þar sem þeir nota oft blöndu af mannlegri og vélrænni greind. Raunhæf notkun er notkun á tilfinningagreiningu gervigreindar: til dæmis að skanna fréttir og Twitter til að spá fyrir um hvernig hlutabréfaverð muni þróast í kjölfarið. Slík líkön eru kannski ekki 100% nákvæm, en þau geta gefið kaupmönnum smá forskot í verðlagningu í fréttum. Það er vert að taka fram að fyrirtæki gæta yfirleitt upplýsinga um vel heppnaðar gervigreindaraðferðir sem hugverkaréttar, þannig að sönnunargögn sem eru opinberlega til staðar eru oft á eftir eða eru frásagnarlaus.

• Dæmi um vanframmistöðu og mistök: Fyrir hverja velgengnissögu eru til viðvörunarsögur. Margar fræðilegar rannsóknir sem fullyrtu mikla nákvæmni á einum markaði eða tímabili náðu ekki að alhæfa. Athyglisverð tilraun reyndi að endurtaka vel heppnaða spárannsókn á indverskum hlutabréfamarkaði (sem hafði mikla nákvæmni með því að nota vélanám á tæknilegum vísbendingum) á bandarískum hlutabréfum. Endurtekningin fann engan marktækan spágildi - í raun var barnaleg stefna að spá alltaf fyrir um að hlutabréfið myndi hækka næsta dag betri en flókin vélanámslíkön hvað varðar nákvæmni. Höfundarnir komust að þeirri niðurstöðu að niðurstöður þeirra „styðji handahófskennda göngukenninguna“ , sem þýðir að hreyfingar hlutabréfa voru í raun ófyrirsjáanlegar og vélanámslíkönin hjálpuðu ekki til. Þetta undirstrikar að niðurstöður geta verið mjög mismunandi eftir mörkuðum og tímabili. Á sama hátt hafa fjölmargar Kaggle-keppnir og magngreiningarkeppnir sýnt að þó líkön geti oft passað vel við fyrri gögn, þá lækkar frammistaða þeirra í lifandi viðskiptum oft í átt að 50% nákvæmni (fyrir stefnuspá) þegar þau standa frammi fyrir nýjum aðstæðum. Dæmi eins og hrun magngreiningarsjóða árið 2007 og erfiðleikar sem gervigreindarsjóðir stóðu frammi fyrir á heimsfaraldrinum árið 2020 sýna að gervigreindarlíkön geta skyndilega bilað þegar markaðsfyrirkomulagið breytist. Hlutdrægni gagnvart eftirlifendum hefur einnig áhrif á skynjun – við heyrum oftar um velgengni gervigreindar en mistök, en á bak við tjöldin mistakast mörg líkön og sjóðir hljóðlega og loka vegna þess að aðferðir þeirra hætta að virka.

• Munur á milli markaða: Áhugaverð athugun úr rannsóknum er að skilvirkni gervigreindar getur verið háð þroska og skilvirkni . Á tiltölulega óskilvirkum eða vaxandi mörkuðum gætu verið fleiri nýtanleg mynstur (vegna minni umfjöllunar greinenda, lausafjárþrenginga eða hegðunarskekkju), sem gerir gervigreindarlíkönum kleift að ná meiri nákvæmni. Rannsóknin á LSTM-markaði í Víetnam með 93% nákvæmni gæti verið dæmi um þetta. Aftur á móti, á mjög skilvirkum mörkuðum eins og Bandaríkjunum, gætu þessi mynstur verið fljótt fjarlægð með gerðardómi. Mismunandi niðurstöður milli Víetnam-tilviksins og bandarísku eftirmyndunarrannsóknarinnar benda til þessa misræmis. Á heimsvísu þýðir þetta að gervigreind gæti nú skilað betri spáárangri á ákveðnum sérhæfðum mörkuðum eða eignaflokkum (til dæmis hafa sumir notað gervigreind til að spá fyrir um hrávöruverð eða þróun dulritunargjaldmiðla með misjöfnum árangri). Með tímanum, þegar allir markaðir stefna í átt að meiri skilvirkni, þrengist glugginn fyrir auðveldar spár.

• Nákvæmni vs. arðsemi: Það er einnig mikilvægt að greina á milli nákvæmni spár og arðsemi fjárfestinga . Líkan gæti aðeins verið, segjum, 60% nákvæmt í að spá fyrir um daglega upp- eða niðursveiflu hlutabréfa – sem hljómar ekki mjög hátt – en ef þessar spár eru notaðar í snjallri viðskiptaáætlun gætu þær verið nokkuð arðbærar. Aftur á móti gæti líkan státað af 90% nákvæmni en ef þau 10% skipti sem það er rangt fellur saman við miklar markaðshreyfingar (og þar með stórt tap) gæti það verið óarðbært. Margar gervigreindarspár um hlutabréf einbeita sér að stefnubundinni nákvæmni eða lágmarkun villna, en fjárfestar hafa áhuga á áhættuleiðréttri ávöxtun. Þannig innihalda mat oft mælikvarða eins og Sharpe-hlutfall, lækkun og samræmi í afköstum, ekki bara hráa árangurshlutfall. Sum gervigreindarlíkön hafa verið samþætt í reikniritakerfi fyrir viðskipti sem stjórna stöðum og áhættu sjálfkrafa – raunverulegur árangur þeirra er mældur í lifandi viðskiptaávöxtun frekar en sjálfstæðri spátölfræði. Hingað til er fullkomlega sjálfstæður „gervigreindarviðskiptamaður“ sem áreiðanlega myntar peninga ár eftir ár frekar vísindaskáldskapur en veruleiki, en þrengri notkunarmöguleikar (eins og gervigreindarlíkan sem spáir fyrir um skammtíma sveiflur sem kaupmenn geta notað til að verðleggja valkosti o.s.frv.) hafa fundið sér stað í fjármálaverkfærakistunni.

Í heildina benda vísbendingar til þess að gervigreind geti spáð fyrir um ákveðin markaðsmynstur með meiri nákvæmni en tilviljun gerir ráð fyrir og með því geti hún veitt viðskiptaforskot. Hins vegar er sá forskot oft lítill og krefst flókinnar framkvæmdar til að nýta sér hann. Þegar einhver spyr, getur gervigreind spáð fyrir um hlutabréfamarkaðinn?, þá er heiðarlegasta svarið byggt á núverandi gögnum: Gervigreind getur stundum spáð fyrir um þætti hlutabréfamarkaðarins við ákveðnar aðstæður, en hún getur ekki gert það á stöðugan hátt fyrir öll hlutabréf á öllum tímum . Árangur er yfirleitt ófullnægjandi og háður samhengi.

Niðurstaða: Raunhæfar væntingar um gervigreind í spám um hlutabréfamarkaði

Gervigreind og vélanám hafa án efa orðið öflug verkfæri í fjármálum. Þau eru framúrskarandi í að vinna úr gríðarlegum gagnasöfnum, afhjúpa falda fylgni og jafnvel aðlaga stefnur á ferðinni. Í leit að því að spá fyrir um hlutabréfamarkaðinn hefur gervigreind skilað áþreifanlegum en takmörkuðum sigrum. Fjárfestar og stofnanir geta raunhæft búist við að gervigreind aðstoði við ákvarðanatöku - til dæmis með því að búa til spámerki, fínstilla eignasöfn eða stjórna áhættu - en ekki að hún þjóni sem kristalskúla sem tryggir hagnað.

Hvað gervigreind
getur gert: Gervigreind getur bætt greiningarferlið í fjárfestingum. Hún getur flettað í gegnum ára markaðsgögn, fréttir og fjárhagsskýrslur á nokkrum sekúndum og greint lúmsk mynstur eða frávik sem maður gæti yfirséð ( Notkun vélanáms til að spá fyrir um hlutabréfamarkaði... | FMP ). Hún getur sameinað hundruð breyta (tæknilegra, grundvallarbreyta, tilfinningabreyta o.s.frv.) í samhangandi spá. Í skammtímaviðskiptum gætu reiknirit gervigreindar spáð fyrir með örlítið betri nákvæmni en handahófskenndri nákvæmni að eitt hlutabréf muni skila betri árangri en annað, eða að markaður sé að fara að upplifa aukningu í sveiflum. Þessir stigvaxandi kostir, þegar þeir eru rétt nýttir, geta leitt til raunverulegs fjárhagslegs ávinnings. Gervigreind getur einnig hjálpað til við áhættustýringu - að bera kennsl á snemmbúnar viðvaranir um niðursveiflur eða upplýsa fjárfesta um traustsstig spár. Annað hagnýtt hlutverk gervigreindar er í sjálfvirkni stefnumótunar : reiknirit geta framkvæmt viðskipti á miklum hraða og tíðni, brugðist við atburðum allan sólarhringinn og framfylgt aga (engin tilfinningaleg viðskipti), sem getur verið kostur á sveiflukenndum mörkuðum.

Það sem gervigreind
getur ekki gert (ennþá): Þrátt fyrir mikla umræðu í sumum fjölmiðlum getur gervigreind ekki spáð stöðugt og áreiðanlega fyrir um hlutabréfamarkaðinn í heildrænum skilningi þess að vera alltaf betri en markaðurinn eða sjá fyrir mikilvæga vendipunkta. Markaðir eru undir áhrifum af mannlegri hegðun, tilviljunarkenndum atburðum og flóknum afturvirkum lykkjum sem stangast á við öll kyrrstæð líkön. Gervigreind útrýmir ekki óvissu; hún fjallar aðeins um líkindi. Gervigreind gæti gefið til kynna 70% líkur á að hlutabréf hækki á morgun - sem þýðir líka 30% líkur á að það muni ekki gera það. Tap á viðskiptum og slæmar ákvarðanir eru óhjákvæmilegar. Gervigreind getur ekki séð fyrir sannarlega nýja atburði (oft kallaða „svarta svani“) sem eru utan seilingar þjálfunargagna hennar. Ennfremur býður öll farsæl spálíkön upp á samkeppni sem getur rýrt forskot hennar. Í raun er engin gervigreind sem jafngildir kristalskúlu sem tryggir framsýni inn í framtíð markaðarins. Fjárfestar ættu að vera varkárir gagnvart þeim sem halda öðru fram.

Hlutlaust, raunsætt sjónarhorn:
Frá hlutlausu sjónarhorni er best að líta á gervigreind sem viðbót við hefðbundna greiningu og mannlega innsýn, en ekki sem staðgengil fyrir þær. Í reynd nota margir stofnanafjárfestar gervigreindarlíkön ásamt innslátti frá greinendum og eignasafnsstjórum. Gervigreindin gæti unnið úr tölum og gefið út spár, en menn setja markmið, túlka niðurstöður og aðlaga aðferðir að samhengi (t.d. með því að hnekkja líkani í ófyrirséðri kreppu). Smásölufjárfestar sem nota gervigreindarknúin verkfæri eða viðskiptavélmenni ættu að vera vakandi og skilja rökfræði og takmarkanir tólsins. Að fylgja tilmælum gervigreindar í blindni er áhættusamt – maður ætti að nota hana sem eitt innslátt af mörgum.

Þegar raunhæfar væntingar eru settar gæti maður ályktað: Gervigreind getur spáð fyrir um hlutabréfamarkaðinn að einhverju leyti, en ekki með vissu og ekki án villna . Hún getur aukið líkurnar á að taka rétta ákvörðun eða bætt skilvirkni í greiningu upplýsinga, sem á samkeppnismörkuðum getur skipt sköpum um hagnað og tap. Hins vegar getur hún ekki tryggt árangur eða útrýmt innbyggðum sveiflum og áhættu hlutabréfamarkaða. Eins og ein rit benti á, geta niðurstöður á hlutabréfamarkaði, jafnvel með skilvirkum reikniritum, verið „í eðli sínu ófyrirsjáanlegar“ vegna þátta sem fara umfram líkön af upplýsingum ( Stock Market Prediction Using Deep Reinforcement Learning ).

Leiðin framundan:
Horft til framtíðar er líklegt að hlutverk gervigreindar í spám um hlutabréfamarkaði muni aukast. Rannsóknir sem standa yfir fjalla um sumar af takmörkunum (til dæmis að þróa líkön sem taka tillit til breytinga á fyrirkomulagi eða blönduð kerfi sem fela í sér bæði gagnadrifna og atburðadrifna greiningu). Einnig er áhugi á styrkingarnámsmiðlum sem aðlagast stöðugt nýjum markaðsgögnum í rauntíma, sem gætu hugsanlega tekist betur á við breytt umhverfi en kyrrstæð þjálfuð líkön. Ennfremur gæti sameining gervigreindar við aðferðir úr atferlisfjármálum eða netgreiningu leitt til ríkari líkana af markaðsdýnamík. Engu að síður mun jafnvel fullkomnasta gervigreind framtíðarinnar starfa innan marka líkinda og óvissu.

Í stuttu máli sagt hefur spurningin „Getur gervigreind spáð fyrir um hlutabréfamarkaðinn?“ ekki einfalt já eða nei svar. Nákvæmasta svarið er: Gervigreind getur hjálpað til við að spá fyrir um hlutabréfamarkaðinn, en hún er ekki óskeikul. Hún býður upp á öflug verkfæri sem, þegar þau eru notuð skynsamlega, geta bætt spár og viðskiptaaðferðir, en hún fjarlægir ekki grundvallarófyrirsjáanleika markaða. Fjárfestar ættu að tileinka sér gervigreind vegna styrkleika hennar - gagnavinnslu og mynsturgreiningar - en vera meðvitaðir um veikleika hennar. Með því að gera það er hægt að nýta það besta úr báðum heimum: mannlega dómgreind og vélagreind sem vinna saman. Hlutabréfamarkaðurinn er kannski aldrei 100% fyrirsjáanlegur, en með raunhæfum væntingum og skynsamlegri notkun gervigreindar geta markaðsaðilar leitast við að taka upplýstari og agaðri fjárfestingarákvarðanir í síbreytilegu fjármálaumhverfi.

Hvítbækur sem þú gætir viljað lesa eftir þessa:

🔗 Störf sem gervigreind getur ekki komið í staðinn fyrir – og hvaða störf mun gervigreind koma í staðinn fyrir?
Uppgötvaðu hvaða störf eru framtíðarvæn og hver eru í mestri hættu þar sem gervigreind endurmótar alþjóðlega atvinnu.

🔗 Hvað er hægt að gera með kynslóðargervigreind án afskipta manna?
Skilja núverandi mörk og sjálfstæða getu kynslóðargervigreindar í raunlegum aðstæðum.

🔗 Hvernig er hægt að nota kynslóðargervigreind í netöryggi?
Kynntu þér hvernig gervigreind verndar gegn ógnum og eykur viðnámsþrótt í netöryggi með spátækni og sjálfvirkum verkfærum.