Ar dirbtinis intelektas gali numatyti akcijų rinką?

Įvadas

Akcijų rinkos prognozavimas jau seniai yra finansinis „šventasis gralis“, kurio siekia tiek instituciniai, tiek mažmeniniai investuotojai visame pasaulyje. Atsižvelgiant į pastaruoju metu pasiektą dirbtinio intelekto (DI) ir mašininio mokymosi (MM) , daugelis svarsto, ar šios technologijos pagaliau atskleidė akcijų kainų prognozavimo paslaptį. Ar DI gali numatyti akcijų rinką? Šioje informacinėje knygoje šis klausimas nagrinėjamas iš pasaulinės perspektyvos, aprašant, kaip DI pagrįsti modeliai bando prognozuoti rinkos pokyčius, šių modelių teorinius pagrindus ir labai realius apribojimus, su kuriais jie susiduria. Pateikiame nešališką, tyrimais, o ne ažiotažu pagrįstą DI gali ir negali padaryti finansų rinkų prognozavimo kontekste analizę.

Finansų teorijoje prognozavimo iššūkį pabrėžia efektyvios rinkos hipotezė (EMH) . EMH (ypač jos „stiprioji“ forma) teigia, kad akcijų kainos visiškai atspindi visą prieinamą informaciją bet kuriuo metu, o tai reiškia, kad joks investuotojas (net ir vidiniai asmenys) negali nuolat pranokti rinkos, prekiaudamas remdamasis prieinama informacija ( Duomenimis pagrįsti akcijų prognozavimo modeliai, pagrįsti neuroniniais tinklais: apžvalga ). Paprastai tariant, jei rinkos yra labai efektyvios ir kainos kinta atsitiktinai , tiksliai numatyti būsimas kainas turėtų būti beveik neįmanoma. Nepaisant šios teorijos, noras pranokti rinką paskatino išsamius pažangių prognozavimo metodų tyrimus. Dirbtinis intelektas ir mašininis mokymasis tapo pagrindiniais šio siekio elementais dėl jų gebėjimo apdoroti didžiulius duomenų kiekius ir nustatyti subtilius modelius, kurių žmonės gali nepastebėti ( Mašininio mokymosi naudojimas akcijų rinkos prognozavimui... | FMP ).

Šiame informaciniame dokumente pateikiama išsami dirbtinio intelekto metodų, naudojamų akcijų rinkos prognozavimui, apžvalga ir įvertinamas jų veiksmingumas. Mes gilinsimės į populiarių modelių teorinius pagrindus šių modelių duomenų ir mokymo procesą apribojimus ir iššūkius , tokius kaip rinkos efektyvumas, duomenų triukšmas ir nenumatyti išoriniai įvykiai. Pateikiami realaus pasaulio tyrimai ir pavyzdžiai, iliustruojantys iki šiol gautus nevienodus rezultatus. Galiausiai, apibendrindami pateikiame realius lūkesčius investuotojams ir specialistams: pripažįstame įspūdingas dirbtinio intelekto galimybes, kartu pripažindami, kad finansų rinkos išlaiko tam tikrą nenuspėjamumo lygį, kurio joks algoritmas negali visiškai pašalinti.

Teoriniai dirbtinio intelekto pagrindai akcijų rinkos prognozavime

Šiuolaikinis dirbtiniu intelektu pagrįstas akcijų prognozavimas remiasi dešimtmečius trukusiais statistikos, finansų ir informatikos tyrimais. Naudinga suprasti įvairius metodus – nuo ​​tradicinių modelių iki pažangiausio dirbtinio intelekto:

• Tradiciniai laiko eilučių modeliai: ankstyvos akcijų prognozavimo priemonės rėmėsi statistiniais modeliais, kurie daro prielaidą, kad praeities kainų tendencijos gali prognozuoti ateitį. Tokie modeliai kaip ARIMA (automatinis integruotas slankusis vidurkis) ir ARCH/GARCH daugiausia dėmesio skiria linijinių tendencijų ir nepastovumo klasterizavimo fiksavimui laiko eilučių duomenyse ( Duomenimis pagrįsti akcijų prognozavimo modeliai, pagrįsti neuroniniais tinklais: apžvalga ). Šie modeliai suteikia pagrindą prognozavimui, modeliuodami istorines kainų sekas pagal stacionarumo ir linijiškumo prielaidas. Nors tradiciniai modeliai yra naudingi, jiems dažnai sunku susidoroti su sudėtingais, netiesiniais realių rinkų modeliais, todėl praktikoje prognozavimo tikslumas yra ribotas ( Duomenimis pagrįsti akcijų prognozavimo modeliai, pagrįsti neuroniniais tinklais: apžvalga ).

• Mašininio mokymosi algoritmai: Mašininio mokymosi metodai peržengia iš anksto nustatytas statistines formules, mokydamiesi modelių tiesiogiai iš duomenų . Tokie algoritmai kaip atramų vektorių mašinos (SVM) , atsitiktiniai miškai ir gradiento didinimas buvo taikomi akcijų kainų prognozavimui. Jie gali apimti platų įvesties funkcijų spektrą – nuo ​​techninių rodiklių (pvz., slenkamųjų vidurkių, prekybos apimties) iki fundamentalių rodiklių (pvz., pajamų, makroekonominių duomenų) – ir rasti netiesinius ryšius tarp jų. Pavyzdžiui, atsitiktinio miško arba gradiento didinimo modelis gali vienu metu atsižvelgti į dešimtis veiksnių, užfiksuodamas sąveikas, kurių paprastas tiesinis modelis gali praleisti. Šie ML modeliai parodė gebėjimą šiek tiek pagerinti prognozavimo tikslumą aptikdami sudėtingus signalus duomenyse ( Mašininio mokymosi naudojimas akcijų rinkos prognozavimui... | FMP ). Tačiau jiems reikalingas kruopštus derinimas ir pakankamai duomenų, kad būtų išvengta per didelio pritaikymo (mokymosi triukšmo, o ne signalo).

• Gilusis mokymasis (neuroniniai tinklai): Gilieji neuroniniai tinklai , įkvėpti žmogaus smegenų struktūros, pastaraisiais metais išpopuliarėjo akcijų rinkos prognozavimui. Tarp jų pasikartojantys neuroniniai tinklai (RNN) ir jų variantai su ilgalaike trumpalaike atmintimi (LSTM) yra specialiai sukurti sekos duomenims, pavyzdžiui, akcijų kainų laiko eilutėms. LSTM gali išsaugoti praeities informacijos atmintį ir užfiksuoti laiko priklausomybes, todėl jie puikiai tinka modeliuoti tendencijas, ciklus ar kitus nuo laiko priklausomus rinkos duomenų modelius. Tyrimai rodo, kad LSTM ir kiti gilaus mokymosi modeliai gali užfiksuoti sudėtingus, netiesinius ryšius finansiniuose duomenyse, kurių paprastesni modeliai nepastebi. Kiti gilaus mokymosi metodai apima konvoliucinius neuroninius tinklus (CNN) (kartais naudojami techninių indikatorių „vaizdams“ arba užkoduotoms sekoms), transformatorius (kurie naudoja dėmesio mechanizmus skirtingų laiko žingsnių ar duomenų šaltinių svarbai įvertinti) ir net grafinius neuroninius tinklus (GNN) (akcijų ryšių modeliavimui rinkos grafike). Šie pažangūs neuroniniai tinklai gali apdoroti ne tik kainų duomenis, bet ir alternatyvius duomenų šaltinius, tokius kaip naujienų tekstai, socialinių tinklų nuotaikos ir kt., mokydamiesi abstrakčių ypatybių, kurios gali numatyti rinkos judėjimus ( Mašininio mokymosi naudojimas akcijų rinkos prognozavimui... | FMP ). Giliojo mokymosi lankstumas turi savo kainą: jie yra duomenų ištroškę, reikalauja daug skaičiavimo ir dažnai veikia kaip „juodosios dėžės“, kurias sunkiau interpretuoti.

• Pastiprinamasis mokymasis: Kita DI akcijų prognozavimo sritis yra sustiprinamasis mokymasis (RL) , kurio tikslas yra ne tik numatyti kainas, bet ir išmokti optimalią prekybos strategiją. RL sistemoje agentas (DI modelis) sąveikauja su aplinka (rinka) atlikdamas veiksmus (pirkti, parduoti, laikyti) ir gaudamas atlygį (pelną arba nuostolius). Laikui bėgant agentas išmoksta politiką, kuri maksimaliai padidina kaupiamąjį atlygį. Gilusis sustiprinamasis mokymasis (DRL) sujungia neuroninius tinklus su sustiprinančiu mokymusi, kad galėtų valdyti didelę rinkų būsenų erdvę. RL patrauklumas finansuose yra jo gebėjimas atsižvelgti į sprendimų seką ir tiesiogiai optimizuoti investicijų grąžą, o ne prognozuoti kainas atskirai. Pavyzdžiui, RL agentas galėtų išmokti, kada įeiti į arba išeiti iš pozicijų, remdamasis kainų signalais, ir netgi prisitaikyti prie besikeičiančių rinkos sąlygų. Pažymėtina, kad RL buvo naudojamas mokant DI modelius, kurie varžosi kiekybinėse prekybos varžybose ir kai kuriose patentuotose prekybos sistemose. Tačiau gilaus sustiprinimo mokymosi (RL) metodai taip pat susiduria su dideliais iššūkiais: jiems reikalingas išsamus mokymas (imituojant daugelį metų prekiauti), jie gali būti nestabilūs arba elgtis skirtingai, jei nėra kruopščiai suderinti, o jų veikimas yra labai jautrus numatomai rinkos aplinkai. Tyrėjai atkreipė dėmesį į tokias problemas kaip didelės skaičiavimo sąnaudos ir stabilumo problemos taikant sustiprinimo mokymąsi sudėtingose ​​akcijų rinkose. Nepaisant šių iššūkių, RL yra perspektyvus metodas, ypač kai jis derinamas su kitais metodais (pvz., naudojant kainų prognozavimo modelius ir RL pagrįstą paskirstymo strategiją), siekiant sukurti hibridinę sprendimų priėmimo sistemą ( akcijų rinkos prognozavimas naudojant gilų sustiprinimo mokymąsi ).

Duomenų šaltiniai ir mokymo procesas

Nepriklausomai nuo modelio tipo, duomenys yra dirbtinio intelekto akcijų rinkos prognozavimo pagrindas . Modeliai paprastai apmokomi naudojant istorinius rinkos duomenis ir kitus susijusius duomenų rinkinius, kad būtų galima aptikti tendencijas. Įprasti duomenų šaltiniai ir funkcijos:

• Istorinės kainos ir techniniai rodikliai: beveik visi modeliai naudoja praeities akcijų kainas (atidarymo, aukščiausią, žemiausią, uždarymo) ir prekybos apimtis. Remdamiesi šiais duomenimis, analitikai dažnai kaip įvesties duomenis išveda techninius rodiklius (slenkamuosius vidurkius, santykinės stiprybės indeksą, MACD ir kt.). Šie rodikliai gali padėti išryškinti tendencijas ar impulsą, kuriuos modelis galėtų išnaudoti. Pavyzdžiui, modelis gali naudoti pastarųjų 10 dienų kainas ir apimtį, taip pat tokius rodiklius kaip 10 dienų slenkamasis vidurkis arba nepastovumo rodikliai, kad numatytų kitos dienos kainų judėjimą.

• Rinkos indeksai ir ekonominiai duomenys: daugelyje modelių naudojama platesnė rinkos informacija, pavyzdžiui, indeksų lygiai, palūkanų normos, infliacija, BVP augimas ar kiti ekonominiai rodikliai. Šios makroelementų savybės suteikia kontekstą (pvz., bendrą rinkos nuotaiką ar ekonominę sveikatą), kuris gali turėti įtakos atskirų akcijų rezultatams.

• Naujienų ir nuotaikų duomenys: Vis daugiau dirbtinio intelekto sistemų apdoroja nestruktūrizuotus duomenis, tokius kaip naujienų straipsniai, socialinės žiniasklaidos kanalai („Twitter“, „Stocktwits“) ir finansinės ataskaitos. Natūralios kalbos apdorojimo (NLP) metodai, įskaitant pažangius modelius, tokius kaip BERT, naudojami rinkos nuotaikoms įvertinti arba svarbiems įvykiams aptikti. Pavyzdžiui, jei įmonės ar sektoriaus naujienų nuotaikos staiga tampa labai neigiamos, dirbtinio intelekto modelis gali numatyti susijusių akcijų kainų kritimą. Apdorodamas realaus laiko naujienas ir socialinės žiniasklaidos nuotaikas , dirbtinis intelektas gali reaguoti į naują informaciją greičiau nei žmonės prekiautojai.

• Alternatyvūs duomenys: Kai kurie sudėtingi rizikos draudimo fondų ir dirbtinio intelekto tyrėjai naudoja alternatyvius duomenų šaltinius – palydovinius vaizdus (parduotuvių srautui ar pramoninei veiklai), kredito kortelių operacijų duomenis, interneto paieškos tendencijas ir kt. – norėdami gauti prognozuojamų įžvalgų. Šie netradiciniai duomenų rinkiniai kartais gali būti pagrindiniai akcijų rezultatų rodikliai, nors jie taip pat įneša sudėtingumo į modelių mokymą.

Dirbtinio intelekto modelio mokymas akcijų kainų prognozavimui apima šių istorinių duomenų pateikimą ir modelio parametrų koregavimą, siekiant sumažinti prognozavimo paklaidą. Paprastai duomenys skirstomi į mokymo rinkinį (pvz., senesnė istorija, skirta mokytis modelių) ir bandymo / patvirtinimo rinkinį (naujesni duomenys, skirti įvertinti veikimą nematomomis sąlygomis). Atsižvelgiant į nuoseklų rinkos duomenų pobūdį, stengiamasi vengti „žvilgsnio į ateitį“ – pavyzdžiui, modeliai vertinami pagal duomenis iš laikotarpių po mokymo laikotarpio, siekiant imituoti, kaip jie veiktų realioje prekyboje. Kryžminio patvirtinimo metodai, pritaikyti laiko eilutėms (pvz., patikrinimas be išankstinio patikrinimo), naudojami siekiant užtikrinti, kad modelis būtų gerai apibendrintas ir nebūtų pritaikytas tik vienam konkrečiam laikotarpiui.

Be to, praktikai turi spręsti duomenų kokybės ir išankstinio apdorojimo problemas. Trūkstami duomenys, išskirtiniai duomenys (pvz., staigūs šuoliai dėl akcijų skilimų ar vienkartinių įvykių) ir režimų pokyčiai rinkose gali turėti įtakos modelio mokymui. Įvesties duomenims gali būti taikomi tokie metodai kaip normalizavimas, tendencijų šalinimas arba sezoniškumo šalinimas. Kai kurie pažangūs metodai kainų eilutes skaido į komponentus (tendencijas, ciklus, triukšmą) ir modeliuoja jas atskirai (kaip matyti tyrimuose, kuriuose variacinio režimo skaidymas derinamas su neuroniniais tinklais (angl. Stock Market Prediction Using Deep Reinforcement Learning )).

Skirtingiems modeliams keliami skirtingi mokymo reikalavimai: gilaus mokymosi modeliams gali prireikti šimtų tūkstančių duomenų taškų ir jie gali pasinaudoti GPU spartinimu, o paprastesni modeliai, pavyzdžiui, logistinė regresija, gali mokytis iš santykinai mažesnių duomenų rinkinių. Pastiprinamojo mokymosi modeliams sąveikai reikalingas simuliatorius arba aplinka; kartais istoriniai duomenys pakartojami RL agentui arba rinkos simuliatoriai naudojami patirčiai generuoti.

Galiausiai, apmokyti šie modeliai pateikia nuspėjamąją funkciją – pavyzdžiui, išvestį, kuri gali būti numatoma kaina rytojui, tikimybė, kad akcijos kaina kils, arba rekomenduojamas veiksmas (pirkti / parduoti). Šios prognozės paprastai integruojamos į prekybos strategiją (nustatant pozicijos dydį, rizikos valdymo taisykles ir kt.), prieš rizikuojant faktiniais pinigais.

Apribojimai ir iššūkiai

Nors dirbtinio intelekto modeliai tapo neįtikėtinai sudėtingi, akcijų rinkos prognozavimas išlieka savaime sudėtinga užduotimi . Toliau pateikiami pagrindiniai apribojimai ir kliūtys, trukdančios dirbtiniam intelektui būti garantuotu būrėju rinkose:

• Rinkos efektyvumas ir atsitiktinumas: Kaip minėta anksčiau, efektyvios rinkos hipotezė teigia, kad kainos jau atspindi žinomą informaciją, todėl bet kokia nauja informacija sukelia neatidėliotinus koregavimus. Praktiškai tai reiškia, kad kainų pokyčius daugiausia lemia netikėtos naujienos arba atsitiktiniai svyravimai. Iš tiesų, dešimtmečius trukę tyrimai parodė, kad trumpalaikiai akcijų kainų pokyčiai primena atsitiktinį klaidžiojimą ( Duomenimis pagrįsti akcijų prognozavimo modeliai, pagrįsti neuroniniais tinklais: apžvalga ) – vakarykštė kaina mažai veikia rytojaus kainą, išskyrus tai, ką leistų numatyti atsitiktinumas. Jei akcijų kainos iš esmės yra atsitiktinės arba „efektyvios“, joks algoritmas negali jų nuosekliai ir labai tiksliai numatyti. Kaip glaustai teigiama viename tyrime, „atsitiktinio klaidžiojimo hipotezė ir efektyvios rinkos hipotezė iš esmės teigia, kad neįmanoma sistemingai ir patikimai numatyti būsimų akcijų kainų“ ( S&P 500 akcijų santykinės grąžos prognozavimas naudojant mašininį mokymąsi | Finansinės inovacijos | Visas tekstas ). Tai nereiškia, kad dirbtinio intelekto prognozės visada yra nenaudingos, tačiau tai pabrėžia esminį apribojimą: didelė rinkos judėjimo dalis gali būti tiesiog triukšmas, kurio net geriausias modelis negali iš anksto numatyti.

• Triukšmas ir nenuspėjami išoriniai veiksniai: Akcijų kainoms įtakos turi daugybė veiksnių, iš kurių daugelis yra išoriniai ir nenuspėjami. Geopolitiniai įvykiai (karai, rinkimai, reguliavimo pokyčiai), stichinės nelaimės, pandemijos, staigūs įmonių skandalai ar net virusiniai gandai socialiniuose tinkluose gali netikėtai pakeisti rinkas. Tai įvykiai, kuriems modelis negali turėti ankstesnių mokymo duomenų (nes jie yra beprecedentys) arba kurie įvyksta kaip reti sukrėtimai. Pavyzdžiui, joks dirbtinio intelekto modelis, apmokytas remiantis istoriniais 2010–2019 m. duomenimis, nebūtų galėjęs konkrečiai numatyti COVID-19 krizės 2020 m. pradžioje ar jos spartaus atsigavimo. Finansinio dirbtinio intelekto modeliams sunku, kai keičiasi režimai arba kai pavienis įvykis lemia kainas. Kaip pažymi vienas šaltinis, tokie veiksniai kaip geopolitiniai įvykiai ar staigūs ekonominių duomenų paskelbimai gali beveik akimirksniu paseninti prognozes ( Mašininio mokymosi naudojimas akcijų rinkos prognozavimui... | FMP ) ( Mašininio mokymosi naudojimas akcijų rinkos prognozavimui... | FMP ). Kitaip tariant, nenumatytos naujienos visada gali pakeisti algoritmines prognozes , sukeldamos negrįžtamą neapibrėžtumo lygį.

• Per didelis pritaikymas ir apibendrinimas: Mašininio mokymosi modeliai yra linkę į per didelį pritaikymą – tai reiškia, kad jie gali per gerai išmokti mokymo duomenų „triukšmą“ ar ypatybes, o ne pagrindinius bendruosius modelius. Per didelis pritaikymas gali puikiai veikti su istoriniais duomenimis (netgi parodydamas įspūdingą atgalinį grąžą ar didelį imties tikslumą), tačiau tada apgailėtinai nesėkmingai analizuoti naujus duomenis. Tai dažna kiekybinių finansų klaida. Pavyzdžiui, sudėtingas neuroninis tinklas gali aptikti klaidingas koreliacijas, kurios praeityje išliko atsitiktinai (pvz., tam tikras rodiklių persidengimų derinys, kuris atsitiko prieš pastarųjų 5 metų pakilimus), tačiau šie ryšiai gali neišlikti ateityje. Praktinė iliustracija: galima sukurti modelį, kuris prognozuoja, kad praėjusių metų akcijų laimėtojai visada kils – jis gali atitikti tam tikrą laikotarpį, bet jei rinkos režimas pasikeičia, šis modelis nutrūksta. Per didelis pritaikymas lemia prastą imties rezultatų rodiklį , o tai reiškia, kad modelio prognozės realioje prekyboje gali būti ne geresnės nei atsitiktinės, nepaisant to, kad kūrimo metu jos atrodo puikiai. Norint išvengti per didelio pritaikymo, reikia naudoti tokius metodus kaip reguliarizavimas, modelio sudėtingumo kontrolė ir patikimas patvirtinimas. Tačiau pats sudėtingumas, suteikiantis dirbtinio intelekto modeliams galią, taip pat daro juos pažeidžiamus šios problemos.

• Duomenų kokybė ir prieinamumas: Posakis „šiukšlės į vidų, šiukšlės iš vidų“ labai tinka dirbtiniam intelektui akcijų kainų prognozavimo srityje. Duomenų kokybė, kiekybė ir aktualumas daro didelę įtaką modelio našumui. Jei istorinių duomenų nepakanka (pvz., bandoma apmokyti gilų tinklą tik pagal kelių metų akcijų kainas) arba jie nėra reprezentatyvūs (pvz., naudojami duomenys iš daugiausia kylančio laikotarpio, siekiant numatyti meškų scenarijų), modelis nebus gerai apibendrinamas. Duomenys taip pat gali būti šališki arba jiems gali būti lemta išlikti (pavyzdžiui, akcijų indeksai natūraliai laikui bėgant praranda prastai veikiančias įmones, todėl istoriniai indeksų duomenys gali būti šališki į viršų). Duomenų valymas ir kuravimas nėra nereikšminga užduotis. Be to, alternatyvūs duomenų dažnio problema : aukšto dažnio prekybos modeliams reikia kiekvieno tikslo duomenų, kurių kiekis yra didžiulis ir kuriems reikalinga speciali infrastruktūra, o žemesnio dažnio modeliams gali būti naudojami dienos ar savaitės duomenys. Nuolatinis iššūkis yra užtikrinti, kad duomenys būtų suderinti laiku (pvz., naujienos su atitinkamais kainų duomenimis) ir nebūtų išankstinio šališkumo.

• Modelio skaidrumas ir interpretuojamumas: daugelis dirbtinio intelekto modelių, ypač gilaus mokymosi, veikia kaip juodosios dėžės . Jie gali pateikti prognozę ar prekybos signalą be lengvai paaiškinamos priežasties. Šis skaidrumo trūkumas gali būti problemiškas investuotojams, ypač instituciniams, kuriems reikia pagrįsti sprendimus suinteresuotosioms šalims arba laikytis reglamentų. Jei dirbtinio intelekto modelis prognozuoja, kad akcijos kaina kris, ir rekomenduoja parduoti, portfelio valdytojas gali dvejoti, jei nesupranta pagrindo. Dirbtinio intelekto sprendimų neskaidrumas gali sumažinti pasitikėjimą ir pritaikymą, nepaisant modelio tikslumo. Šis iššūkis skatina tyrimus, susijusius su paaiškinamu dirbtiniu intelektu finansų srityje, tačiau išlieka tiesa, kad dažnai reikia ieškoti kompromiso tarp modelio sudėtingumo / tikslumo ir interpretuojamumo.

• Adaptyvios rinkos ir konkurencija: Svarbu pažymėti, kad finansų rinkos yra adaptyvios . Kai prognozavimo modelis (dirbtinio intelekto ar bet kokio kito metodo) aptinkamas ir daugelio prekiautojų naudojamas, jis gali nustoti veikti. Pavyzdžiui, jei DI modelis nustato, kad tam tikras signalas dažnai būna prieš akcijų kainų kilimą, prekiautojai pradės veikti pagal tą signalą anksčiau, taip išnaudodami galimybę. Iš esmės rinkos gali vystytis ir anuliuoti žinomas strategijas . Šiandien daugelis prekybos įmonių ir fondų naudoja DI ir mašininį mokymąsi. Ši konkurencija reiškia, kad bet koks pranašumas dažnai yra mažas ir trumpalaikis. Dėl to DI modelius gali reikėti nuolat perkvalifikuoti ir atnaujinti, kad jie neatsiliktų nuo kintančios rinkos dinamikos. Labai likvidžiose ir brandžiose rinkose (pvz., JAV didelių kapitalizacijos bendrovių akcijose) daugybė sudėtingų žaidėjų medžioja tuos pačius signalus, todėl išlaikyti pranašumą yra labai sunku. Priešingai, mažiau efektyviose rinkose ar nišiniuose turtuose DI gali rasti laikinų neefektyvumų, tačiau šioms rinkoms modernėjant, atotrūkis gali išnykti. Šis dinamiškas rinkų pobūdis yra esminis iššūkis: „žaidimo taisyklės“ nėra nekintančios, todėl modelį, kuris veikė praėjusiais metais, kitais metais gali tekti perdaryti.

• Realaus pasaulio apribojimai: net jei dirbtinio intelekto modelis galėtų tiksliai numatyti kainas, prognozių pavertimas pelnu yra dar vienas iššūkis. Prekyba patiria sandorių išlaidas , tokias kaip komisiniai, kainų slydimas ir mokesčiai. Modelis gali teisingai numatyti daugybę nedidelių kainų pokyčių, tačiau pelną gali nusverti mokesčiai ir sandorių poveikis rinkai. Rizikos valdymas taip pat yra labai svarbus – jokia prognozė nėra 100 % tikra, todėl bet kuri dirbtinio intelekto pagrįsta strategija turi atsižvelgti į galimus nuostolius (taikant nuostolių ribojimo pavedimus, portfelio diversifikavimą ir kt.). Įstaigos dažnai integruoja dirbtinio intelekto prognozes į platesnę rizikos sistemą, kad užtikrintų, jog dirbtinis intelektas nestato ūkiui prognozės, kuri gali būti klaidinga. Šie praktiniai aspektai reiškia, kad dirbtinio intelekto teorinis pranašumas turi būti didelis, kad jis būtų naudingas po realaus pasaulio kliūčių.

Apibendrinant galima teigti, kad dirbtinis intelektas turi įspūdingų galimybių, tačiau šie apribojimai užtikrina, kad akcijų rinka išlieka iš dalies nuspėjama, iš dalies nenuspėjama sistema . Dirbtinio intelekto modeliai gali pakreipti situaciją investuotojo naudai, efektyviau analizuodami duomenis ir galbūt atskleisdami subtilius nuspėjamuosius signalus. Tačiau efektyvaus kainodaros, triukšmingų duomenų, nenumatytų įvykių ir praktinių apribojimų derinys reiškia, kad net ir geriausias dirbtinis intelektas kartais klysta – dažnai nenuspėjamai.

Dirbtinio intelekto modelių našumas: ką sako įrodymai?

Atsižvelgiant į aptartus pasiekimus ir iššūkius, ko išmokome iš tyrimų ir realių bandymų taikyti dirbtinį intelektą akcijų prognozavimui? Kol kas rezultatai yra nevienodi, išryškinant tiek daug žadančių sėkmių , tiek rimtų nesėkmių :

• Dirbtinio intelekto (DI) pranašumo už atsitiktinumą atvejai: keli tyrimai parodė, kad DI modeliai tam tikromis sąlygomis gali pranokti atsitiktinius spėjimus. Pavyzdžiui, 2024 m. atliktame tyrime, naudojant LSTM neuroninį tinklą, buvo prognozuojamos akcijų kainų tendencijos Vietnamo akcijų rinkoje, ir buvo pranešta apie didelį prognozavimo tikslumą – apie 93 %, remiantis bandymų duomenimis ( Mašininio mokymosi algoritmų taikymas akcijų kainų tendencijoms prognozuoti akcijų rinkoje – Vietnamo atvejis | Humanitarinių ir socialinių mokslų komunikacijos ). Tai rodo, kad toje rinkoje (besivystančioje ekonomikoje) modelis sugebėjo užfiksuoti nuoseklius modelius, galbūt dėl ​​to, kad rinkoje buvo neefektyvumo arba stiprių techninių tendencijų, kurias LSTM išmoko. Kitas 2024 m. atliktas tyrimas buvo platesnės apimties: tyrėjai bandė numatyti trumpalaikę visų S&P 500 akcijų (daug efektyvesnės rinkos) grąžą, naudodami mašininio mokymosi modelius. Jie tai suformulavo kaip klasifikavimo problemą – prognozuoti, ar akcijos per ateinančias 10 dienų pranoks indeksą 2 % – naudodami tokius algoritmus kaip atsitiktiniai miškai, SVM ir LSTM. Rezultatas: LSTM modelis pranoko tiek kitus ML modelius, tiek atsitiktinę bazinę liniją , o rezultatai buvo statistiškai reikšmingi, kad būtų galima manyti, jog tai nebuvo vien sėkmė ( „S&P 500“ akcijų santykinės grąžos prognozavimas naudojant mašininį mokymąsi | Finansinės inovacijos | Visas tekstas ). Autoriai netgi padarė išvadą, kad šioje konkrečioje situacijoje atsitiktinio klaidžiojimo hipotezės pasitvirtinimo tikimybė buvo „nežymiai maža“, o tai rodo, kad jų ML modeliai rado realių nuspėjamųjų signalų. Šie pavyzdžiai rodo, kad dirbtinis intelektas iš tiesų gali nustatyti modelius, kurie suteikia pranašumą (net jei ir nedidelį) prognozuojant akcijų kainų pokyčius, ypač kai tai išbandoma su dideliais duomenų rinkiniais.

• Žymūs naudojimo atvejai pramonėje: Be akademinių tyrimų, yra pranešimų apie rizikos draudimo fondus ir finansų įstaigas, sėkmingai naudojančias dirbtinį intelektą savo prekybos operacijose. Kai kurios aukšto dažnio prekybos įmonės naudoja dirbtinį intelektą, kad atpažintų rinkos mikrostruktūros modelius ir į juos reaguotų per sekundės dalis. Dideli bankai turi dirbtinio intelekto modelius portfelio paskirstymui ir rizikos prognozavimui , kurie, nors ne visada susiję su vienos akcijos kainos prognozavimu, apima rinkos aspektų (pvz., nepastovumo ar koreliacijų) prognozavimą. Taip pat yra dirbtinio intelekto valdomų fondų (dažnai vadinamų „kiekybiniais fondais“), kurie naudoja mašininį mokymąsi prekybos sprendimams priimti – kai kurie tam tikrais laikotarpiais pranoko rinką, nors sunku tai priskirti vien dirbtiniam intelektui, nes jie dažnai naudoja žmogaus ir mašininio intelekto derinį. Konkretus pritaikymas yra nuotaikų analizės dirbtinio intelekto naudojimas: pavyzdžiui, naujienų ir „Twitter“ nuskaitymas, siekiant numatyti, kaip akcijų kainos keisis reaguojant į tai. Tokie modeliai gali būti ne 100 % tikslūs, tačiau jie gali suteikti prekiautojams nedidelį pranašumą nustatant kainas naujienose. Verta paminėti, kad įmonės paprastai atidžiai saugo sėkmingų dirbtinio intelekto strategijų informaciją kaip intelektinę nuosavybę, todėl viešai prieinami įrodymai paprastai atsilieka arba yra anekdotiniai.

• Nepakankamų rezultatų ir nesėkmių atvejai: Kiekvienai sėkmės istorijai yra pamokančių istorijų. Daugelis akademinių tyrimų, kuriuose teigiama apie didelį tikslumą vienoje rinkoje ar laikotarpyje, nebuvo apibendrinami. Žymus eksperimentas bandė pakartoti sėkmingą Indijos akcijų rinkos prognozavimo tyrimą (kuris, naudojant mašininį mokymąsi (MM) techniniams rodikliams, pasižymėjo dideliu tikslumu) JAV akcijų atžvilgiu. Replikacija nerado jokios reikšmingos prognozavimo galios – iš tikrųjų naivi strategija visada prognozuoti, kad akcijų kaina kitą dieną kils, tikslumu pranoko sudėtingus mašininio mokymosi modelius. Autoriai padarė išvadą, kad jų rezultatai „palaiko atsitiktinio klaidžiojimo teoriją“ , o tai reiškia, kad akcijų judėjimas iš esmės buvo nenuspėjamas, o mašininio mokymosi modeliai nepadėjo. Tai pabrėžia, kad rezultatai gali labai skirtis priklausomai nuo rinkos ir laikotarpio. Panašiai daugybė „Kaggle“ konkursų ir kiekybinių tyrimų konkursų parodė, kad nors modeliai dažnai gali gerai atitikti praeities duomenis, jų našumas realioje prekyboje dažnai sumažėja iki 50 % tikslumo (krypties prognozavimui), susidūrus su naujomis sąlygomis. Tokie atvejai kaip 2007 m. kiekybinių fondų žlugimas ir sunkumai, su kuriais susidūrė dirbtinio intelekto valdomi fondai per 2020 m. pandemijos šoką, iliustruoja, kad dirbtinio intelekto modeliai gali staiga sustingti, kai pasikeičia rinkos režimas. Išgyvenimo šališkumas taip pat yra suvokimo veiksnys – apie dirbtinio intelekto sėkmes girdime dažniau nei apie nesėkmes, tačiau užkulisiuose daugelis modelių ir fondų tyliai žlunga ir užsidaro, nes jų strategijos nustoja veikti.

• Skirtumai tarp rinkų: Įdomus tyrimų pastebėjimas yra tas, kad DI veiksmingumas gali priklausyti nuo rinkos brandos ir efektyvumo . Santykinai mažiau efektyviose arba besivystančiose rinkose gali būti daugiau išnaudojamų modelių (dėl mažesnės analitikų aprėpties, likvidumo apribojimų ar elgesio šališkumo), todėl DI modeliai gali pasiekti didesnį tikslumą. Vietnamo rinkos LSTM tyrimas, kurio tikslumas siekia 93 %, galėtų būti to pavyzdys. Priešingai, labai efektyviose rinkose, tokiose kaip JAV, šie modeliai gali būti greitai arbitražo būdu pašalinti. Įvairūs Vietnamo atvejo ir JAV replikacijos tyrimo rezultatai rodo šį neatitikimą. Pasauliniu mastu tai reiškia, kad DI šiuo metu gali duoti geresnius prognozavimo rezultatus tam tikrose nišinėse rinkose ar turto klasėse (pavyzdžiui, kai kurios taikė DI žaliavų kainoms ar kriptovaliutų tendencijoms prognozuoti su skirtinga sėkme). Laikui bėgant, visoms rinkoms artėjant prie didesnio efektyvumo, lengvų prognozavimo laimėjimų langas siaurėja.

• Tikslumas ir pelningumas: Taip pat labai svarbu atskirti prognozavimo tikslumą nuo investicijų pelningumo . Modelis gali būti tik, tarkime, 60 % tikslus prognozuojant dienos akcijų kainos kilimą arba kritimą – kas neskamba labai daug – tačiau jei šios prognozės naudojamos išmaniojoje prekybos strategijoje, jos gali būti gana pelningos. Ir atvirkščiai, modelis gali pasigirti 90 % tikslumu, tačiau jei 10 % atvejų, kai jis klysta, sutampa su dideliais rinkos pokyčiais (taigi ir dideliais nuostoliais), jis gali būti nepelningas. Daugelis dirbtinio intelekto pagrindu veikiančių akcijų prognozavimo pastangų sutelktos į kryptinį tikslumą arba klaidų mažinimą, tačiau investuotojams rūpi pagal riziką pakoreguota grąža. Todėl vertinimuose dažnai įtraukiami tokie rodikliai kaip Šarpo rodiklis, nuosmukiai ir našumo nuoseklumas, o ne tik neapdorotas pataikymo rodiklis. Kai kurie dirbtinio intelekto modeliai buvo integruoti į algoritminės prekybos sistemas, kurios automatiškai valdo pozicijas ir riziką – jų tikrasis našumas matuojamas realiomis prekybos grąžomis, o ne atskira prognozavimo statistika. Iki šiol visiškai autonomiškas „dirbtinio intelekto prekiautojas“, kuris patikimai kaldina pinigus metai iš metų, yra labiau mokslinė fantastika nei realybė, tačiau siauresnės pritaikymo galimybės (pvz., dirbtinio intelekto modelis, kuris prognozuoja trumpalaikį rinkos nepastovumą , kurį prekiautojai gali naudoti opcionų kainodarai ir pan.) rado vietą finansinių įrankių rinkinyje.

Apibendrinant, įrodymai rodo, kad dirbtinis intelektas gali prognozuoti tam tikrus rinkos modelius tiksliau nei atsitiktinai ir taip suteikti prekybos pranašumą. Tačiau šis pranašumas dažnai būna nedidelis ir reikalauja sudėtingo vykdymo, kad juo būtų galima pasinaudoti. Kai kas nors paklausia, ar dirbtinis intelektas gali numatyti akcijų rinką?, sąžiningiausias atsakymas, pagrįstas dabartiniais įrodymais, yra toks: dirbtinis intelektas kartais gali numatyti akcijų rinkos aspektus tam tikromis sąlygomis, tačiau jis negali to daryti nuosekliai visoms akcijoms visada . Sėkmės paprastai būna dalinės ir priklauso nuo konteksto.

Išvada: Realūs lūkesčiai dėl dirbtinio intelekto akcijų rinkos prognozavimo

Dirbtinis intelektas ir mašininis mokymasis neabejotinai tapo galingais įrankiais finansų srityje. Jie puikiai apdoroja didžiulius duomenų rinkinius, atskleidžia paslėptas koreliacijas ir netgi pritaiko strategijas akimirksniu. Siekiant prognozuoti akcijų rinką, dirbtinis intelektas pasiekė apčiuopiamų, bet ribotų pergalių. Investuotojai ir institucijos gali realiai tikėtis, kad dirbtinis intelektas padės priimti sprendimus, pavyzdžiui, generuos nuspėjamuosius signalus, optimizuos portfelius ar valdys riziką, bet ne tarnaus kaip krištolinis rutulys, garantuojantis pelną.

Ką
gali dirbti dirbtinis intelektas (DI): DI gali pagerinti analitinį investavimo procesą. Jis gali per kelias sekundes peržiūrėti daugelio metų rinkos duomenis, naujienų srautus ir finansines ataskaitas, aptikti subtilius modelius ar anomalijas, kurių žmogus gali nepastebėti ( Mašininio mokymosi naudojimas akcijų rinkos prognozavimui... | FMP ). Jis gali sujungti šimtus kintamųjų (techninių, fundamentalių, nuotaikų ir kt.) į darnią prognozę. Trumpalaikėje prekyboje DI algoritmai gali šiek tiek tiksliau nei atsitiktinai numatyti, kad viena akcija pranoks kitą arba kad rinka netrukus patirs nepastovumo šuolį. Šie papildomi pranašumai, tinkamai išnaudoti, gali virsti realia finansine nauda. DI taip pat gali padėti valdyti riziką – nustatyti ankstyvus nuosmukių įspėjimus arba informuoti investuotojus apie prognozės patikimumo lygį. Kitas praktinis DI vaidmuo yra strategijos automatizavimas : algoritmai gali vykdyti sandorius dideliu greičiu ir dažnumu, reaguoti į įvykius 24 valandas per parą, 7 dienas per savaitę ir užtikrinti drausmę (be emocinės prekybos), o tai gali būti naudinga nepastovose rinkose.

Ko dirbtinis intelektas (DI)
negali padaryti: Nepaisant kai kuriose žiniasklaidos priemonėse skleidžiamo ažiotažo, DI negali nuosekliai ir patikimai numatyti akcijų rinkos holistine prasme, t. y. visada lenkti rinką ar numatyti svarbius lūžio taškus. Rinkoms įtakos turi žmogaus elgesys, atsitiktiniai įvykiai ir sudėtingos grįžtamojo ryšio grandinės, kurios nepaneigia jokio statinio modelio. DI nepašalina neapibrėžtumo; ji nagrinėja tik tikimybes. DI gali nurodyti 70 % tikimybę, kad akcijos kaina rytoj kils, o tai taip pat reiškia 30 % tikimybę, kad ji nekils. Pralaimėję sandoriai ir blogi pirkimo sandoriai yra neišvengiami. DI negali numatyti išties naujų įvykių (dažnai vadinamų „juodosiomis gulbėmis“), kurie yra už jos mokymo duomenų ribų. Be to, bet koks sėkmingas prognozavimo modelis skatina konkurenciją, kuri gali sumažinti jos pranašumą. Iš esmės nėra DI atitikmens krištoliniam rutuliui , kuris garantuotų rinkos ateities numatymą. Investuotojai turėtų būti atsargūs su tais, kurie teigia kitaip.

Neutrali, realistinė perspektyva:
Neutraliu požiūriu, dirbtinis intelektas geriausiai vertinamas kaip tradicinės analizės ir žmogiškosios įžvalgos patobulinimas, o ne pakaitalas. Praktiškai daugelis institucinių investuotojų naudoja dirbtinio intelekto modelius kartu su žmonių analitikų ir portfelio valdytojų įžvalgomis. Dirbtinis intelektas gali analizuoti skaičius ir prognozes, tačiau tikslus nustato, rezultatus interpretuoja ir strategijas koreguoja žmonės pagal kontekstą (pvz., nepaisydami modelio nenumatytos krizės metu). Mažmeniniai investuotojai, naudojantys dirbtinio intelekto valdomus įrankius arba prekybos robotus, turėtų išlikti budrūs ir suprasti įrankio logiką bei ribas. Aklai vadovautis dirbtinio intelekto rekomendacija yra rizikinga – ją reikėtų naudoti kaip vieną iš daugelio įžvalgų.

Nustatant realius lūkesčius, galima daryti išvadą: dirbtinis intelektas gali tam tikru mastu numatyti akcijų rinką, bet ne užtikrintai ir ne be klaidų . Jis gali teisingo sprendimo tikimybę efektyvumą , o tai konkurencingose ​​rinkose gali lemti pelną arba nuostolį. Tačiau jis negali garantuoti sėkmės ar pašalinti akcijų rinkoms būdingo nepastovumo ir rizikos. Kaip pažymėta viename leidinyje, net ir naudojant efektyvius algoritmus, akcijų rinkos rezultatai gali būti „iš esmės nenuspėjami“ dėl veiksnių, nesusijusių su modeliuojama informacija ( Akcijų rinkos prognozavimas naudojant gilųjį sustiprintąjį mokymąsi ).

Kelias į priekį:
Žvelgiant į ateitį, dirbtinio intelekto vaidmuo akcijų rinkos prognozėse greičiausiai augs. Nuolatiniai tyrimai sprendžia kai kuriuos apribojimus (pavyzdžiui, kuriami modeliai, atsižvelgiantys į režimų pokyčius, arba hibridinės sistemos, apimančios tiek duomenimis, tiek įvykiais pagrįstą analizę). Taip pat domimasi sustiprinto mokymosi agentais , kurie nuolat prisitaiko prie naujų rinkos duomenų realiuoju laiku ir gali geriau valdyti besikeičiančią aplinką nei statiškai apmokyti modeliai. Be to, dirbtinio intelekto derinimas su elgsenos finansų ar tinklo analizės metodais gali padėti sukurti išsamesnius rinkos dinamikos modelius. Nepaisant to, net ir pažangiausias ateities dirbtinis intelektas veiks tikimybės ir neapibrėžtumo ribose.

Apibendrinant, į klausimą „Ar dirbtinis intelektas gali numatyti akcijų rinką?“ nėra paprasto atsakymo „taip“ arba „ne“. Tiksliausias atsakymas yra toks: dirbtinis intelektas gali padėti numatyti akcijų rinką, bet jis nėra neklystantis. Jis siūlo galingus įrankius, kurie, išmintingai naudojami, gali pagerinti prognozavimo ir prekybos strategijas, tačiau nepašalina esminio rinkų nenuspėjamumo. Investuotojai turėtų vertinti dirbtinį intelektą dėl jo stipriųjų pusių – duomenų apdorojimo ir šablonų atpažinimo – kartu žinodami apie jo silpnąsias puses. Taip galima išnaudoti geriausias abiejų pasaulių savybes: žmogaus sprendimų priėmimą ir mašininį intelektą, veikiančius kartu. Akcijų rinka niekada negali būti 100 % nuspėjama, tačiau turėdami realius lūkesčius ir apdairiai naudodami dirbtinį intelektą, rinkos dalyviai gali siekti geriau pagrįstų ir drausmingesnių investavimo sprendimų nuolat besikeičiančioje finansinėje aplinkoje.

Po šio dokumento galbūt norėsite perskaityti ir kitus informacinius dokumentus:

🔗 Darbai, kurių dirbtinis intelektas negali pakeisti – ir kokius darbus pakeis dirbtinis intelektas?
Sužinokite, kurios karjeros yra ateičiai atsparios, o kurioms gresia didžiausias pavojus, dirbtiniam intelektui keičiant pasaulinį užimtumą.

🔗 Ką galima padaryti naudojant generatyvųjį dirbtinį intelektą be žmogaus įsikišimo?
Supraskite dabartines generatyvinio dirbtinio intelekto ribas ir autonomines galimybes praktiniuose scenarijuose.

🔗 Kaip generatyvinis dirbtinis intelektas gali būti naudojamas kibernetinio saugumo srityje?
Sužinokite, kaip dirbtinis intelektas ginasi nuo grėsmių ir didina kibernetinį atsparumą naudodamas nuspėjamuosius ir autonominius įrankius.