اخیراً، چندین مقاله ابراز عقیده کرده‌اند که هوش مصنوعی و یادگیری ماشین هرگز بازار سهام را شکست نخواهند داد. بر اساس گزارشی که توسط تحقیقات متفقین منتشر شده، بازار جهانی در سال ۲۰۱۶ ۷.۰۳ میلیارد دلار ارزیابی شده است و تخمین زده می‌شود که تا سال ۲۰۲۳ به ۳۸.۷۱ میلیارد دلار برسد. توسعه سریع قدرت‌های محاسباتی و سرعت سریع تغییرات در بازار سهام سرمایه گذاران را وادار می‌کند که آیا باید به ماشین آلات اعتماد کنند تا بازار سهام را پیش بینی کنند یا به استفاده از روش‌های قدیمی ادامه دهند. در این مقاله قصد داریم نشان دهیم که میانگین بازده و ضریب موفقیت از سه روز به یک سال نشان می‌دهد که ما اثر طولانی الگوریتم مبتنی بر هوش مصنوعی را می‌دانیم.
مولفه گمشده هوش مصنوعی برای غلبه بر بازار سهام
در مقاله اول، نویسنده استدلال می‌کند که “یک نقص عمده در الگوریتم‌های ساخته شده برای پیش بینی حرکت‌های آینده بازار وجود دارد. آنها فقط با در نظر گرفتن حرکات قیمت گذشته، به جنبه‌های فنی دارایی احترام می‌گذارند و از هرگونه ملاحظه اصول آینده جلوگیری می‌کنند ». علاوه‌براین، وی مقایسه می‌کند که تغذیه یک الگوریتم با داده‌های صرفاً مبتنی بر جزئیات فنی، شبیه بازی با دارت با چشم‌بند است. “شما از هر ۱۰ بار ۱ بار به تخته می‌زنید، اما بقیه به دیوار می‌خورند”.
پیام دیگر بیان شده در این مقاله این است که بازار سهام پیچیدگی زیادی دارد و احتمال موفقیت در برابر شکست بازار “راهی کمتر از ۵۰٪ و در بعضی موارد حتی کمتر از ۱٪” است. سرانجام، او ادعا کرد که “ماشین آلات قادر به پیش بینی یک واقعه قوی سیاه نیستند اما به احتمال زیاد باعث این اتفاق می‌شوند”.
ملاحظات فوق خصوصاً در مواقع ناپایدار بسیار قدرتمند هستند. با این وجود، چند عامل مخالف وجود دارد که باید در نظر گرفته شوند. اول، مقررات ویژه‌ای در بازار وجود دارد که برای جلوگیری از چنین شرایط بحرانی و به حداقل رساندن خطرات “قو سیاه” تنظیم شده است. شما به سادگی نمی‌توانید سهام را به طور هم زمان بفروشید یا بخرید و قیمت‌های خاصی از سهام را بهم بخورد که بازار را خراب کند. گرچه این تئوری است، اما از منظر تاریخی می‌توان مشاهده کرد که تاکنون هوش مصنوعی هیچ مسئولیتی در قبال حوادث قو سیاه نداشته است، در حالی که تصمیمات بشر و بلایای طبیعی در این زمینه بوده است.
سرانجام، اگرچه هوش مصنوعی ابزاری قدرتمند برای پیش بینی و حتی فعالیت در بازار سهام است، نمی‌توان به راحتی ماهیت بهینه سازی الگوریتم‌ها را به عنوان دلایل این سناریوهای نامطلوب مشخص کرد – الگوریتم ها بر اساس شرایط واقعی و اساسی بازار و ویژگی های بنیادی شرکت ها عمل می کنند. در نتیجه، باید عملکرد این الگوریتم‌ها را در چارچوب بازار و افق‌های زمانی مشخص در نظر بگیریم به گونه‌ای که مقایسه عملکرد ﺁن‌ها با معامله‌گران منطقی باشد. به عبارت دیگر، بعضی اوقات ممکن است معامله‌گران عملکرد بهتری را نسبت به هوش مصنوعی داشته باشند، اما از آنجا که رایانه‌ها می توانند داده‌های بیشتری پردازش کرده و از منظر داده‌های بازار “نمای هلی کوپتر” را بدست آورند، از نظر پیش بینی و تصمیمات تجاری می‌توانند از قابلیت اطمینان بیشتری برخوردار باشند. بنابراین، استدلال ارائه شده توسط مقاله فوق همیشه باید در چارچوب بازار واقعی در نظر گرفته شود و نه فقط از منظر فنی.
بیشتر بخوانید: تحلیل بنیادی یا تکنیکال؟
مقاله دوم، ونزانت دار، پژ.هشات خود را درباره “عدم اطمینان در رفتار تصمیم گیری سیستم‌های یادگیری ماشین” تشریح می‌کند. تحقیقات وی سعی دارد “توضیح دهد که چرا مجموعه‌ای از مدل‌های آموزش دیده در مورد تغییرات کوچک تاریخچه در مورد جهت بازار فردا اختلاف نظر دارند”. این “در مقایسه با چشم انداز، به رفتار نامطمئن‌تری از سیستم‌های هوش مصنوعی در حوزه‌های با پیش بینی کم مانند بازار سهام تبدیل می‌شود.”
در این مقاله، به موضوع اساسی می‌پردازد – ماهیت ثابت یا غیر ثابت سیستم پیش بینی شده. به همین ترتیب، مقایسه سیستم بازار مالی با مورد بینایی رایانه در سیستم رانندگی خودمختار بسیار مهم است. در واقع، کاربرد هوش مصنوعی در این زمینه‌ها هم شامل رفتار انسان است که گاهی اوقات به سختی قابل پیش بینی است و هم الگوهای کلی سیستماتیک و الگوهای فعالیت. با این حال، اگر سیستم‌های رانندگی را در نظر بگیریم، می‌توان دریافت که رفتار انسان به شدت محدود و تحت کنترل قوانین راهنمایی و رانندگی و فیزیک است که باعث می‌شود کار هوش مصنوعی از نظر پیش بینی و عمل به این پیش بینی‌ها آسان‌تر باشد.
در مورد سیستم‌های مالی، اگرچه آنها نیز بشدت تحت کنترل هستند و معامله گران بازار باید مطابق آن عمل کنند، اما باز هم آزادی و غیرقابل پیش بینی بودن بیشتر ناشی از تصمیمات انسانی و پیامدهای آنها بر قیمت سهام و پیش بینی‌های بازار تاثیر دارد. منطقی است، با این حال، دهه‌های گذشته با افزایش حضور رایانه، راه حل‌های تجاری الگوریتمی و برنامه‌های کاربردی هوش مصنوعی که دقت و بازدهی استراتژی‌های سرمایه گذاری را بهبود می‌بخشد، شناسایی شده‌اند.
پیامد دیگر چنین تغییراتی این است که هرچه الگوریتم‌ها و مقیاس وسیع‌تری از هوش مصنوعی به دست آید، سازمان یافته‌تر، انسان محورتر، ساختارمندتر هستند، از این رو سیستم مالی ساکن‌تر و از نظر هوش مصنوعی و یادگیری ماشین قابل پیش بینی‌تر است. در نتیجه، راه حل اصلی این مسئله عمدتاً به کاربردهای گسترده‌تر یادگیری ماشینی و فن آوری‌های هوش مصنوعی با افزایش تعداد بازیگران بازار و تقویت قدرت پیش بینی کلی این الگوریتم‌ها بستگی دارد. البته، همیشه بخش‌های منظمی از خطرات وجود دارد که نمی‌توان آنها را پیش بینی یا تنوع داد، اما هوش مصنوعی قطعاً به قدرت خود کمک می‌کند تا خطرات غیر سیستماتیک را به حداقل برساند و در آینده فوق بازار را در چارچوب فوق پیش بینی کند.
درباره الگوریتم I Know First
مدل اول ۱۰۰٪ تجربی است، یعنی فقط بر اساس داده‌های گذشته است. فرضیات برگرفته شده از انسان در مدل گنجانده نشده است. این الگوریتم دائماً “تئوری‌ها” را ارائه می‌دهد، آنها را بر روی داده‌های سال‌های گذشته بازار آزمایش می‌کند، سپس آنها را بر روی جدیدترین داده‌ها اعتبار سنجی می‌کند. الگوریتم برای پیش بینی خود از داده‌های ۱۵ ساله هام استفاده می‌کند. این یک تغییر کوچک نیست بلکه یک مجموعه داده بزرگ است. ما برای پیش بینی رفتارهای آینده بازار از روش‌های آماری برای یافتن الگوها استفاده می‌کنیم.
مثال‌های زیر نشان می‌دهد که الگوریتم نه تنها یک بار، بلکه به ۶ از ۱۰ مورد امروزه نزدیک می‌شود. علاوه‌براین، الگوریتم با موفقیت برخی از عمده افت‌های اخیر بازار را قبل از وقوع واقعی پیش بینی کرده است. این را می‌توان در نوامبر ۲۰۱۶، ژوئن ۲۰۱۹ و اکتبر ۲۰۱۹ مشاهده کرد، فقط به ذکر چند نمونه.
آیا می‌توانیم بهترین سهام را تشخیص دهیم؟
بیایید چند نمونه از ژانویه ۲۰۱۹ تا مارس ۲۰۲۰ را در نظر بگیریم. در این بازه زمانی بازار سهام بسیار بی‌ثبات بود. در حین پیش بینی سهام‌های NVIDIA، اپل و تسلا، الگوریتم I Know First یک نسبت ۱۰۰ درصدی موفقیت به افق‌های یک ساله داشت. پیش بینی‌ها به طور مداوم در ۵۸٪ ، ۶۵٪ ، ۵۷٪ نرخ موفقیت، به ترتیب، برای سایر بازه‌های زمانی منجر می‌شود.
همانطور که از نمودار فوق مشاهده می‌کنیم، در همان بازه زمان ، عملکرد شاخص S&P 500 کمتر از سهام تکی بوده است. همانطور که نتایج به خودی خود بیان می‌کنند، لازم به ذکر است که نتایج فوق با استفاده از استراتژی سرمایه گذاری منفعلانه بسیار ساده و صرفاً پیروی از پیش بینی‌های مبتنی بر هوش مصنوعی برای سهام فوق بدست آمده است. به همین ترتیب، پیش بینی‌های الگوریتمی در صورت استفاده می‌تواند از بازده بالاتری از سرمایه خود برخوردار شوند.
آیا می‌توانیم رفتار کل بازار را تشخیص دهیم؟
یکی از جدیدترین مطالعات انجام شده توسط تیم تحقیق و توسعه R&D ارزیابی عملکرد الگوریتم I Know First برای پیش بینی‌های S&P 500 و NASDAQ از ۱۳ مارس ۲۰۱۹ تا ۱۳ مه ۲۰۲۰ است. این دوره همه گیری COVID-19 را از ابتدای شروع تا فعال‌ترین مرحله در سراسر جهان پوشش می‌دهد. دقت پیش بینی بیش از ۶۰٪ در تمام بازه‌های زمانی باقی مانده است.
در این دوره ، شاخص های S&P 500 و NASDAQ به ترتیب ۱.۰۲ و ۱۶.۷۶ درصد رشد کردند. سهام SPY و QQQ به ترتیب ۰.۷۵٪ و ۲۴.۸۴٪ رشد کردند.
نتیجه
نویسندگان مقالات ذکر شده نگرش بدبینانه‌ای نسبت به دخالت هوش مصنوعی و یادگیری ماشین در معاملات بازار سهام نشان می‌دهند. مطمئناً، هوش مصنوعی می‌تواند در موارد خاص (مانند رویدادهای “قو سیاه”) ضرر کند، اما در موارد دیگر آنها می‌توانند در رقابت با قوی ترین و درخشان‌ترین سرمایه گذاران مانند وارن بافت مقاومت کنند و حتی برنده شوند. الگوریتم I Know First از یک مجموعه داده بزرگ از اطلاعات تاریخی استفاده می‌کند. این داده‌ها برای یادگیری چگونگی پیروزی در بازار با مطالعه تصویر بزرگتر و یادگیری موفقیت و شکست گذشته استفاده می‌شود، که مطمئناً می‌تواند رخ دهد. در حالی که مشخصاً فضای پیشرفت وجود دارد، هوش مصنوعی در مسیر تکامل درستی قرار دارد.
منبع: iknowfirst.com
