Ці можа штучны інтэлект прадказаць фондавы рынак?

Уводзіны

Прагназаванне фондавага рынку доўгі час было фінансавым «святым Граалем», якога імкнуліся як інстытуцыйныя, так і рознічныя інвестары па ўсім свеце. З нядаўнімі дасягненнямі ў галіне штучнага інтэлекту (ШІ) і машыннага навучання (МН) многія задаюцца пытаннем, ці нарэшце гэтыя тэхналогіі раскрылі сакрэт прагназавання цэн на акцыі. Ці можа ШІ прадказваць фондавы рынак? Гэты дакумент разглядае гэтае пытанне з глабальнай перспектывы, акрэсліваючы, як мадэлі на аснове ШІ спрабуюць прагназаваць рух рынку, тэарэтычныя асновы гэтых мадэляў і рэальныя абмежаванні, з якімі яны сутыкаюцца. Мы прадстаўляем непрадузяты аналіз, заснаваны на даследаваннях, а не на ажыятажы, таго, што ШІ можа і не можа рабіць у кантэксце прагназавання фінансавага рынку.

У фінансавай тэорыі праблема прагназавання падкрэсліваецца гіпотэзай эфектыўнага рынку (ГЭР) . ГЭР (асабліва ў сваёй «моцнай» форме) сцвярджае, што цэны на акцыі цалкам адлюстроўваюць усю даступную інфармацыю ў любы момант часу, гэта значыць, што ні адзін інвестар (нават інсайдэры) не можа паслядоўна апярэджваць рынак, гандлюючы на ​​аснове даступнай інфармацыі ( Мадэлі прагназавання акцый на аснове дадзеных, заснаваныя на нейронных сетках: агляд ). Простымі словамі, калі рынкі вельмі эфектыўныя, а цэны рухаюцца выпадковым чынам , то дакладнае прагназаванне будучых цэн павінна быць практычна немагчымым. Нягледзячы на ​​гэтую тэорыю, спакуса абыграць рынак стымулявала шырокія даследаванні перадавых метадаў прагназавання. Штучны інтэлект і машыннае навучанне сталі цэнтральнымі ў гэтай справе дзякуючы сваёй здольнасці апрацоўваць велізарныя аб'ёмы дадзеных і вызначаць тонкія заканамернасці, якія людзі могуць прапусціць ( Выкарыстанне машыннага навучання для прагназавання фондавага рынку... | FMP ).

Гэты дакумент дае поўны агляд метадаў штучнага інтэлекту, якія выкарыстоўваюцца для прагназавання фондавага рынку, і ацэньвае іх эфектыўнасць. Мы паглыбімся ў тэарэтычныя асновы папулярных мадэляў (ад традыцыйных метадаў часовых шэрагаў да глыбокіх нейронных сетак і навучання з падмацаваннем), абмяркуем дадзеныя і працэс навучання для гэтых мадэляў, а таксама вылучым ключавыя абмежаванні і праблемы , з якімі сутыкаюцца такія сістэмы, такія як эфектыўнасць рынку, шум дадзеных і непрадбачаныя знешнія падзеі. Даследаванні і прыклады з рэальнага свету ўключаны для ілюстрацыі неадназначных вынікаў, атрыманых да гэтага часу. Нарэшце, мы завяршаем рэалістычнымі чаканнямі для інвестараў і спецыялістаў-практыкаў: прызнаючы ўражлівыя магчымасці штучнага інтэлекту, адначасова прызнаючы, што фінансавыя рынкі захоўваюць узровень непрадказальнасці, які ні адзін алгарытм не можа цалкам ліквідаваць.

Тэарэтычныя асновы штучнага інтэлекту ў прагназаванні фондавага рынку

Сучаснае прагназаванне акцый на аснове штучнага інтэлекту грунтуецца на дзесяцігоддзях даследаванняў у галіне статыстыкі, фінансаў і інфарматыкі. Карысна разумець спектр падыходаў ад традыцыйных мадэляў да перадавога штучнага інтэлекту:

• Традыцыйныя мадэлі часовых шэрагаў: ранняе прагназаванне акцый, заснаванае на статыстычных мадэлях, якія мяркуюць, што заканамернасці мінулых цэн могуць прагназаваць будучыню. Такія мадэлі, як ARIMA (аўтарэгрэсіўная інтэграваная слізгальная сярэдняя) і ARCH/GARCH, сканцэнтраваны на фіксацыі лінейных тэндэнцый і кластэрызацыі валацільнасці ў часовых шэрагах дадзеных ( Мадэлі прагназавання акцый на аснове дадзеных, заснаваныя на нейронных сетках: агляд ). Гэтыя мадэлі забяспечваюць базавую аснову для прагназавання шляхам мадэлявання гістарычных паслядоўнасцей цэн пры ўмове стацыянарнасці і лінейнасці. Нягледзячы на ​​карысць, традыцыйныя мадэлі часта маюць праблемы са складанымі нелінейнымі заканамернасцямі рэальных рынкаў, што прыводзіць да абмежаванай дакладнасці прагназавання на практыцы ( Мадэлі прагназавання акцый на аснове дадзеных, заснаваныя на нейронных сетках: агляд ).

• Алгарытмы машыннага навучання: метады машыннага навучання выходзяць за рамкі загадзя вызначаных статыстычных формул, навучаючыся заканамернасцям непасрэдна з дадзеных . Для прагназавання акцый ужываюцца такія алгарытмы, як метады апорных вектараў (SVM) , выпадковыя лясы і градыентнае ўзмацненне . Яны могуць уключаць шырокі спектр уваходных характарыстык — ад тэхнічных паказчыкаў (напрыклад, слізгальных сярэдніх, аб'ёму таргоў) да фундаментальных паказчыкаў (напрыклад, прыбытку, макраэканамічных дадзеных) — і знаходзіць нелінейныя залежнасці паміж імі. Напрыклад, мадэль выпадковага лесу або градыентнага ўзмацнення можа адначасова ўлічваць дзясяткі фактараў, фіксуючы ўзаемадзеянні, якія простая лінейная мадэль можа прапусціць. Гэтыя мадэлі машыннага навучання паказалі здольнасць нязначна паляпшаць дакладнасць прагназавання, выяўляючы складаныя сігналы ў дадзеных ( Выкарыстанне машыннага навучання для прагназавання фондавага рынку... | FMP ). Аднак яны патрабуюць дбайнай налады і дастатковай колькасці дадзеных, каб пазбегнуць перападрыхтоўкі (шуму навучання, а не сігналу).

• Глыбокае навучанне (нейронныя сеткі): Глыбокія нейронныя сеткі , натхнёныя структурай чалавечага мозгу, сталі папулярнымі для прагназавання фондавага рынку ў апошнія гады. Сярод іх рэкурэнтныя нейронныя сеткі (RNN) і іх варыянты з доўгатэрміновай памяццю (LSTM) спецыяльна распрацаваны для паслядоўных дадзеных, такіх як часовыя шэрагі цэн на акцыі. LSTM могуць захоўваць памяць пра мінулую інфармацыю і фіксаваць часавыя залежнасці, што робіць іх добра прыдатнымі для мадэлявання тэндэнцый, цыклаў або іншых залежных ад часу заканамернасцей у рынкавых дадзеных. Даследаванні паказваюць, што LSTM і іншыя мадэлі глыбокага навучання могуць фіксаваць складаныя, нелінейныя сувязі ў фінансавых дадзеных, якія прапускаюць больш простыя мадэлі. Іншыя падыходы да глыбокага навучання ўключаюць згортачныя нейронныя сеткі (CNN) (часам выкарыстоўваюцца на «малюнках» тэхнічных індыкатараў або закадаваных паслядоўнасцях), трансфарматары (якія выкарыстоўваюць механізмы ўвагі для ўзважвання важнасці розных часовых крокаў або крыніц дадзеных) і нават графавыя нейронныя сеткі (GNN) (для мадэлявання сувязяў паміж акцыямі на графіцы рынку). Гэтыя перадавыя нейронныя сеткі могуць апрацоўваць не толькі дадзеныя аб цэнах, але і альтэрнатыўныя крыніцы дадзеных, такія як навіны, настроі ў сацыяльных сетках і іншыя, вывучаючы абстрактныя асаблівасці, якія могуць прадказваць рухі рынку ( Выкарыстанне машыннага навучання для прагназавання фондавага рынку... | FMP ). Гнуткасць глыбокага навучання мае сваю цану: яны прагныя да дадзеных, інтэнсіўныя ў вылічэннях і часта працуюць як «чорныя скрыні» з меншай інтэрпрэтабельнасцю.

• Навучанне з падмацаваннем: яшчэ адной мяжой у прагназаванні акцый з дапамогай штучнага інтэлекту з'яўляецца навучанне з падмацаваннем (НП) , мэтай якога з'яўляецца не проста прагназаванне цэн, а вывучэнне аптымальнай гандлёвай стратэгіі. У рамках НП агент (мадэль НП) узаемадзейнічае з асяроддзем (рынкам), выконваючы дзеянні (купляць, прадаваць, трымаць) і атрымліваючы ўзнагароды (прыбытак або страты). З часам агент засвойвае палітыку, якая максімізуе сукупную ўзнагароду. Глыбокае навучанне з падмацаваннем (ГНП) спалучае нейронныя сеткі з навучаннем з падмацаваннем для апрацоўкі вялікай прасторы станаў рынкаў. Прывабнасць НП у фінансах заключаецца ў яго здольнасці ўлічваць паслядоўнасць рашэнняў і непасрэдна аптымізаваць прыбытак ад інвестыцый, а не прагназаваць цэны асобна. Напрыклад, агент НП можа навучыцца, калі ўваходзіць або выходзіць з пазіцый на аснове цэнавых сігналаў, і нават адаптавацца да змены рынкавых умоў. Прыкметна, што НП выкарыстоўвалася для навучання мадэляў НП, якія канкуруюць у колькасных гандлёвых спаборніцтвах і ў некаторых уласных гандлёвых сістэмах. Аднак метады навучання з падмацаваннем таксама сутыкаюцца са значнымі праблемамі: яны патрабуюць шырокага навучання (імітавання гадоў таргоў), могуць пакутаваць ад нестабільнасці або разыходжанняў у паводзінах, калі іх не наладзіць старанна, і іх прадукцыйнасць вельмі адчувальная да меркаванага рынкавага асяроддзя. Даследчыкі адзначаюць такія праблемы, як высокія вылічальныя выдаткі і праблемы стабільнасці пры ўжыванні навучання з падмацаваннем да складаных фондавых рынкаў. Нягледзячы на ​​гэтыя праблемы, навучанне з падмацаваннем уяўляе сабой перспектыўны падыход, асабліва ў спалучэнні з іншымі метадамі (напрыклад, выкарыстанне мадэляў прагназавання цэн плюс стратэгія размеркавання на аснове навучання з падмацаваннем) для фарміравання гібрыднай сістэмы прыняцця рашэнняў ( Прагназаванне фондавага рынку з выкарыстаннем глыбокага навучання з падмацаваннем ).

Крыніцы дадзеных і працэс навучання

Незалежна ад тыпу мадэлі, дадзеныя з'яўляюцца асновай прагназавання фондавага рынку штучным інтэлектам. Мадэлі звычайна навучаюцца на гістарычных рынкавых дадзеных і іншых звязаных з імі наборах дадзеных для выяўлення заканамернасцей. Звычайныя крыніцы дадзеных і функцыі ўключаюць:

• Гістарычныя цэны і тэхнічныя індыкатары: Амаль усе мадэлі выкарыстоўваюць мінулыя цэны акцый (адкрыццё, максімум, мінімум, закрыццё) і аб'ёмы таргоў. З іх аналітыкі часта атрымліваюць тэхнічныя індыкатары (слізгальныя сярэднія, індэкс адноснай сілы, MACD і г.д.) у якасці ўваходных дадзеных. Гэтыя індыкатары могуць дапамагчы вылучыць тэндэнцыі або імпульс, якія мадэль можа выкарыстоўваць. Напрыклад, мадэль можа ўзяць у якасці ўваходных дадзеных цэны і аб'ём за апошнія 10 дзён, а таксама такія індыкатары, як 10-дзённая слізгальная сярэдняя або паказчыкі валацільнасці, каб прагназаваць рух цэн на наступны дзень.

• Рынкавыя індэксы і эканамічныя дадзеныя: многія мадэлі ўключаюць больш шырокую рынкавую інфармацыю, такую ​​як узроўні індэксаў, працэнтныя стаўкі, інфляцыя, рост ВУП або іншыя эканамічныя паказчыкі. Гэтыя макраасаблівасці забяспечваюць кантэкст (напрыклад, агульныя настроі рынку або эканамічнае здароўе), які можа паўплываць на прадукцыйнасць асобных акцый.

• Навіны і настроі: усё большая колькасць сістэм штучнага інтэлекту апрацоўвае неструктураваныя дадзеныя, такія як навіны, стужкі сацыяльных сетак (Twitter, Stocktwits) і фінансавыя справаздачы. Метады апрацоўкі натуральнай мовы (NLP), у тым ліку перадавыя мадэлі, такія як BERT, выкарыстоўваюцца для ацэнкі настрояў рынку або выяўлення адпаведных падзей. Напрыклад, калі настроі ў навінах раптоўна становяцца рэзка негатыўнымі для кампаніі або сектара, мадэль штучнага інтэлекту можа прадказаць падзенне адпаведных цэн на акцыі. Апрацоўваючы навіны і настроі ў сацыяльных сетках у рэжыме рэальнага часу , штучны інтэлект можа рэагаваць на новую інфармацыю хутчэй, чым людзі-трэйдары.

• Альтэрнатыўныя дадзеныя: Некаторыя дасведчаныя хедж-фонды і даследчыкі штучнага інтэлекту выкарыстоўваюць альтэрнатыўныя крыніцы дадзеных — спадарожнікавыя здымкі (для трафіку крам або прамысловай актыўнасці), дадзеныя аб транзакцыях па крэдытных картах, тэндэнцыі пошуку ў Інтэрнэце і г.д. — для атрымання прагнастычнай інфармацыі. Гэтыя нетрадыцыйныя наборы дадзеных часам могуць служыць вядучымі індыкатарамі дынамікі акцый, хоць яны таксама ўскладняюць навучанне мадэляў.

Навучанне мадэлі штучнага інтэлекту для прагназавання акцый прадугледжвае падачу ў яе гэтых гістарычных дадзеных і карэкціроўку параметраў мадэлі для мінімізацыі памылкі прагназавання. Як правіла, дадзеныя падзяляюцца на навучальны набор (напрыклад, старая гісторыя для вывучэння заканамернасцей) і тэставы/валідацыйны набор (больш познія дадзеныя для ацэнкі прадукцыйнасці ў нябачных умовах). Улічваючы паслядоўны характар ​​рынкавых дадзеных, прымаюцца меры засцярогі, каб пазбегнуць «зазірання ў будучыню» — напрыклад, мадэлі ацэньваюцца на дадзеных з перыядаў часу пасля перыяду навучання, каб імітаваць, як яны будуць працаваць у рэальным гандлі. перакрыжаванай праверкі , адаптаваныя для часовых шэрагаў (напрыклад, праверка наперад), выкарыстоўваюцца для таго, каб мадэль добра абагульнялася і не была прыстасавана толькі да аднаго канкрэтнага перыяду.

Акрамя таго, спецыялісты-практыкі павінны вырашаць пытанні якасці дадзеных і папярэдняй апрацоўкі. Адсутнасць дадзеных, выкіды (напрыклад, раптоўныя ўсплёскі з-за падзелу акцый або аднаразовых падзей) і змены рэжыму на рынках могуць паўплываць на навучанне мадэлі. Да ўваходных дадзеных могуць быць ужытыя такія метады, як нармалізацыя, дэтрэндынг або дэсезоналізацыя. Некаторыя перадавыя падыходы раскладаюць цэнавыя шэрагі на кампаненты (трэнды, цыклы, шум) і мадэлююць іх асобна (як паказана ў даследаваннях, якія спалучаюць варыяцыйнае раскладанне з нейроннымі сеткамі ( Прагназаванне фондавага рынку з выкарыстаннем глыбокага навучання з падмацаваннем )).

Розныя мадэлі маюць розныя патрабаванні да навучання: мадэлям глыбокага навучання могуць спатрэбіцца сотні тысяч кропак дадзеных і атрымаць выгаду ад паскарэння на графічным працэсары, у той час як больш простыя мадэлі, такія як лагістычная рэгрэсія, могуць вучыцца на адносна меншых наборах дадзеных. Мадэлям навучання з падмацаваннем патрабуецца сімулятар або асяроддзе для ўзаемадзеяння; часам гістарычныя дадзеныя прайграваюцца агенту RL, або для стварэння вопыту выкарыстоўваюцца рынкавыя сімулятары.

Нарэшце, пасля навучання гэтыя мадэлі даюць прагнастычную функцыю — напрыклад, вынік, якім можа быць прагназаваная цана на заўтра, верагоднасць таго, што акцыі вырастуць, або рэкамендаванае дзеянне (купля/продаж). Затым гэтыя прагнозы звычайна інтэгруюцца ў гандлёвую стратэгію (з памерам пазіцыі, правіламі кіравання рызыкамі і г.д.), перш чым рэальныя грошы будуць падвергнуты рызыцы.

Абмежаванні і праблемы

Нягледзячы на ​​тое, што мадэлі штучнага інтэлекту сталі неверагодна складанымі, прагназаванне фондавага рынку застаецца складанай задачай . Ніжэй прыведзены асноўныя абмежаванні і перашкоды, якія перашкаджаюць штучнаму інтэлекту быць гарантаваным варажбітом на рынках:

• Эфектыўнасць рынку і выпадковасць: Як ужо згадвалася раней, гіпотэза эфектыўнага рынку сцвярджае, што цэны ўжо адлюстроўваюць вядомую інфармацыю, таму любая новая інфармацыя выклікае неадкладныя карэкціроўкі. На практыцы гэта азначае, што змены цэн у значнай ступені абумоўлены нечаканымі навінамі або выпадковымі ваганнямі. Сапраўды, дзесяцігоддзі даследаванняў паказалі, што кароткатэрміновыя рухі цэн на акцыі нагадваюць выпадковае блуканне ( Мадэлі прагназавання акцый на аснове дадзеных, заснаваныя на нейронных сетках: агляд ) — учорашняя цана мала ўплывае на заўтрашнюю, акрамя таго, што прадказвае выпадак. Калі цэны на акцыі па сутнасці выпадковыя або «эфектыўныя», ні адзін алгарытм не можа паслядоўна прадказваць іх з высокай дакладнасцю. Як лаканічна сказана ў адным даследаванні, «гіпотэза выпадковага блукання і гіпотэза эфектыўнага рынку па сутнасці сцвярджаюць, што немагчыма сістэматычна і надзейна прадказваць будучыя цэны на акцыі» ( Прагназаванне адноснай прыбытковасці акцый S&P 500 з выкарыстаннем машыннага навучання | Фінансавыя інавацыі | Поўны тэкст ). Гэта не азначае, што прагнозы штучнага інтэлекту заўсёды бескарысныя, але гэта падкрэслівае фундаментальнае абмежаванне: значная частка руху рынку можа быць проста шумам, які нават лепшая мадэль не можа прадказаць загадзя.

• Шум і непрадказальныя знешнія фактары: На цэны акцый уплывае мноства фактараў, многія з якіх з'яўляюцца экзагеннымі і непрадказальнымі. Геапалітычныя падзеі (войны, выбары, змены ў заканадаўстве), стыхійныя бедствы, пандэміі, раптоўныя карпаратыўныя скандалы ці нават вірусныя чуткі ў сацыяльных сетках могуць нечакана зрушыць рынкі. Гэта падзеі, для якіх мадэль не можа мець папярэдніх навучальных дадзеных (таму што яны беспрэцэдэнтныя) або якія адбываюцца як рэдкія шокі. Напрыклад, ніводная мадэль штучнага інтэлекту, навучаная на гістарычных дадзеных за 2010–2019 гады, не магла б спецыяльна прадбачыць крах COVID-19 у пачатку 2020 года або яго хуткае аднаўленне. Фінансавыя мадэлі штучнага інтэлекту сутыкаюцца з цяжкасцямі, калі рэжымы мяняюцца або калі адзінкавая падзея ўплывае на цэны. Як адзначае адна крыніца, такія фактары, як геапалітычныя падзеі або раптоўныя публікацыі эканамічных дадзеных, могуць зрабіць прагнозы састарэлымі амаль імгненна ( Выкарыстанне машыннага навучання для прагназавання фондавага рынку... | FMP ) ( Выкарыстанне машыннага навучання для прагназавання фондавага рынку... | FMP ). Іншымі словамі, нечаканыя навіны заўсёды могуць пераўзысці алгарытмічныя прагнозы , уносячы ўзровень нявызначанасці, які нельга звесці да мінімуму.

• Перанавучанне і абагульненне: Мадэлі машыннага навучання схільныя да перанавучання , гэта значыць, яны могуць занадта добра вывучаць «шум» або дзівацтвы ў навучальных дадзеных, а не асноўныя агульныя заканамернасці. Перанавучаная мадэль можа бліскуча працаваць на гістарычных дадзеных (нават паказваць уражлівыя прыбыткі, правераны на мінулым тыдні, або высокую дакладнасць у выбарцы), але потым няўдала працаваць на новых дадзеных. Гэта распаўсюджаная памылка ў колькасных фінансах. Напрыклад, складаная нейронная сетка можа выяўляць ілжывыя карэляцыі, якія ў мінулым існавалі па збегу абставін (напрыклад, пэўная камбінацыя скрыжаванняў індыкатараў, якія папярэднічалі росту за апошнія 5 гадоў), але гэтыя сувязі могуць не захоўвацца ў будучыні. Практычны прыклад: можна распрацаваць мадэль, якая прадказвае, што мінулагоднія пераможцы акцый заўсёды будуць расці — яна можа адпавядаць пэўнаму перыяду, але калі рэжым рынку зменіцца, гэтая заканамернасць парушаецца. Перанавучанне прыводзіць да дрэннай прадукцыйнасці па-за выбаркай , гэта значыць, што прагнозы мадэлі ў рэальным гандлі могуць быць не лепшымі за выпадковыя, нягледзячы на ​​тое, што яны выдатна выглядаюць у распрацоўцы. Каб пазбегнуць перанавучання, патрэбныя такія метады, як рэгулярызацыя, кантроль складанасці мадэлі і выкарыстанне надзейнай праверкі. Аднак сама складанасць, якая дае мадэлям штучнага інтэлекту магутнасць, робіць іх уразлівымі да гэтай праблемы.

• Якасць і даступнасць дадзеных: Прыказка «смецце на ўваходзе — смецце на выхадзе» цалкам адносіцца да прагназавання акцый з дапамогай штучнага інтэлекту. Якасць, колькасць і актуальнасць дадзеных істотна ўплываюць на прадукцыйнасць мадэлі. Калі гістарычных дадзеных недастаткова (напрыклад, спроба навучыць глыбокую сетку ўсяго за некалькі гадоў коштаў на акцыі) або нерэпрэзентатыўных (напрыклад, выкарыстанне дадзеных з пераважна бычынага перыяду для прагназавання мядзведжага сцэнарыя), мадэль не будзе добра абагульняць. Дадзеныя таксама могуць быць прадузятымі або схільнымі да выжывання (напрыклад, фондавыя індэксы натуральным чынам з часам зніжаюць паказчыкі кампаній з нізкімі паказчыкамі, таму гістарычныя дадзеныя індэксаў могуць быць зрушаныя ў бок павелічэння). Ачыстка і курыраванне дадзеных — гэта няпростая задача. Акрамя таго, альтэрнатыўныя крыніцы дадзеных могуць быць дарагімі або цяжкадаступнымі, што можа даць перавагу інстытуцыйным гульцам, пакідаючы пры гэтым рознічных інвестараў з менш поўнымі дадзенымі. Існуе таксама праблема частаты : мадэлі высокачастотнага гандлю патрабуюць пацікавых дадзеных, якія маюць велізарны аб'ём і патрабуюць спецыяльнай інфраструктуры, тады як мадэлі з больш нізкай частатой могуць выкарыстоўваць штодзённыя або штотыднёвыя дадзеныя. Забеспячэнне часавай узгодненасці дадзеных (напрыклад, навіны з адпаведнымі дадзенымі аб цэнах) і адсутнасці прадузятасці прагнозу з'яўляецца пастаяннай праблемай.

• Празрыстасць і інтэрпрэтацыя мадэлі: Многія мадэлі штучнага інтэлекту, асабліва тыя, што працуюць з глыбокім навучаннем, функцыянуюць як чорныя скрыні . Яны могуць выдаваць прагноз або гандлёвы сігнал без лёгка вытлумачальнай прычыны. Гэты недахоп празрыстасці можа быць праблематычным для інвестараў, асабліва інстытуцыйных, якім неабходна абгрунтоўваць рашэнні перад зацікаўленымі бакамі або выконваць правілы. Калі мадэль штучнага інтэлекту прагназуе падзенне кошту акцый і рэкамендуе прадаваць іх, кіраўнік партфеля можа завагацца, калі не разумее абгрунтавання. Непразрыстасць рашэнняў штучнага інтэлекту можа знізіць давер і ўкараненне, незалежна ад дакладнасці мадэлі. Гэтая праблема стымулюе даследаванні ў галіне вытлумачальнага штучнага інтэлекту для фінансаў, але застаецца праўдай, што часта існуе кампраміс паміж складанасцю/дакладнасцю мадэлі і інтэрпрэтацыяй.

• Адаптыўныя рынкі і канкурэнцыя: Важна адзначыць, што фінансавыя рынкі з'яўляюцца адаптыўнымі . Пасля таго, як прагназуемая мадэль будзе выяўлена (з дапамогай штучнага інтэлекту або любога іншага метаду) і выкарыстана многімі трэйдарамі, яна можа перастаць працаваць. Напрыклад, калі мадэль штучнага інтэлекту выявіць, што пэўны сігнал часта папярэднічае росту акцый, трэйдары пачнуць дзейнічаць на аснове гэтага сігналу раней, тым самым пазбаўляючы магчымасці. Па сутнасці, рынкі могуць развівацца, каб звесці на нішто вядомыя стратэгіі . Сёння многія гандлёвыя фірмы і фонды выкарыстоўваюць штучны інтэлект і машыннае навучанне. Гэтая канкурэнцыя азначае, што любая перавага часта невялікая і кароткачасовая. У выніку мадэлі штучнага інтэлекту могуць патрабаваць пастаяннага перанавучання і абнаўлення, каб ісці ў нагу са зменлівай дынамікай рынку. На высокаліквідных і развітых рынках (напрыклад, у буйных амерыканскіх акцыях) шматлікія вопытныя гульцы палююць на адны і тыя ж сігналы, што надзвычай ускладняе падтрыманне перавагі. Наадварот, на менш эфектыўных рынках або нішавых актывах штучны інтэлект можа выявіць часовую неэфектыўнасць, але па меры мадэрнізацыі гэтых рынкаў разрыў можа скараціцца. Гэтая дынамічная прырода рынкаў з'яўляецца фундаментальнай праблемай: «правілы гульні» не з'яўляюцца стацыянарнымі, таму мадэль, якая працавала ў мінулым годзе, можа спатрэбіцца перагледзець у наступным годзе.

• Абмежаванні рэальнага свету: нават калі б мадэль штучнага інтэлекту магла прадказваць цэны з прыстойнай дакладнасцю, пераўтварэнне прагнозаў у прыбытак — яшчэ адна праблема. Гандаль нясе транзакцыйныя выдаткі , такія як камісіі, праслізгванне і падаткі. Мадэль можа правільна прадказаць мноства невялікіх ваганняў цэн, але прыбытак можа быць знішчаны камісіямі і ўплывам здзелак на рынак. Кіраванне рызыкамі таксама мае вырашальнае значэнне — ні адзін прагноз не з'яўляецца 100% упэўненым, таму любая стратэгія, заснаваная на штучным інтэлекце, павінна ўлічваць патэнцыйныя страты (праз стоп-лосс, дыверсіфікацыю партфеля і г.д.). Установы часта інтэгруюць прагнозы штучнага інтэлекту ў больш шырокую сістэму рызык, каб гарантаваць, што штучны інтэлект не зробіць стаўку на прагноз, які можа быць няправільным. Гэтыя практычныя меркаванні азначаюць, што тэарэтычная перавага штучнага інтэлекту павінна быць значнай, каб быць карысным пасля рэальных трэнняў.

Карацей кажучы, штучны інтэлект валодае ўражлівымі магчымасцямі, але гэтыя абмежаванні гарантуюць, што фондавы рынак застаецца часткова прадказальнай, часткова непрадказальнай сістэмай . Мадэлі штучнага інтэлекту могуць схіліць шанцы на карысць інвестара, больш эфектыўна аналізуючы дадзеныя і, магчыма, выяўляючы тонкія прагназуючыя сігналы. Аднак спалучэнне эфектыўнага цэнаўтварэння, шумных дадзеных, непрадбачаных падзей і практычных абмежаванняў азначае, што нават найлепшы штучны інтэлект часам будзе памыляцца — часта непрадказальна.

Прадукцыйнасць мадэляў штучнага інтэлекту: што кажуць доказы?

Улічваючы як абмеркаваныя дасягненні, так і праблемы, якія мы атрымалі з даследаванняў і рэальных спроб прымяніць штучны інтэлект у прагназаванні акцый? Вынікі пакуль неадназначныя, вылучаючы як шматабяцальныя поспехі , так і трывожныя няўдачы :

• Выпадкі апярэджвання штучным інтэлектам шанцаў: некалькі даследаванняў паказалі, што мадэлі штучнага інтэлекту могуць пераўзысці выпадковыя здагадкі пры пэўных умовах. Напрыклад, у даследаванні 2024 года была выкарыстана нейронная сетка LSTM для прагназавання тэндэнцый на в'етнамскім фондавым рынку і паведамлена аб высокай дакладнасці прагназавання — каля 93% на тэставых дадзеных ( Ужыванне алгарытмаў машыннага навучання для прагназавання тэндэнцый цэн на акцыі на фондавым рынку — выпадак В'етнама | Камунікацыі ў галіне гуманітарных і сацыяльных навук ). Гэта сведчыць аб тым, што на гэтым рынку (краіна з развіваючайся эканомікай) мадэль змагла зафіксаваць паслядоўныя заканамернасці, магчыма, таму, што на рынку назіраліся неэфектыўнасць або моцныя тэхнічныя тэндэнцыі, якія вывучыла LSTM. Яшчэ адно даследаванне ў 2024 годзе мела больш шырокі ахоп: даследчыкі спрабавалі прагназаваць кароткатэрміновую прыбытковасць для ўсіх акцый S&P 500 (значна больш эфектыўны рынак) з выкарыстаннем мадэляў машыннага навучання. Яны ахарактарызавалі гэта як праблему класіфікацыі — прагназавання таго, ці апярэдзіць акцыя індэкс на 2% на працягу наступных 10 дзён — з выкарыстаннем такіх алгарытмаў, як Random Forests, SVM і LSTM. Вынік: мадэль LSTM пераўзышла як іншыя мадэлі машыннага навучання, так і выпадковую базавую лінейку , прычым вынікі былі дастаткова статыстычна значнымі, каб выказаць здагадку, што гэта не проста ўдача ( Прагназаванне адноснай прыбытковасці акцый S&P 500 з выкарыстаннем машыннага навучання | Фінансавыя інавацыі | Поўны тэкст ). Аўтары нават прыйшлі да высновы, што ў гэтай канкрэтнай канфігурацыі верагоднасць таго, што гіпотэза выпадковага блукання спраўдзіцца, была «нязначна малой», што сведчыць аб тым, што іх мадэлі машыннага навучання сапраўды знайшлі рэальныя прагназуючыя сігналы. Гэтыя прыклады паказваюць, што штучны інтэлект сапраўды можа вызначаць заканамернасці, якія даюць перавагу (нават калі яна невялікая) у прагназаванні руху акцый, асабліва пры тэставанні на вялікіх наборах дадзеных.

• Прыкметныя прыклады выкарыстання ў прамысловасці: па-за акадэмічнымі даследаваннямі, ёсць паведамленні аб тым, што хедж-фонды і фінансавыя ўстановы паспяхова выкарыстоўваюць штучны інтэлект у сваіх гандлёвых аперацыях. Некаторыя фірмы высокачастотнага гандлю выкарыстоўваюць штучны інтэлект, каб распазнаваць і рэагаваць на заканамернасці мікраструктуры рынку за долі секунды. Буйныя банкі маюць мадэлі штучнага інтэлекту для размеркавання партфеля і прагназавання рызык , якія, хоць і не заўсёды прадказваюць цану асобнай акцыі, уключаюць прагназаванне аспектаў рынку (напрыклад, валацільнасці або карэляцыі). Існуюць таксама фонды на базе штучнага інтэлекту (часта званыя «колькаснымі фондамі»), якія выкарыстоўваюць машыннае навучанне для прыняцця гандлёвых рашэнняў — некаторыя з іх пераўзыходзілі рынак на працягу пэўных перыядаў, хоць цяжка аднесці гэта выключна да штучнага інтэлекту, бо яны часта выкарыстоўваюць камбінацыю чалавечага і машыннага інтэлекту. Канкрэтным прымяненнем з'яўляецца выкарыстанне для аналізу настрояў : напрыклад, сканаванне навін і Twitter для прагназавання таго, як будуць рухацца цэны на акцыі ў адказ. Такія мадэлі могуць быць не на 100% дакладнымі, але яны могуць даць трэйдарам невялікую фору ў цэнаўтварэнні ў навінах. Варта адзначыць, што фірмы звычайна старанна ахоўваюць падрабязнасці паспяховых стратэгій штучнага інтэлекту як інтэлектуальную ўласнасць, таму доказы ў адкрытым доступе, як правіла, адстаюць або з'яўляюцца анекдатычнымі.

• Выпадкі неэфектыўнасці і няўдач: на кожную гісторыю поспеху ёсць павучальныя гісторыі. Шматлікія акадэмічныя даследаванні, якія сцвярджалі пра высокую дакладнасць на адным рынку або ў адным таймфрейме, не змаглі абагульніць. У адным вядомым эксперыменце была зроблена спроба паўтарыць паспяховае даследаванне прагназавання індыйскага фондавага рынку (якое мела высокую дакладнасць з выкарыстаннем машыннага навучання на тэхнічных індыкатарах) на акцыях ЗША. Паўтарэнне не выявіла значнай прагнастычнай сілы — на самой справе, наіўная стратэгія заўсёды прадказваць, што акцыі будуць расці на наступны дзень, пераўзышла складаныя мадэлі машыннага навучання па дакладнасці. Аўтары прыйшлі да высновы, што іх вынікі «падтрымліваюць тэорыю выпадковага блукання» , гэта значыць, што рух акцый быў па сутнасці непрадказальным, і мадэлі машыннага навучання не дапамаглі. Гэта падкрэслівае, што вынікі могуць моцна адрознівацца ў залежнасці ад рынку і перыяду. Падобным чынам, шматлікія конкурсы Kaggle і конкурсы квантавых даследаванняў паказалі, што, хоць мадэлі часта добра адпавядаюць мінулым дадзеным, іх эфектыўнасць у рэальным гандлі часта зніжаецца да 50% дакладнасці (для прагназавання кірунку) пры змене ўмоў. Такія выпадкі, як крах квантавых фондаў у 2007 годзе і цяжкасці, з якімі сутыкнуліся фонды, заснаваныя на штучным інтэлекце, падчас пандэмічнага шоку 2020 года, паказваюць, што мадэлі штучнага інтэлекту могуць раптоўна даць збой, калі змяняецца рэжым рынку. Прадузятасць выжывання таксама з'яўляецца фактарам успрымання — мы чуем пра поспехі штучнага інтэлекту часцей, чым пра няўдачы, але за кулісамі многія мадэлі і фонды ціха церпяць няўдачу і закрываюцца, таму што іх стратэгіі перастаюць працаваць.

• Розніца паміж рынкамі: Цікавае назіранне з даследаванняў заключаецца ў тым, што эфектыўнасць штучнага інтэлекту можа залежаць ад сталасці і прадукцыйнасці . На адносна менш эфектыўных або развіваючыхся рынках можа быць больш заканамернасцей, якія можна выкарыстоўваць (з-за меншага ахопу аналітыкаў, абмежаванняў ліквіднасці або паводніцкіх прадузятасцяў), што дазваляе мадэлям штучнага інтэлекту дасягнуць больш высокай дакладнасці. Даследаванне рынку В'етнама LSTM з дакладнасцю 93% можа быць прыкладам гэтага. Наадварот, на высокаэфектыўных рынках, такіх як ЗША, гэтыя заканамернасці могуць быць хутка знікнуты арбітражным шляхам. Змешаныя вынікі паміж выпадкам В'етнама і даследаваннем рэплікацыі ў ЗША намякаюць на гэтае разыходжанне. У глабальным маштабе гэта азначае, што штучны інтэлект у цяперашні час можа даваць лепшыя прагнастычныя вынікі на пэўных нішавых рынках або класах актываў (напрыклад, некаторыя з іх ужывалі штучны інтэлект для прагназавання цэн на тавары або тэндэнцый крыптавалюты з пераменным поспехам). З часам, па меры таго, як усе рынкі рухаюцца да большай эфектыўнасці, акно для лёгкіх прагнастычных выйгрышаў звужаецца.

• Дакладнасць супраць прыбытковасці: Таксама важна адрозніваць дакладнасць прагнозу ад прыбытковасці інвестыцый . Мадэль можа мець толькі, скажам, 60% дакладнасць у прагназаванні штодзённага росту або падзення акцый — што гучыць не вельмі высока — але калі гэтыя прагнозы выкарыстоўваюцца ў разумнай гандлёвай стратэгіі, яны могуць быць даволі прыбытковымі. І наадварот, мадэль можа пахваліцца 90% дакладнасцю, але калі 10% выпадкаў, калі яна памыляецца, супадаюць з велізарнымі рухамі рынку (і, такім чынам, вялікімі стратамі), яна можа быць стратнай. Шматлікія намаганні па прагназаванні акцый з выкарыстаннем штучнага інтэлекту сканцэнтраваны на дакладнасці кірунку або мінімізацыі памылак, але інвестараў хвалюе прыбытковасць з улікам рызыкі. Такім чынам, ацэнкі часта ўключаюць такія паказчыкі, як каэфіцыент Шарпа, прасадкі і паслядоўнасць прадукцыйнасці, а не толькі неапрацаваны ўзровень паспяховых вынікаў. Некаторыя мадэлі штучнага інтэлекту былі інтэграваны ў алгарытмічныя гандлёвыя сістэмы, якія аўтаматычна кіруюць пазіцыямі і рызыкамі — іх рэальная прадукцыйнасць вымяраецца ў прыбытковасці жывых таргоў, а не ў асобнай статыстыцы прагназавання. Пакуль што цалкам аўтаномны «трэйдар са штучным інтэлектам», які надзейна выдае грошы год за годам, — гэта хутчэй навуковая фантастыка, чым рэальнасць, але больш вузкія сферы прымянення (напрыклад, мадэль штучнага інтэлекту, якая прагназуе кароткатэрміновую валацільнасць , якую трэйдары могуць выкарыстоўваць для ацэнкі апцыён і г.д.) знайшлі месца ў фінансавым інструментарыі.

У цэлым, дадзеныя сведчаць аб тым, што штучны інтэлект можа прагназаваць пэўныя рынкавыя тэндэнцыі з дакладнасцю, якая перавышае выпадковасць , і тым самым можа даць перавагу ў гандлі. Аднак гэтая перавага часта невялікая і патрабуе складанага выканання, каб скарыстацца ёю. Калі хтосьці пытаецца, ці можа штучны інтэлект прадказаць фондавы рынак?, самы сумленны адказ, заснаваны на бягучых дадзеных, будзе наступным: штучны інтэлект часам можа прадказваць аспекты фондавага рынку пры пэўных умовах, але ён не можа рабіць гэта паслядоўна для ўсіх акцый увесь час . Поспехі, як правіла, частковыя і залежаць ад кантэксту.

Выснова: Рэалістычныя чаканні адносна штучнага інтэлекту ў прагназаванні фондавага рынку

Штучны інтэлект і машыннае навучанне, несумненна, сталі магутнымі інструментамі ў фінансах. Яны выдатна спраўляюцца з апрацоўкай велізарных набораў дадзеных, выяўленнем схаваных карэляцый і нават адаптацыяй стратэгій на хаду. У імкненні прагназаваць фондавы рынак штучны інтэлект дасягнуў адчувальных, але абмежаваных перамог. Інвестары і ўстановы могуць рэалістычна чакаць, што штучны інтэлект будзе дапамагаць у прыняцці рашэнняў — напрыклад, генеруючы прагназуючыя сігналы, аптымізуючы партфелі або кіруючы рызыкамі, — але не будзе служыць крыштальным шарам, які гарантуе прыбытак.

Што
можа зрабіць ШІ: ШІ можа палепшыць аналітычны працэс у інвеставанні. Ён можа за лічаныя секунды прасейваць рынкавыя дадзеныя, стужкі навін і фінансавыя справаздачы, выяўляючы тонкія заканамернасці або анамаліі, якія чалавек можа прапусціць ( Выкарыстанне машыннага навучання для прагназавання фондавага рынку... | FMP ). Ён можа аб'яднаць сотні зменных (тэхнічных, фундаментальных, настрояў і г.д.) у адзіны прагноз. У кароткатэрміновым гандлі алгарытмы ШІ могуць прадказаць з крыху лепшай, чым выпадковая, дакладнасцю, што адна акцыя пераўзыдзе іншую, або што рынак хутка перажыве ўсплёск валацільнасці. Гэтыя дадатковыя перавагі, пры правільным выкарыстанні, могуць прывесці да рэальнага фінансавага прыбытку. ШІ таксама можа дапамагчы ў кіраванні рызыкамі — выяўляць раннія папярэджанні аб спадах або інфармаваць інвестараў аб узроўні даверу да прагнозу. Яшчэ адна практычная роля ШІ заключаецца ў аўтаматызацыі стратэгій : алгарытмы могуць выконваць здзелкі з высокай хуткасцю і частатой, рэагаваць на падзеі 24/7 і забяспечваць дысцыпліну (без эмацыйнага гандлю), што можа быць выгадна на валацільных рынках.

Чаго штучны інтэлект
не можа зрабіць: Нягледзячы на ​​ажыятаж у некаторых СМІ, штучны інтэлект не можа паслядоўна і надзейна прадказваць фондавы рынак у цэласным сэнсе, заўсёды апярэджваючы рынак або прадбачачы важныя паваротныя моманты. На рынкі ўплываюць паводзіны чалавека, выпадковыя падзеі і складаныя цыклы зваротнай сувязі, якія не паддаюцца ніякай статычнай мадэлі. Штучны інтэлект не выключае нявызначанасці; ён мае справу толькі з верагоднасцямі. Штучны інтэлект можа паказваць 70% верагоднасць таго, што акцыі вырастуць заўтра, што таксама азначае 30% верагоднасць таго, што яны не вырастуць. Стратныя здзелкі і дрэнныя рашэнні непазбежныя. Штучны інтэлект не можа прадбачыць сапраўды новыя падзеі (часта званыя «чорнымі лебедзямі»), якія знаходзяцца па-за межамі яго навучальных дадзеных. Больш за тое, любая паспяховая прагнастычная мадэль спрыяе канкурэнцыі, якая можа падарваць яго перавагу. Па сутнасці, не існуе эквівалента крыштальнага шара ў штучным інтэлекце , які гарантуе прадбачанне будучыні рынку. Інвестарам варта асцерагацца тых, хто сцвярджае адваротнае.

Нейтральны, рэалістычны погляд:
З нейтральнага пункту гледжання, штучны інтэлект лепш разглядаць як паляпшэнне, а не як замену традыцыйнага аналізу і чалавечага разумення. На практыцы многія інстытуцыйныя інвестары выкарыстоўваюць мадэлі штучнага інтэлекту разам з дадзенымі аналітыкаў і кіраўнікоў партфеля. Штучны інтэлект можа апрацоўваць лічбы і прагназаваць вынікі, але людзі ўстанаўліваюць мэты, інтэрпрэтуюць вынікі і карэктуюць стратэгіі ў залежнасці ад кантэксту (напрыклад, перавызначаюць мадэль падчас непрадбачанага крызісу). Рознічныя інвестары, якія выкарыстоўваюць інструменты на базе штучнага інтэлекту або гандлёвых ботаў, павінны быць пільнымі і разумець логіку і абмежаванні інструмента. Сляпа прытрымлівацца рэкамендацый штучнага інтэлекту рызыкоўна — варта выкарыстоўваць іх як адзін з многіх.

Калі ўстанаўліваць рэалістычныя чаканні, можна зрабіць выснову: штучны інтэлект можа прадказваць фондавы рынак да пэўнай ступені, але не з упэўненасцю і не без памылак . Ён можа павялічыць верагоднасць правільнага рашэння або палепшыць эфектыўнасць аналізу інфармацыі, што на канкурэнтных рынках можа быць вырашальным фактарам паміж прыбыткам і стратай. Аднак ён не можа гарантаваць поспех або ліквідаваць уласцівую валацільнасць і рызыку фондавых рынкаў. Як адзначалася ў адной публікацыі, нават пры наяўнасці эфектыўных алгарытмаў вынікі на фондавым рынку могуць быць «па сваёй сутнасці непрадказальнымі» з-за фактараў, якія выходзяць за рамкі мадэляванай інфармацыі ( Прагназаванне фондавага рынку з выкарыстаннем глыбокага навучання з падмацаваннем ).

Шлях наперад:
Зазіраючы ў будучыню, роля штучнага інтэлекту ў прагназаванні фондавага рынку, верагодна, будзе расці. Бягучыя даследаванні накіраваны на вырашэнне некаторых абмежаванняў (напрыклад, распрацоўка мадэляў, якія ўлічваюць змены рэжымаў, або гібрыдных сістэм, якія ўключаюць аналіз, заснаваны як на дадзеных, так і на падзеях). Існуе таксама цікавасць да агентаў навучання з падмацаваннем , якія пастаянна адаптуюцца да новых рынкавых дадзеных у рэжыме рэальнага часу, што патэнцыйна магло б лепш спраўляцца са зменлівымі ўмовамі, чым статычныя навучаныя мадэлі. Акрамя таго, спалучэнне штучнага інтэлекту з метадамі паводніцкіх фінансаў або сеткавага аналізу можа даць больш багатыя мадэлі рынкавай дынамікі. Тым не менш, нават самы перадавы штучны інтэлект будучыні будзе працаваць у межах верагоднасці і нявызначанасці.

Карацей кажучы, на пытанне «Ці можа штучны інтэлект прадказаць фондавы рынак?» няма простага адказу «так» ці «не». Найбольш дакладны адказ такі: штучны інтэлект можа дапамагчы прадказаць фондавы рынак, але ён не бездакорны. Ён прапануе магутныя інструменты, якія пры разумным выкарыстанні могуць палепшыць прагназаванне і гандлёвыя стратэгіі, але не ліквідуе фундаментальную непрадказальнасць рынкаў. Інвестарам варта ўспрымаць штучны інтэлект за яго моцныя бакі — апрацоўку дадзеных і распазнаванне вобразаў — памятаючы пры гэтым пра яго слабыя бакі. Робячы гэта, можна выкарыстоўваць лепшае з абодвух светаў: чалавечае меркаванне і машынны інтэлект, якія працуюць разам. Фондавы рынак можа ніколі не быць на 100% прадказальным, але з рэалістычнымі чаканнямі і разумным выкарыстаннем штучнага інтэлекту ўдзельнікі рынку могуць імкнуцца да больш абгрунтаваных, больш дысцыплінаваных інвестыцыйных рашэнняў у пастаянна зменлівым фінансавым асяроддзі.

Тэхнічныя дакументы, якія вам могуць спадабацца пасля гэтага:

🔗 Прафесіі, якія штучны інтэлект не можа замяніць — і якія прафесіі заменіць штучны інтэлект?
Даведайцеся, якія прафесіі арыентаваны на будучыню, а якія найбольш схільныя да рызыкі, бо штучны інтэлект змяняе глабальную занятасць.

🔗 На што можа спадзявацца генератыўны штучны інтэлект без умяшання чалавека?
Зразумейце бягучыя межы і аўтаномныя магчымасці генератыўнага штучнага інтэлекту ў практычных сцэнарыях.

🔗 Як генератыўны штучны інтэлект можна выкарыстоўваць у кібербяспецы?
Даведайцеся, як штучны інтэлект абараняе ад пагроз і павышае кіберўстойлівасць з дапамогай прагнастычных і аўтаномных інструментаў.