Je, AI Inaweza Kutabiri Soko la Hisa?

Utangulizi

Kutabiri soko la hisa kwa muda mrefu kumekuwa ni "grail takatifu" ya kifedha inayotafutwa na wawekezaji wa taasisi na wa rejareja kote ulimwenguni. Pamoja na maendeleo ya hivi majuzi katika Akili Bandia (AI) na kujifunza kwa mashine (ML) , wengi hujiuliza ikiwa teknolojia hizi hatimaye zimefungua siri ya kutabiri bei za hisa. Je, AI inaweza kutabiri soko la hisa? Karatasi hii nyeupe inachunguza swali hilo kutoka kwa mtazamo wa kimataifa, ikionyesha jinsi mifano inayoendeshwa na AI inavyojaribu kutabiri harakati za soko, misingi ya kinadharia nyuma ya mifano hii, na mapungufu halisi wanayokabiliana nayo. Tunawasilisha uchambuzi usio na upendeleo, unaozingatia utafiti badala ya hype, wa kile AI inaweza na haiwezi kufanya katika muktadha wa utabiri wa soko la kifedha.

Katika nadharia ya kifedha, changamoto ya utabiri inasisitizwa na Dhana ya Ufanisi ya Soko (EMH) . EMH (hasa katika hali yake ya "nguvu") inasisitiza kwamba bei za hisa zinaonyesha kikamilifu taarifa zote zinazopatikana kwa wakati wowote, kumaanisha kuwa hakuna mwekezaji (hata wa ndani) anayeweza kufanya biashara mara kwa mara kuliko soko kwa kufanya biashara kwa maelezo yanayopatikana ( Miundo ya utabiri wa hisa inayoendeshwa na data kulingana na mitandao ya neva: Mapitio ). Kwa maneno rahisi, ikiwa masoko yana ufanisi wa hali ya juu na bei husogea kwa mwendo wa nasibu , basi kutabiri kwa usahihi bei za siku zijazo kunapaswa kuwa karibu kutowezekana. Licha ya nadharia hii, mvuto wa kushinda soko umechochea utafiti wa kina katika njia za hali ya juu za utabiri. Ujifunzaji wa AI na mashine umekuwa kiini cha shughuli hii, kutokana na uwezo wao wa kuchakata kiasi kikubwa cha data na kutambua mifumo fiche ambayo wanadamu wanaweza kukosa ( Kutumia Kujifunza kwa Mashine kwa Utabiri wa Soko la Hisa... | FMP ).

Karatasi hii nyeupe inatoa muhtasari wa kina wa mbinu za AI zinazotumiwa kwa utabiri wa soko la hisa na kutathmini ufanisi wao. Tutachunguza misingi ya kinadharia ya miundo maarufu (kutoka mbinu za mfululizo wa muda hadi mitandao ya kina ya neva na mafunzo ya kuimarisha), kujadili mchakato wa data na mafunzo ya miundo hii, na kuangazia vikwazo na changamoto ambazo mifumo kama hiyo inakabiliana nayo, kama vile ufanisi wa soko, kelele za data na matukio ya nje yasiyotarajiwa. Masomo na mifano ya ulimwengu halisi imejumuishwa ili kuonyesha matokeo mchanganyiko yaliyopatikana kufikia sasa. Hatimaye, tunahitimisha kwa matarajio ya kweli kwa wawekezaji na watendaji: kukiri uwezo wa kuvutia wa AI huku tukitambua kuwa masoko ya fedha yanabaki na kiwango cha kutotabirika ambacho hakuna algoriti inayoweza kuondoa kabisa.

Misingi ya Kinadharia ya AI katika Utabiri wa Soko la Hisa

Utabiri wa kisasa wa hisa unaotegemea AI hujengwa juu ya miongo kadhaa ya utafiti katika takwimu, fedha, na sayansi ya kompyuta. Ni muhimu kuelewa wigo wa mbinu kutoka kwa mifano ya jadi hadi AI ya kisasa:

• Miundo ya Awali ya Mfululizo wa Saa: Utabiri wa awali wa hisa ulitegemea miundo ya takwimu ambayo inadhania kwamba muundo wa bei zilizopita unaweza kuonyesha siku zijazo. Miundo kama vile ARIMA (Wastani wa Kusonga Uliounganishwa Kiotomatiki) na ARCH/GARCH hulenga katika kunasa mienendo ya mstari na mkusanyiko wa tete katika data ya mfululizo wa muda ( Miundo ya utabiri wa hisa inayoendeshwa na data kulingana na mitandao ya neva: Maoni ). Miundo hii hutoa msingi wa utabiri kwa kuiga mfuatano wa bei wa kihistoria chini ya dhana ya usimamaji na mstari. Ingawa ni muhimu, mifano ya kitamaduni mara nyingi hupambana na mifumo tata, isiyo ya mstari wa soko halisi, na kusababisha usahihi mdogo wa utabiri katika mazoezi ( Mifumo ya utabiri wa hisa inayotokana na data kulingana na mitandao ya neural: Mapitio ).

• Kanuni za Kujifunza kwa Mashine: Mbinu za kujifunza kwa mashine huenda zaidi ya fomula za takwimu zilizobainishwa kwa kujifunza ruwaza moja kwa moja kutoka kwa data . Kanuni za algoriti kama vile mashine za vekta za usaidizi (SVM) , misitu nasibu , na uongezaji wa upinde rangi zimetumika kwa utabiri wa hisa. Wanaweza kujumuisha vipengele mbalimbali vya ingizo - kutoka kwa viashirio vya kiufundi (kwa mfano, wastani wa kusonga, kiasi cha biashara) hadi viashirio vya kimsingi (km, mapato, data ya uchumi mkuu) - na kupata mahusiano yasiyo ya mstari kati yao. Kwa mfano, msitu nasibu au modeli ya kuongeza upinde rangi inaweza kuzingatia mambo kadhaa kwa wakati mmoja, ikinasa mwingiliano ambao muundo rahisi wa mstari unaweza kukosa. Miundo hii ya ML imeonyesha uwezo wa kuboresha kwa kiasi usahihi wa ubashiri kwa kugundua mawimbi changamano katika data ( Kutumia Kujifunza kwa Mashine kwa Utabiri wa Soko la Hisa... | FMP ). Hata hivyo, zinahitaji urekebishaji makini na data ya kutosha ili kuepuka kufifia kupita kiasi (kujifunza kelele badala ya ishara).

• Kujifunza kwa Kina (Mitandao ya Neural): Mitandao ya neva ya kina , iliyochochewa na muundo wa ubongo wa mwanadamu, imekuwa maarufu kwa utabiri wa soko la hisa katika miaka ya hivi karibuni. Miongoni mwa hizi, Mitandao ya Kawaida ya Neural (RNNs) na lahaja yake Kumbukumbu ya Muda Mfupi (LSTM) imeundwa mahususi kwa ajili ya data ya mfuatano kama vile mfululizo wa bei ya hisa. LSTM zinaweza kuhifadhi kumbukumbu za maelezo ya awali na kunasa utegemezi wa muda, na kuzifanya zifaane vyema na mitindo, mizunguko, au mifumo mingine inayotegemea wakati katika data ya soko. Utafiti unaonyesha kuwa LSTM na miundo mingine ya kina ya kujifunza inaweza kunasa mahusiano changamano, yasiyo ya mstari katika data ya fedha ambayo miundo rahisi hukosa. Mbinu nyingine za kujifunza kwa kina ni pamoja na Mitandao ya Mishipa ya Kubadilisha (CNNs) (wakati mwingine hutumika kwenye “picha” za kiashirio cha kiufundi au mfuatano uliosimbwa), Transfoma (ambazo hutumia mbinu za uangalifu kupima umuhimu wa hatua tofauti za wakati au vyanzo vya data), na hata Mitandao ya Neural ya Graph (GNNs) (ili kuiga uhusiano kati ya hisa kwenye jedwali la soko). Neti hizi za hali ya juu zinaweza kumeza sio tu data ya bei bali pia vyanzo mbadala vya data kama vile maandishi ya habari, hisia kwenye mitandao ya kijamii, na zaidi, kujifunza vipengele vya muhtasari ambavyo vinaweza kutabiri mienendo ya soko ( Kutumia Kujifunza kwa Mashine kwa Utabiri wa Soko la Hisa... | FMP ). Unyumbulifu wa kujifunza kwa kina huja na gharama: zinahitaji data, zinatumia sana hesabu, na mara nyingi hufanya kazi kama "sanduku nyeusi" na tafsiri ndogo.

• Mafunzo ya Kuimarisha: Mpaka mwingine katika utabiri wa hisa wa AI ni ujifunzaji wa kuimarisha (RL) , ambapo lengo si tu kutabiri bei, lakini kujifunza mkakati bora wa biashara. Katika mfumo wa RL, wakala (mfano wa AI) huingiliana na mazingira (soko) kwa kuchukua hatua (kununua, kuuza, kushikilia) na kupokea malipo (faida au hasara). Baada ya muda, wakala hujifunza sera ambayo huongeza zawadi nyingi. Deep Reinforcement Learning (DRL) inachanganya mitandao ya neva na mafunzo ya kuimarisha kushughulikia nafasi kubwa ya soko ya soko. Rufaa ya RL katika fedha ni uwezo wake wa kuzingatia mfuatano wa maamuzi na kuboresha moja kwa moja kwa faida ya uwekezaji, badala ya kutabiri bei kwa kutengwa. Kwa mfano, wakala wa RL anaweza kujifunza wakati wa kuingia au kuondoka kwenye nafasi kulingana na mawimbi ya bei na hata kujirekebisha kadiri hali ya soko inavyobadilika. Hasa, RL imetumika kutoa mafunzo kwa miundo ya AI ambayo hushindana katika mashindano ya biashara ya kiasi na katika baadhi ya mifumo ya biashara ya umiliki. Hata hivyo, mbinu za RL pia zinakabiliwa na changamoto kubwa: zinahitaji mafunzo ya kina (kuiga miaka ya biashara), zinaweza kukabiliwa na ukosefu wa utulivu au tabia tofauti ikiwa hazitashughulikiwa kwa uangalifu, na utendakazi wao ni nyeti sana kwa mazingira ya soko yanayodhaniwa. Watafiti wamebainisha masuala kama vile gharama kubwa ya hesabu na matatizo ya uthabiti katika kutumia mafunzo ya uimarishaji kwa masoko changamano ya hisa. Licha ya changamoto hizi, RL inawakilisha mbinu ya kuahidi, hasa inapounganishwa na mbinu nyingine (kwa mfano, kutumia mifano ya ubashiri wa bei pamoja na mkakati wa ugawaji unaotegemea RL) kuunda mfumo mseto wa kufanya maamuzi ( Utabiri wa Soko la Hisa Using Deep Reinforcement Learning ).

Vyanzo vya Data na Mchakato wa Mafunzo

Bila kujali aina ya mfano, data ndio uti wa mgongo wa utabiri wa soko la hisa la AI. Miundo kwa kawaida hufunzwa kwenye data ya kihistoria ya soko na seti nyingine zinazohusiana ili kugundua ruwaza. Vyanzo na vipengele vya kawaida vya data ni pamoja na:

• Bei za Kihistoria na Viashiria vya Kiufundi: Takriban miundo yote hutumia bei za awali za hisa (wazi, juu, chini, karibu) na kiasi cha biashara. Kutoka kwa haya, wachambuzi mara nyingi hupata viashiria vya kiufundi (wastani wa kusonga, index ya nguvu ya jamaa, MACD, nk) kama pembejeo. Viashirio hivi vinaweza kusaidia kuangazia mitindo au kasi ambayo mtindo unaweza kutumia. Kwa mfano, muundo unaweza kuchukua kama ingizo la siku 10 zilizopita za bei na kiasi, pamoja na viashirio kama vile wastani wa siku 10 wa kusonga au hatua tete, kutabiri mabadiliko ya bei ya siku inayofuata.

• Fahirisi za Soko na Data ya Kiuchumi: Miundo mingi hujumuisha taarifa pana za soko, kama vile viwango vya faharasa, viwango vya riba, mfumuko wa bei, ukuaji wa Pato la Taifa, au viashirio vingine vya kiuchumi. Vipengele hivi vikuu hutoa muktadha (kwa mfano, hisia za soko kwa ujumla au afya ya kiuchumi) ambayo inaweza kuathiri utendaji wa hisa za mtu binafsi.

• Data ya Habari na Hisia: Idadi inayoongezeka ya mifumo ya AI humeza data ambayo haijaundwa kama vile makala ya habari, milisho ya mitandao ya kijamii (Twitter, Stocktwits), na ripoti za fedha. Mbinu za Usindikaji wa Lugha Asilia (NLP), ikijumuisha miundo ya hali ya juu kama BERT, hutumiwa kupima hisia za soko au kugundua matukio muhimu. Kwa mfano, maoni ya habari yakibadilika ghafla kuwa hasi kwa kampuni au sekta, muundo wa AI unaweza kutabiri kushuka kwa bei za hisa zinazohusiana. Kwa kuchakata habari za wakati halisi na hisia kwenye mitandao ya kijamii , AI inaweza kuitikia haraka zaidi kuliko wafanyabiashara wa binadamu kwa taarifa mpya.

• Data Mbadala: Baadhi ya fedha za ua na watafiti wa AI hutumia vyanzo mbadala vya data - picha za satelaiti (kwa trafiki ya duka au shughuli za viwandani), data ya muamala wa kadi ya mkopo, mitindo ya utafutaji kwenye wavuti, n.k. - ili kupata maarifa ya ubashiri. Seti hizi za data zisizo za kawaida wakati mwingine zinaweza kutumika kama viashirio vinavyoongoza kwa utendaji wa hisa, ingawa pia huleta utata katika mafunzo ya kielelezo.

Kufunza kielelezo cha AI kwa utabiri wa hisa kunahusisha kuilisha data hii ya kihistoria na kurekebisha vigezo vya modeli hiyo ili kupunguza hitilafu ya utabiri. Kwa kawaida, data hugawanywa katika seti ya mafunzo (kwa mfano, historia ya zamani ya kujifunza ruwaza) na seti ya majaribio/uthibitishaji (data ya hivi majuzi zaidi ya kutathmini utendakazi katika hali zisizoonekana). Kwa kuzingatia asili ya mfuatano wa data ya soko, tahadhari inachukuliwa ili kuepuka "kuchungulia siku zijazo" - kwa mfano, miundo hutathminiwa kwenye data kutoka vipindi vya muda baada ya kipindi cha mafunzo, ili kuiga jinsi watakavyofanya katika biashara halisi. uthibitishaji mtambuka zilizorekebishwa kwa mfululizo wa muda (kama vile uthibitishaji wa kusonga mbele) hutumika kuhakikisha kuwa kielelezo kinasasishwa vyema na hakijashikamanishwa kwa kipindi kimoja mahususi.

Zaidi ya hayo, watendaji lazima washughulikie masuala ya ubora wa data na usindikaji wa awali. Kukosekana kwa data, bidhaa za nje (kwa mfano, kuongezeka kwa ghafla kwa sababu ya mgawanyiko wa hisa au matukio ya mara moja), na mabadiliko ya mfumo katika soko yanaweza kuathiri mafunzo ya mfano. Mbinu kama vile kuhalalisha, kupunguza kasi, au kupunguza msimu zinaweza kutumika kwenye data ya ingizo. Baadhi ya mbinu za hali ya juu hutenganisha mfululizo wa bei katika vipengele (mielekeo, mizunguko, kelele) na kuigwa kando (kama inavyoonekana katika utafiti unaochanganya mtengano wa modi ya mabadiliko na neti za neva ( Utabiri wa Soko la Hisa Kwa Kutumia Mafunzo ya Kuimarisha Kina )).

Miundo tofauti ina mahitaji tofauti ya mafunzo: miundo ya kujifunza kwa kina inaweza kuhitaji mamia ya maelfu ya pointi za data na kufaidika na uharakishaji wa GPU, ilhali miundo rahisi kama vile urejeshaji wa vifaa inaweza kujifunza kutoka kwa seti ndogo za data. Miundo ya ujifunzaji ya kuimarisha inahitaji kiigaji au mazingira ya kuingiliana nayo; wakati mwingine data ya kihistoria inachezwa tena kwa wakala wa RL, au viigaji vya soko hutumiwa kuzalisha uzoefu.

Hatimaye, baada ya kupata mafunzo, miundo hii hutoa kazi ya kutabiri - kwa mfano, pato ambalo linaweza kuwa bei iliyotabiriwa ya kesho, uwezekano kwamba hisa itapanda, au hatua inayopendekezwa (kununua/kuuza). Ubashiri huu basi hujumuishwa katika mkakati wa biashara (pamoja na ukubwa wa nafasi, sheria za udhibiti wa hatari, n.k.) kabla ya pesa halisi kuwekwa hatarini.

Mapungufu na Changamoto

Ingawa miundo ya AI imekuwa ya kisasa sana, utabiri wa soko la hisa unasalia kuwa kazi yenye changamoto . Yafuatayo ni vikwazo muhimu na vikwazo vinavyozuia AI kuwa mbashiri aliyehakikishiwa katika masoko:

• Ufanisi wa Soko na Nasibu: Kama ilivyotajwa hapo awali, Dhana ya Ufanisi ya Soko inasema kuwa bei tayari zinaonyesha habari inayojulikana, kwa hivyo habari yoyote mpya husababisha marekebisho ya haraka. Kwa vitendo, hii inamaanisha kuwa mabadiliko ya bei yanachangiwa kwa kiasi kikubwa na zisizotarajiwa au mabadiliko ya nasibu. Hakika, miongo kadhaa ya utafiti imegundua kuwa harakati za bei za hisa za muda mfupi zinafanana na matembezi ya nasibu ( Mitindo ya utabiri wa hisa inayotokana na data kulingana na mitandao ya neural: Mapitio ) - bei ya jana ina athari kidogo kwa kesho, zaidi ya kile ambacho kinaweza kutabiri. Ikiwa bei za hisa kimsingi ni za nasibu au "zinazofaa," hakuna algoriti inayoweza kuzitabiri kwa usahihi wa hali ya juu. Kama vile utafiti mmoja wa utafiti ulivyosema kwa ufupi, "dhahania ya kutembea bila mpangilio na nadharia bora ya soko kimsingi inasema kwamba haiwezekani kutabiri kwa utaratibu, kwa uhakika bei za hisa za siku zijazo" ( Utabiri wa kurudi kwa hisa za S&P 500 kwa kutumia ujifunzaji wa mashine | Ubunifu wa Kifedha | Maandishi Kamili ). Hii haimaanishi kuwa utabiri wa AI hauna maana kila wakati, lakini inasisitiza kikomo cha msingi: harakati nyingi za soko zinaweza kuwa kelele ambazo hata mfano bora hauwezi kutabiri mapema.

• Kelele na Mambo ya Nje yasiyotabirika: Bei za hisa huathiriwa na mambo mengi, ambayo mengi ni ya kigeni na haitabiriki. Matukio ya kisiasa ya kijiografia (vita, uchaguzi, mabadiliko ya udhibiti), majanga ya asili, magonjwa ya milipuko, kashfa za ghafla za kampuni, au hata uvumi unaoenea kwenye mitandao ya kijamii zote zinaweza kuhamisha soko bila kutarajiwa. Haya ni matukio ambayo modeli haiwezi kuwa na data ya mafunzo ya awali (kwa sababu ni ya kipekee) au ambayo hutokea kama mishtuko adimu. Kwa mfano, hakuna kielelezo cha AI kilichofunzwa kuhusu data ya kihistoria kutoka 2010-2019 ambacho kingeweza kutabiri ajali ya COVID-19 mapema mwaka wa 2020 au kurudi kwake kwa kasi. Miundo ya AI ya kifedha inatatizika serikali zinapohama au tukio la umoja linapoongeza bei. Kama vile chanzo kimoja kinavyobainisha, vipengele kama vile matukio ya kijiografia na kisiasa au utolewaji wa data ya kiuchumi ya ghafla unaweza kufanya utabiri kutotumika mara moja ( Kutumia Kujifunza kwa Mashine kwa Utabiri wa Soko la Hisa... | FMP ) ( Kutumia Kujifunza kwa Mashine kwa Utabiri wa Soko la Hisa... | FMP ). Kwa maneno mengine, habari zisizotarajiwa kila wakati zinaweza kubatilisha utabiri wa algoriti , zikiingiza kiwango cha kutokuwa na uhakika ambacho hakiwezi kupunguzwa.

• Kutosheleza kupita kiasi na Ujumla: Miundo ya ujifunzaji wa mashine inakabiliwa na kufifia kupita kiasi - kumaanisha kwamba wanaweza kujifunza "kelele" au mambo ya ajabu katika data ya mafunzo vizuri sana, badala ya mifumo ya kimsingi ya jumla. Muundo uliojaa kupita kiasi unaweza kufanya kazi vyema kwenye data ya kihistoria (hata kuonyesha marejesho ya kuvutia yaliyothibitishwa au usahihi wa juu wa sampuli) lakini ishindwe vibaya kwenye data mpya. Hili ni shida ya kawaida katika fedha za kiasi. Kwa mfano, mtandao changamano wa neva unaweza kuchukua maunganisho ya uwongo ambayo yalifanywa kwa bahati mbaya hapo awali (kama vile mchanganyiko fulani wa viashiria tofauti ambavyo vilitokea kutangulia mikutano katika miaka 5 iliyopita) lakini mahusiano hayo yanaweza yasiendelee. Kielelezo cha vitendo: mtu anaweza kubuni kielelezo ambacho kinatabiri washindi wa mwaka jana wa hisa watapanda kila wakati - kinaweza kutoshea kipindi fulani, lakini mfumo wa soko ukibadilika, muundo huo utavunjika. Kutoshea kupita kiasi husababisha utendakazi duni wa sampuli , kumaanisha ubashiri wa modeli katika biashara ya moja kwa moja unaweza kuwa bora kuliko nasibu licha ya kuonekana mzuri katika maendeleo. Kuepuka kujaza kupita kiasi kunahitaji mbinu kama vile urekebishaji, kudhibiti ugumu wa muundo na kutumia uthibitishaji thabiti. Walakini, ugumu ambao huwapa mifano ya AI nguvu pia huwafanya wawe hatarini kwa suala hili.

• Ubora na Upatikanaji wa Data: Msemo "takataka ndani, taka taka" hutumika sana kwa AI katika utabiri wa hisa. Ubora, wingi na umuhimu wa data huathiri pakubwa utendaji wa muundo. Ikiwa data ya kihistoria haitoshi (kwa mfano, kujaribu kutoa mafunzo kwa mtandao wa kina kwa miaka michache tu ya bei za hisa) au sio mwakilishi (kwa mfano, kwa kutumia data kutoka kwa kipindi cha hali ya juu kutabiri hali ya bei), muundo hautajumuisha vizuri. Data pia inaweza kuegemea upande mmoja au kutegemea kunusurika (kwa mfano, fahirisi za hisa kawaida huangusha kampuni zisizofanya kazi kwa wakati, kwa hivyo data ya faharasa ya kihistoria inaweza kuegemea zaidi). Kusafisha na kukagua data ni kazi isiyo ya kawaida. Zaidi ya hayo, mbadala vya data vinaweza kuwa ghali au vigumu kupata, jambo ambalo linaweza kuwapa wachezaji wa taasisi makali huku ikiwaacha wawekezaji wa reja reja na data isiyo na kina. Pia kuna suala la mara kwa mara : miundo ya biashara ya masafa ya juu inahitaji data ya tiki kwa tiki ambayo ni kubwa kwa wingi na inahitaji miundombinu maalum, ilhali miundo ya masafa ya chini inaweza kutumia data ya kila siku au ya wiki. Kuhakikisha kwamba data imelandanishwa kwa wakati (kwa mfano, habari zilizo na data ya bei inayolingana) na bila upendeleo wa kutazama ni changamoto inayoendelea.

• Uwazi na Ufasiri wa Mfano: Aina nyingi za AI, haswa zile za kujifunza kwa kina, hufanya kazi kama visanduku vyeusi . Wanaweza kutoa utabiri au ishara ya biashara bila sababu inayoeleweka kwa urahisi. Ukosefu huu wa uwazi unaweza kuwa tatizo kwa wawekezaji - hasa wale wa taasisi ambao wanahitaji kuhalalisha maamuzi kwa wadau au kuzingatia kanuni. Iwapo muundo wa AI unatabiri kuwa hisa itashuka na kupendekeza kuuza, msimamizi wa kwingineko anaweza kusita ikiwa haelewi mantiki. Uwazi wa maamuzi ya AI unaweza kupunguza uaminifu na kupitishwa, bila kujali usahihi wa mfano. Changamoto hii inachochea utafiti katika AI inayoeleweka kwa ajili ya fedha, lakini inabakia kuwa kweli kwamba mara nyingi kuna ubadilishanaji kati ya ugumu wa mfano/usahihi na ufasiri.

• Masoko Yanayobadilika na Ushindani: Ni muhimu kutambua kuwa masoko ya fedha yanabadilika . Mara tu muundo wa utabiri unapogunduliwa (kwa AI au njia yoyote) na kutumiwa na wafanyabiashara wengi, inaweza kuacha kufanya kazi. Kwa mfano, ikiwa muundo wa AI utagundua kuwa mawimbi fulani mara nyingi hutangulia kupanda kwa hisa, wafanyabiashara wataanza kufanyia kazi mawimbi hayo mapema, hivyo basi kuondoa fursa hiyo. Kimsingi, masoko yanaweza kubadilika ili kubatilisha mikakati inayojulikana . Leo, makampuni mengi ya biashara na fedha huajiri AI na ML. Ushindani huu unamaanisha kuwa makali yoyote mara nyingi ni ndogo na ya muda mfupi. Matokeo yake ni kwamba miundo ya AI inaweza kuhitaji kufunzwa tena mara kwa mara na kusasishwa ili kuendana na mabadiliko ya mienendo ya soko. Katika soko za majimaji na zilizoiva (kama vile hisa kubwa za Marekani), wachezaji wengi wa kisasa wanawinda ishara sawa, na kuifanya kuwa vigumu sana kudumisha makali. Kinyume chake, katika masoko yenye ufanisi duni au mali zisizo na tija, AI inaweza kupata upungufu wa muda - lakini kadiri masoko hayo yanavyokuwa ya kisasa, pengo linaweza kuzibika. Hali hii ya mabadiliko ya soko ni changamoto kuu: "kanuni za mchezo" sio tuli, kwa hivyo muundo uliofanya kazi mwaka jana unaweza kuhitaji kutayarishwa upya mwaka ujao.

• Vikwazo vya Ulimwengu Halisi: Hata kama muundo wa AI ungeweza kutabiri bei kwa usahihi wa kutosha, kugeuza ubashiri kuwa faida ni changamoto nyingine. Uuzaji unaingiza gharama za muamala , kama vile tume, kuteleza na kodi. Muundo unaweza kutabiri mabadiliko mengi ya bei ndogo kwa usahihi, lakini faida inaweza kufutwa na ada na athari za soko za biashara. Udhibiti wa hatari pia ni muhimu - hakuna utabiri ulio na uhakika wa 100%, kwa hivyo mkakati wowote unaoendeshwa na AI lazima uhesabu hasara inayoweza kutokea (kupitia maagizo ya upotezaji, utofauti wa kwingineko, n.k.). Taasisi mara nyingi huunganisha ubashiri wa AI katika mfumo mpana wa hatari ili kuhakikisha AI haibeti shamba kwa utabiri ambao unaweza kuwa sio sahihi. Mazingatio haya ya kiutendaji yanamaanisha kwamba makali ya kinadharia ya AI lazima yawe na manufaa baada ya mivutano ya ulimwengu halisi.

Kwa muhtasari, AI ina uwezo wa kutisha, lakini mapungufu haya yanahakikisha kuwa soko la hisa linasalia kuwa mfumo unaoweza kutabirika na ambao hautabiriki kwa sehemu . Miundo ya AI inaweza kugeuza tabia mbaya kwa manufaa ya mwekezaji kwa kuchanganua data kwa ufanisi zaidi na ikiwezekana kugundua ishara za ubashiri za hila. Hata hivyo, mchanganyiko wa bei bora, data ya kelele, matukio yasiyotarajiwa, na vikwazo vya vitendo inamaanisha kwamba hata AI bora zaidi wakati mwingine itakuwa na makosa - mara nyingi bila kutabirika.

Utendaji wa Miundo ya AI: Ushahidi Unasema Nini?

Kwa kuzingatia maendeleo na changamoto zilizojadiliwa, tumejifunza nini kutokana na utafiti na majaribio ya ulimwengu halisi ya kutumia AI katika utabiri wa hisa? Matokeo hadi sasa yamechanganyika, yakiangazia mafanikio ya kuahidi na kushindwa kwa kiasi kikubwa :

• Matukio ya Nafasi ya Utendaji ya AI: Tafiti kadhaa zimeonyesha kuwa miundo ya AI inaweza kushinda kubahatisha bila mpangilio chini ya hali fulani. Kwa mfano, utafiti wa 2024 ulitumia mtandao wa neva wa LSTM kutabiri mwenendo wa katika soko la hisa la Vietnamese na kuripoti usahihi wa juu wa utabiri - takriban 93% kwenye data ya majaribio ( Kutumia kanuni za ujifunzaji za mashine ili kutabiri mwelekeo wa bei ya hisa katika soko la hisa - Kesi ya Vietnam | Binadamu na Mawasiliano ya Sayansi ya Jamii ). Hii inapendekeza kuwa katika soko hilo (uchumi unaoibukia), modeli iliweza kunasa mifumo thabiti, labda kwa sababu soko lilikuwa na uzembe au mielekeo mikali ya kiufundi ambayo LSTM ilijifunza. Utafiti mwingine mnamo 2024 ulichukua wigo mpana: watafiti walijaribu kutabiri mapato ya muda mfupi kwa hisa zote za S&P 500 (soko bora zaidi) kwa kutumia mifano ya ML. Waliiweka kama tatizo la uainishaji - kutabiri ikiwa hisa itashinda faharasa kwa 2% katika siku 10 zijazo - kwa kutumia kanuni za kanuni kama vile Misitu Bila mpangilio, SVM, na LSTM. Matokeo: muundo wa LSTM ulifanya kazi vizuri zaidi miundo mingine ya ML na msingi wa nasibu , na matokeo yalikuwa muhimu kitakwimu kupendekeza haikuwa bahati tu ( Utabiri wa kurudi kwa hisa za S&P 500 kwa kutumia ujifunzaji wa mashine | Ubunifu wa Kifedha | Maandishi Kamili ). Waandishi hata walihitimisha kuwa katika usanidi huu mahususi, uwezekano ambao nadharia ya matembezi ya nasibu inashikilia ulikuwa "mdogo sana," ikionyesha kuwa mifano yao ya ML ilipata ishara halisi za ubashiri. Mifano hii inaonyesha kwamba AI inaweza kweli kutambua ruwaza zinazotoa makali (hata kama ni ya kiasi) katika kutabiri mwendo wa hisa, hasa inapojaribiwa kwenye seti kubwa za data.

• Kesi Maarufu katika Sekta: Nje ya masomo ya kitaaluma, kuna ripoti za fedha za ua na taasisi za fedha kwa kutumia AI kwa ufanisi katika shughuli zao za biashara. Baadhi ya makampuni ya biashara ya masafa ya juu huajiri AI ili kutambua na kuguswa na mifumo ya miundo midogo ya soko katika sehemu za sekunde. Mabenki makubwa yana mifano ya AI ya ugawaji wa kwingineko na utabiri wa hatari , ambayo, wakati sio kila mara kuhusu kutabiri bei ya hisa moja, inahusisha vipengele vya utabiri wa soko (kama tete au uwiano). Pia kuna fedha zinazoendeshwa na AI (mara nyingi huitwa "fedha za kiasi") ambazo hutumia mafunzo ya mashine kufanya maamuzi ya biashara - zingine zimefanya kazi katika soko kwa vipindi fulani, ingawa ni vigumu kuhusisha hilo hasa na AI kwa vile mara nyingi hutumia mchanganyiko wa akili ya binadamu na mashine. Utumizi madhubuti ni matumizi ya uchanganuzi wa hisia AI: kwa mfano, kuchanganua habari na Twitter kutabiri jinsi bei za hisa zitakavyosonga katika kujibu. Miundo kama hii inaweza isiwe sahihi kwa 100%, lakini inaweza kuwapa wafanyabiashara mwanzo kidogo wa kupanga bei katika habari. Inafaa kukumbuka kuwa kampuni kawaida hulinda maelezo ya mikakati iliyofanikiwa ya AI kwa karibu kama mali miliki, kwa hivyo ushahidi katika uwanja wa umma huwa wa kuchelewa au kuwa wa hadithi.

• Kesi za Utendaji Chini na Kufeli: Kwa kila hadithi ya mafanikio, kuna hadithi za tahadhari. Masomo mengi ya kitaaluma ambayo yalidai usahihi wa juu katika soko moja au muda uliopangwa yameshindwa kujumlisha. Jaribio mashuhuri lilijaribu kuiga utafiti uliofaulu wa utabiri wa soko la hisa la India (ambalo lilikuwa na usahihi wa hali ya juu kwa kutumia ML kwenye viashirio vya kiufundi) kwenye hisa za Marekani. Uigaji haukupata nguvu kubwa ya utabiri - kwa kweli, mkakati wa kijinga wa kutabiri hisa siku zote ungeongezeka siku iliyofuata ulifanya kazi vizuri kuliko miundo changamano ya ML kwa usahihi. Waandishi walihitimisha kuwa matokeo yao "yanaunga mkono nadharia ya kutembea bila mpangilio" , ikimaanisha kwamba harakati za hisa hazikutabirika na miundo ya ML haikusaidia. Hii inasisitiza kuwa matokeo yanaweza kutofautiana sana kulingana na soko na kipindi. Vile vile, mashindano mengi ya Kaggle na mashindano ya utafiti wa kiasi yameonyesha kuwa ingawa miundo mara nyingi inaweza kutoshea data ya zamani vizuri, utendaji wao katika biashara ya moja kwa moja mara nyingi hurejea kwa usahihi wa 50% (kwa utabiri wa mwelekeo) mara tu unapokabiliwa na hali mpya. Matukio kama vile kudorora kwa hazina ya 2007 na ugumu uliokabiliwa na fedha zinazoendeshwa na AI wakati wa mshtuko wa janga la 2020 unaonyesha kuwa mifano ya AI inaweza kudhoofika ghafla wakati mfumo wa soko unabadilika. Upendeleo wa kunusurika ni sababu ya mitazamo pia - tunasikia juu ya mafanikio ya AI mara nyingi zaidi kuliko kushindwa, lakini nyuma ya pazia, mifano na pesa nyingi hushindwa na kuzima kimya kimya kwa sababu mikakati yao inaacha kufanya kazi.

• Tofauti Katika Masoko: Uchunguzi wa kuvutia kutoka kwa tafiti ni kwamba ufanisi wa AI unaweza kutegemea ukomavu wa soko na ufanisi . Katika masoko yenye ufanisi kidogo au yanayoibukia, kunaweza kuwa na mifumo inayoweza kutumiwa zaidi (kutokana na uchanganuzi mdogo, vikwazo vya ukwasi, au upendeleo wa kitabia), kuruhusu miundo ya AI kufikia usahihi wa juu. Utafiti wa LSTM wa soko la Vietnam kwa usahihi wa 93% unaweza kuwa mfano wa hili. Kinyume chake, katika masoko yenye ufanisi mkubwa kama vile Marekani, mifumo hiyo inaweza kusuluhishwa haraka. Matokeo mchanganyiko kati ya kesi ya Vietnam na utafiti wa urudufishaji wa Marekani yanaonyesha hitilafu hii. Ulimwenguni, hii inamaanisha kuwa AI kwa sasa inaweza kutoa utendakazi bora wa ubashiri katika masoko fulani ya niche au madarasa ya mali (kwa mfano, wengine wametumia AI kutabiri bei za bidhaa au mitindo ya cryptocurrency kwa mafanikio tofauti). Baada ya muda, masoko yote yanapoelekea kwenye ufanisi zaidi, dirisha la mafanikio ya utabiri hupungua.

• Usahihi dhidi ya Faida: Pia ni muhimu kutofautisha usahihi wa utabiri na faida ya uwekezaji . Mfano unaweza kuwa sahihi tu, tuseme, 60% sahihi katika kutabiri harakati ya kila siku ya juu au chini ya hisa - ambayo haisikiki juu sana - lakini ikiwa utabiri huo utatumiwa katika mkakati mzuri wa biashara, unaweza kuwa na faida kubwa. Kinyume chake, modeli inaweza kujivunia usahihi wa 90% lakini ikiwa 10% ya mara ambayo sio sahihi inalingana na hatua kubwa za soko (na kwa hivyo hasara kubwa), inaweza kuwa isiyo na faida. Jitihada nyingi za utabiri wa hisa za AI huzingatia usahihi wa mwelekeo au kupunguza makosa, lakini wawekezaji wanajali kuhusu mapato yaliyorekebishwa. Kwa hivyo, tathmini mara nyingi hujumuisha metrics kama uwiano wa Sharpe, drawdowns, na uthabiti wa utendakazi, sio tu kiwango cha mpigo ghafi. Baadhi ya miundo ya AI imeunganishwa katika mifumo ya biashara ya algoriti inayodhibiti nafasi na hatari kiotomatiki - utendaji wao halisi hupimwa katika mapato ya biashara ya moja kwa moja badala ya takwimu za ubashiri zinazojitegemea. Kufikia sasa, "mfanyabiashara wa AI" anayejitegemea kikamilifu ambaye hutoa pesa kwa uaminifu mwaka baada ya mwaka ni hadithi ya kisayansi zaidi kuliko uhalisia, lakini matumizi finyu (kama mfano wa AI unaotabiri tetemeko la ambalo wafanyabiashara wanaweza kutumia kwa chaguzi za bei, n.k.) wamepata nafasi katika zana ya kifedha.

Kwa jumla, ushahidi unapendekeza kwamba AI inaweza kutabiri mifumo fulani ya soko kwa usahihi bora kuliko nafasi , na kwa kufanya hivyo inaweza kutoa makali ya biashara. Hata hivyo, makali hayo mara nyingi ni madogo na yanahitaji utekelezaji wa hali ya juu ili kuunufaisha. Mtu anapouliza, AI inaweza kutabiri soko la hisa? , jibu la uaminifu zaidi kulingana na ushahidi wa sasa ni: AI inaweza wakati mwingine kutabiri vipengele vya soko la hisa chini ya hali maalum, lakini haiwezi kufanya hivyo mara kwa mara kwa hisa zote wakati wote . Mafanikio huwa na sehemu na hutegemea muktadha.

Hitimisho: Matarajio ya Kweli kwa AI katika Utabiri wa Soko la Hisa

AI na kujifunza kwa mashine bila shaka kumekuwa zana zenye nguvu katika kifedha. Wanafanya vyema katika kuchakata hifadhidata kubwa, kufichua uunganisho uliofichwa, na hata kurekebisha mikakati kwenye nzi. Katika harakati za kutabiri soko la hisa, AI imetoa unaoonekana lakini mdogo . Wawekezaji na taasisi zinaweza kutarajia AI kusaidia katika kufanya maamuzi - kwa mfano, kwa kutoa ishara za ubashiri, kuboresha portfolios, au kudhibiti hatari - lakini sio kutumika kama mpira wa fuwele unaohakikisha faida.

Nini AI
Inaweza Kufanya: AI inaweza kuboresha mchakato wa uchambuzi katika uwekezaji. Inaweza kuchuja miaka mingi ya data ya soko, milisho ya habari na ripoti za fedha kwa sekunde, ikigundua mifumo fiche au hitilafu ambazo binadamu anaweza kupuuza ( Kutumia Kujifunza kwa Mashine kwa Utabiri wa Soko la Hisa... | FMP ). Inaweza kuchanganya mamia ya vigeu (kiufundi, msingi, hisia, n.k.) kuwa utabiri wa pamoja. Katika biashara ya muda mfupi, algoriti za AI zinaweza kutabiri kwa njia bora zaidi kuliko usahihi wa nasibu kwamba hisa moja itashinda nyingine, au kwamba soko linakaribia kupata ongezeko la tete. Kingo hizi za nyongeza, zikitumiwa ipasavyo, zinaweza kutafsiri kuwa faida halisi za kifedha. AI inaweza pia kusaidia katika udhibiti wa hatari - kutambua maonyo ya mapema ya kushuka au kuwafahamisha wawekezaji juu ya kiwango cha imani cha utabiri. Jukumu lingine la vitendo la AI ni katika mkakati wa otomatiki : algoriti zinaweza kutekeleza biashara kwa kasi na marudio, kuitikia matukio 24/7, na kutekeleza nidhamu (hakuna biashara ya kihisia), ambayo inaweza kuwa na manufaa katika soko tete.

Nini AI
Haiwezi Kufanya (Bado): Licha ya kelele katika baadhi ya vyombo vya habari, AI haiwezi kutabiri soko la hisa mara kwa mara na kwa uhakika kwa maana kamili ya kushinda soko kila mara au kutabiri mabadiliko makubwa. Masoko huathiriwa na tabia ya binadamu, matukio ya nasibu, na misururu changamano ya maoni ambayo inakaidi muundo wowote tuli. AI haiondoi kutokuwa na uhakika; inahusika tu katika uwezekano. AI inaweza kuonyesha uwezekano wa 70% wa hisa kupanda kesho - ambayo pia inamaanisha uwezekano wa 30%. Kupoteza biashara na simu mbaya haziepukiki. AI haiwezi kutazamia matukio mapya ya kweli (mara nyingi huitwa "swans weusi") ambayo yako nje ya uwanja wa data yake ya mafunzo. Zaidi ya hayo, mtindo wowote wa utabiri wenye mafanikio hualika ushindani ambao unaweza kuharibu faida yake. Kwa kweli, hakuna AI sawa na mpira wa fuwele ambayo inahakikisha mbele ya siku zijazo za soko. Wawekezaji wanapaswa kuwa waangalifu na mtu yeyote anayedai vinginevyo.

Mtazamo wa Kuegemea upande wowote, wa Uhalisia:
Kwa mtazamo wa kutoegemea upande wowote, AI inaonekana vyema kama uboreshaji wa, si badala ya, uchanganuzi wa kimapokeo na ufahamu wa binadamu. Kwa vitendo, wawekezaji wengi wa taasisi hutumia mifano ya AI pamoja na maoni kutoka kwa wachambuzi wa kibinadamu na wasimamizi wa kwingineko. AI inaweza kubana nambari na utabiri wa matokeo, lakini wanadamu huweka malengo, kutafsiri matokeo, na kurekebisha mikakati ya muktadha (kwa mfano, kupitisha kielelezo wakati wa shida isiyotarajiwa). Wawekezaji wa reja reja wanaotumia zana zinazoendeshwa na AI au roboti za biashara wanapaswa kuwa macho na kuelewa mantiki na mipaka ya zana. Kufuata pendekezo la AI kwa upofu ni hatari - mtu anapaswa kuitumia kama pembejeo moja kati ya nyingi.

Katika kuweka matarajio ya kweli, mtu anaweza kuhitimisha: AI inaweza kutabiri soko la hisa kwa kiwango fulani, lakini si kwa uhakika na si bila makosa . Inaweza kuongeza uwezekano wa kupiga simu sahihi au kuboresha ufanisi katika kuchanganua taarifa, ambayo katika soko shindani inaweza kuwa tofauti kati ya faida na hasara. Hata hivyo, haiwezi kuthibitisha mafanikio au kuondoa tete na hatari ya soko la hisa. Kama uchapishaji mmoja ulivyoonyesha, hata kwa kanuni bora, matokeo katika soko la hisa yanaweza kuwa "yasiotabirika" kutokana na sababu zaidi ya maelezo ya kielelezo ( Utabiri wa Soko la Hisa kwa Kutumia Mafunzo ya Kuimarisha Kina ).

Barabara ya Mbele:
Kutazamia, jukumu la AI katika utabiri wa soko la hisa linaweza kukua. Utafiti unaoendelea unashughulikia baadhi ya vikwazo (kwa mfano, kuunda miundo inayochangia mabadiliko ya serikali, au mifumo mseto inayojumuisha uchanganuzi unaoendeshwa na data na matukio). Pia kuna nia ya mawakala wa uimarishaji wa kujifunza ambao mara kwa mara hubadilika kulingana na data mpya ya soko katika muda halisi, ambayo inaweza kushughulikia mabadiliko ya mazingira bora kuliko miundo tuli iliyofunzwa. Zaidi ya hayo, kuchanganya AI na mbinu kutoka kwa fedha za tabia au uchambuzi wa mtandao kunaweza kutoa mifano tajiri ya mienendo ya soko. Walakini, hata AI ya hali ya juu zaidi ya siku zijazo itafanya kazi ndani ya mipaka ya uwezekano na kutokuwa na uhakika.

Kwa muhtasari, swali "Je, AI inaweza kutabiri soko la hisa?" haina jibu rahisi la ndio au hapana. Jibu sahihi zaidi ni: AI inaweza kusaidia kutabiri soko la hisa, lakini sio kosa. Inatoa zana zenye nguvu ambazo, zikitumiwa kwa busara, zinaweza kuimarisha mikakati ya utabiri na biashara, lakini haiondoi hali ya kutotabirika ya kimsingi ya masoko. Wawekezaji wanapaswa kukumbatia AI kwa uwezo wake - usindikaji wa data na utambuzi wa muundo - huku wakiendelea kufahamu udhaifu wake. Kwa kufanya hivyo, mtu anaweza kutumia ulimwengu bora zaidi: uamuzi wa mwanadamu na akili ya mashine kufanya kazi pamoja. Soko la hisa haliwezi kutabirika kwa 100%, lakini kwa matarajio ya kweli na matumizi ya busara ya AI, washiriki wa soko wanaweza kujitahidi kwa maamuzi bora ya uwekezaji, yenye nidhamu zaidi katika hali ya kifedha inayobadilika kila wakati.

Karatasi nyeupe ambazo unaweza kupenda kusoma baada ya hii:

🔗 Kazi Ambazo AI Haiwezi Kuchukua Nafasi - Na AI Itachukua Nafasi ya Kazi Gani?
Gundua ni kazi zipi ambazo ni dhibitisho la siku zijazo na ni zipi ambazo ziko hatarini zaidi kwani AI inaunda upya ajira ya kimataifa.

🔗 Je, AI ya Kuzalisha Inaweza Kutegemewa Kufanya Nini Bila Kuingilia kati kwa Binadamu?
Kuelewa mipaka ya sasa na uwezo wa uhuru wa AI generative katika hali ya vitendo.

🔗 Je, AI ya Kuzalisha Inawezaje kutumika katika Usalama wa Mtandao?
Jifunze jinsi AI inavyojilinda dhidi ya vitisho na kuimarisha uthabiti wa mtandao kwa zana za kubashiri na zinazojitegemea.