Je, AI inaweza Kutabiri Soko la Hisa?

Utangulizi

Kutabiri soko la hisa kwa muda mrefu kumekuwa "kivutio kitakatifu" cha kifedha kinachotafutwa na wawekezaji wa taasisi na rejareja kote ulimwenguni. Kwa maendeleo ya hivi karibuni katika Akili Bandia (AI) na ujifunzaji wa mashine (ML) , wengi wanajiuliza 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, ikielezea jinsi mifumo inayoendeshwa na AI inavyojaribu kutabiri mienendo ya soko, misingi ya kinadharia nyuma ya mifumo hii, na mapungufu halisi wanayokabiliana nayo. Tunawasilisha uchanganuzi usio na upendeleo, unaotegemea utafiti badala ya hype, ya kile AI inaweza na haiwezi kufanya katika muktadha wa utabiri wa soko la fedha.

Katika nadharia ya kifedha, changamoto ya utabiri inasisitizwa na Dhana ya Soko Efficient (EMH) . EMH (hasa katika umbo lake "kali") inadai kwamba bei za hisa zinaonyesha kikamilifu taarifa zote zinazopatikana wakati wowote, ikimaanisha kwamba hakuna mwekezaji (hata wa ndani) anayeweza kufanya vizuri zaidi kuliko soko kwa kufanya biashara kwa kutumia taarifa zinazopatikana ( Mifumo ya utabiri wa hisa inayoendeshwa na data kulingana na mitandao ya neva: Mapitio ). Kwa maneno rahisi, ikiwa masoko yana ufanisi mkubwa na bei zinasonga kwa nasibu , basi kutabiri kwa usahihi bei za siku zijazo kunapaswa kuwa vigumu sana. Licha ya nadharia hii, mvuto wa kushinda soko umechochea utafiti wa kina katika mbinu za hali ya juu za utabiri. AI na ujifunzaji wa mashine vimekuwa muhimu katika harakati hii, kutokana na uwezo wao wa kuchakata kiasi kikubwa cha data na kutambua mifumo hafifu ambayo wanadamu wanaweza kukosa ( Kutumia Kujifunza kwa Mashine kwa Utabiri wa Soko la Hisa... | FMP ).

Karatasi hii nyeupe inatoa muhtasari kamili wa mbinu za AI zinazotumika kwa utabiri wa soko la hisa na kutathmini ufanisi wake. Tutachunguza misingi ya kinadharia ya mifumo maarufu (kuanzia mbinu za kitamaduni za mfululizo wa wakati hadi mitandao ya kina ya neva na ujifunzaji wa uimarishaji), kujadili mchakato wa data na mafunzo kwa mifumo hii, na kuangazia mapungufu na changamoto zinazokabili mifumo kama hiyo, kama vile ufanisi wa soko, kelele ya data, na matukio ya nje yasiyotarajiwa. Masomo na mifano ya ulimwengu halisi yamejumuishwa ili kuonyesha matokeo mchanganyiko yaliyopatikana hadi sasa. Hatimaye, tunahitimisha kwa matarajio halisi kwa wawekezaji na watendaji: kutambua uwezo wa kuvutia wa AI huku tukitambua kwamba masoko ya fedha yanahifadhi kiwango cha kutotabirika ambacho hakuna algoriti inayoweza kuondoa kikamilifu.

Misingi ya Kinadharia ya AI katika Utabiri wa Soko la Hisa

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

• Mifumo ya Jadi ya Mfululizo wa Wakati: Utabiri wa awali wa hisa unaotegemea mifumo ya takwimu ambayo hudhani mifumo katika bei zilizopita inaweza kutabiri mustakabali. Mifumo kama ARIMA (Awamu ya Kusonga Integrated Auto-Regressive) na ARCH/GARCH huzingatia kunasa mitindo ya mstari na mkusanyiko wa tete katika data ya mfululizo wa wakati ( Mifumo ya utabiri wa hisa inayoendeshwa na data kulingana na mitandao ya neva: Mapitio ). Mifumo hii hutoa msingi wa utabiri kwa kuiga mfuatano wa bei wa kihistoria chini ya dhana ya uthabiti na uthabiti. Ingawa ni muhimu, mifumo ya jadi mara nyingi hupambana na mifumo changamano, isiyo ya mstari ya masoko halisi, na kusababisha usahihi mdogo wa utabiri katika vitendo ( Mifumo ya utabiri wa hisa inayoendeshwa na data kulingana na mitandao ya neva: Mapitio ).

• Algorithimu za Kujifunza kwa Mashine: Mbinu za kujifunza kwa mashine huenda zaidi ya fomula za takwimu zilizofafanuliwa awali kwa kujifunza mifumo moja kwa moja kutoka kwa data . Algorithimu kama vile mashine za vekta za usaidizi (SVM) , misitu nasibu , na kuongeza gradient zimetumika kwa utabiri wa hisa. Zinaweza kujumuisha vipengele mbalimbali vya kuingiza data - kuanzia viashiria vya kiufundi (km, wastani wa kusonga, kiasi cha biashara) hadi viashiria vya msingi (km, mapato, data ya uchumi mkuu) - na kupata uhusiano usio wa mstari miongoni mwao. Kwa mfano, modeli ya kuongeza gradient au msitu nasibu inaweza kuzingatia mambo kadhaa kwa wakati mmoja, ikinasa mwingiliano ambao modeli rahisi ya mstari inaweza kukosa. Mifumo hii ya ML imeonyesha uwezo wa kuboresha usahihi wa utabiri kwa kiasi kwa kugundua ishara changamano katika data ( Kutumia Kujifunza kwa Mashine kwa Utabiri wa Soko la Hisa... | FMP ). Hata hivyo, zinahitaji marekebisho makini na data ya kutosha ili kuepuka kufaa kupita kiasi (kelele ya kujifunza badala ya ishara).

• Kujifunza kwa Kina (Mitandao ya Neva): Mitandao ya neva ya kina , iliyochochewa na muundo wa ubongo wa binadamu, imekuwa maarufu kwa utabiri wa soko la hisa katika miaka ya hivi karibuni. Miongoni mwa hii, Mitandao ya Neva ya Kawaida (RNNs) na mitandao yao Kumbukumbu ya Muda Mfupi ya Muda Mfupi (LSTM) imeundwa mahsusi kwa data ya mfuatano kama vile mfululizo wa wakati wa bei ya hisa. LSTM zinaweza kuhifadhi kumbukumbu ya taarifa za zamani na kunasa utegemezi wa muda, na kuzifanya zifae vyema kwa mitindo ya kielelezo, mizunguko, au mifumo mingine inayotegemea wakati katika data ya soko. Utafiti unaonyesha kwamba LSTM na mifumo mingine ya kujifunza kwa kina inaweza kunasa uhusiano tata, usio wa mstari katika data ya kifedha ambayo mifumo rahisi hukosa. Mbinu zingine za kujifunza kwa kina ni pamoja na Mitandao ya Neva ya Convolutional (CNNs) (wakati mwingine hutumika kwenye "picha" za kiashiria cha kiufundi au mfuatano uliosimbwa), Transformers (ambazo hutumia mifumo ya umakini kupima umuhimu wa hatua tofauti za wakati au vyanzo vya data), na hata Mitandao ya Neva ya Graph (GNNs) (kuonyesha uhusiano kati ya hisa kwenye grafu ya soko). Mitandao hii ya neva ya hali ya juu inaweza kumeza sio tu data ya bei lakini pia vyanzo mbadala vya data kama vile maandishi ya habari, hisia za mitandao ya kijamii, na zaidi, kujifunza vipengele vya dhahania 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: vina ulaji mwingi wa data, vinazingatia sana hesabu, na mara nyingi hufanya kazi kama "visanduku vyeusi" bila tafsiri nyingi.

• Kujifunza kwa Uimarishaji: Mpaka mwingine katika utabiri wa hisa za AI ni kujifunza kwa uimarishaji (RL) , ambapo lengo si kutabiri bei tu, bali 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 zawadi (faida au hasara). Baada ya muda, wakala hujifunza sera inayoongeza zawadi ya jumla. Kujifunza kwa Uimarishaji wa Kina (DRL) huchanganya mitandao ya neva na kujifunza kwa uimarishaji ili kushughulikia nafasi kubwa ya masoko. Mvuto wa RL katika fedha ni uwezo wake wa kuzingatia mlolongo 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 kutoka katika nafasi kulingana na ishara za bei na hata kubadilika kadri hali ya soko inavyobadilika. Ikumbukwe kwamba, RL imetumika kufunza mifumo ya AI inayoshindana katika mashindano ya biashara ya kiasi na katika baadhi ya mifumo ya biashara ya wamiliki. Hata hivyo, mbinu za RL pia zinakabiliwa na changamoto kubwa: zinahitaji mafunzo ya kina (kuiga miaka ya biashara), zinaweza kuteseka kutokana na kutokuwa na utulivu au tabia tofauti ikiwa hazijarekebishwa kwa uangalifu, na utendaji wao ni nyeti sana kwa mazingira ya soko yanayodhaniwa. Watafiti wamebainisha masuala kama vile gharama kubwa za hesabu na matatizo ya uthabiti katika kutumia ujifunzaji wa uimarishaji katika masoko tata ya hisa. Licha ya changamoto hizi, RL inawakilisha mbinu yenye matumaini, hasa inapojumuishwa na mbinu zingine (km, kutumia mifumo ya utabiri wa bei pamoja na mkakati wa ugawaji unaotegemea RL) ili kuunda mfumo mseto wa kufanya maamuzi ( Utabiri wa Soko la Hisa Kutumia Ujifunzaji wa Uimarishaji wa Kina ).

Vyanzo vya Data na Mchakato wa Mafunzo

Bila kujali aina ya modeli, data ndio uti wa mgongo wa utabiri wa soko la hisa la AI. Kwa kawaida modeli hufunzwa kuhusu data ya kihistoria ya soko na seti zingine za data zinazohusiana ili kugundua ruwaza. Vyanzo na vipengele vya kawaida vya data ni pamoja na:

• Bei za Kihistoria na Viashiria vya Kiufundi: Karibu mifumo yote hutumia bei za hisa zilizopita (wazi, juu, chini, karibu) na ujazo wa biashara. Kutokana na haya, wachambuzi mara nyingi hupata viashiria vya kiufundi (wastani unaosonga, faharisi ya nguvu ya jamaa, MACD, n.k.) kama pembejeo. Viashiria hivi vinaweza kusaidia kuangazia mitindo au kasi ambayo mfumo unaweza kutumia. Kwa mfano, mfumo unaweza kuchukua kama pembejeo ya siku 10 za mwisho za bei na ujazo, pamoja na viashiria kama wastani wa kusonga wa siku 10 au vipimo vya tete, ili kutabiri mwendo wa bei wa siku inayofuata.

• Fahirisi za Soko na Data ya Kiuchumi: Mifumo mingi inajumuisha taarifa pana za soko, kama vile viwango vya fahirisi, viwango vya riba, mfumuko wa bei, ukuaji wa Pato la Taifa, au viashiria vingine vya kiuchumi. Vipengele hivi vikuu hutoa muktadha (km, hisia za jumla za soko au afya ya kiuchumi) ambao unaweza kushawishi utendaji wa hisa za mtu binafsi.

• Data ya Habari na Hisia: Idadi inayoongezeka ya mifumo ya AI huingiza data isiyo na muundo kama vile makala za habari, mipasho ya mitandao ya kijamii (Twitter, Stocktwits), na ripoti za kifedha. Mbinu za Usindikaji wa Lugha Asilia (NLP), ikiwa ni pamoja na mifumo ya hali ya juu kama BERT, hutumika kupima hisia za soko au kugundua matukio husika. Kwa mfano, ikiwa hisia za habari ghafla zinageuka kuwa hasi sana kwa kampuni au sekta, mfumo wa AI unaweza kutabiri kushuka kwa bei za hisa zinazohusiana. Kwa kusindika habari za wakati halisi na hisia za mitandao ya kijamii , AI inaweza kuguswa haraka kuliko wafanyabiashara wa kibinadamu kwa taarifa mpya.

• Data Mbadala: Baadhi ya watafiti wa kisasa wa hazina za ua na AI hutumia vyanzo mbadala vya data - picha za setilaiti (kwa trafiki ya dukani au shughuli za viwandani), data ya miamala ya kadi za mkopo, mitindo ya utafutaji wa wavuti, n.k. - ili kupata maarifa ya utabiri. Seti hizi za data zisizo za kitamaduni wakati mwingine zinaweza kutumika kama viashiria vinavyoongoza vya utendaji wa hisa, ingawa pia huanzisha ugumu katika mafunzo ya modeli.

Kufundisha modeli ya AI kwa ajili ya utabiri wa hisa kunahusisha kuilisha data hii ya kihistoria na kurekebisha vigezo vya modeli ili kupunguza hitilafu ya utabiri. Kwa kawaida, data imegawanywa katika seti ya mafunzo (km, historia ya zamani ili kujifunza mifumo) na seti ya majaribio/uthibitishaji (data ya hivi karibuni ili kutathmini utendaji kwa hali zisizoonekana). Kwa kuzingatia asili ya mfuatano wa data ya soko, uangalifu huchukuliwa ili kuepuka "kuchungulia katika siku zijazo" - kwa mfano, modeli hutathminiwa kwenye data kutoka vipindi vya muda baada ya kipindi cha mafunzo, ili kuiga jinsi zingefanya kazi katika biashara halisi. uthibitishaji mtambuka zilizorekebishwa kwa mfululizo wa muda (kama vile uthibitishaji wa kusonga mbele) hutumiwa kuhakikisha modeli inajumisha vyema na haijawekwa tu kwa kipindi kimoja maalum.

Zaidi ya hayo, watendaji lazima washughulikie masuala ya ubora wa data na usindikaji wa awali. Data inayokosekana, bidhaa zisizo za kawaida (km, ongezeko la ghafla kutokana na mgawanyiko wa hisa au matukio ya mara moja), na mabadiliko ya utawala katika masoko yote yanaweza kuathiri mafunzo ya modeli. Mbinu kama vile urekebishaji, uondoaji wa mitindo, au uondoaji wa msimu zinaweza kutumika kwa data ya ingizo. Baadhi ya mbinu za hali ya juu hutenganisha mfululizo wa bei katika vipengele (mitindo, mizunguko, kelele) na kuziunda kando (kama inavyoonekana katika utafiti unaochanganya utengano wa hali tofauti na nyavu za neva ( Utabiri wa Soko la Hisa Kutumia Kujifunza kwa Uimarishaji wa Kina )).

Mifumo tofauti ina mahitaji tofauti ya mafunzo: mifumo ya kujifunza kwa kina inaweza kuhitaji mamia ya maelfu ya pointi za data na kufaidika na kasi ya GPU, ilhali mifumo rahisi kama vile urejeshaji wa vifaa inaweza kujifunza kutoka kwa seti ndogo za data. Mifumo ya kujifunza kwa uimarishaji inahitaji kiigaji au mazingira ya kuingiliana nayo; wakati mwingine data ya kihistoria hurejelewa kwa wakala wa RL, au viigaji vya soko hutumiwa kutoa uzoefu.

Hatimaye, mara tu baada ya kufunzwa, mifumo hii hutoa kazi ya utabiri - kwa mfano, matokeo ambayo yanaweza kuwa bei iliyotabiriwa ya kesho, uwezekano kwamba hisa itapanda, au hatua inayopendekezwa (nunua/uza). Utabiri huu kwa kawaida hujumuishwa katika mkakati wa biashara (pamoja na ukubwa wa nafasi, sheria za usimamizi wa hatari, n.k.) kabla ya pesa halisi kuwekwa hatarini.

Vikwazo na Changamoto

Ingawa mifumo ya AI imekuwa ya kisasa sana, utabiri wa soko la hisa unabaki kuwa kazi ngumu kiasili . Yafuatayo ni mapungufu na vikwazo muhimu vinavyozuia AI kuwa mpiga ramli aliyehakikishwa katika masoko:

• Ufanisi wa Soko na Ubaguzi: Kama ilivyotajwa hapo awali, Dhana ya Soko Inayofaa inasema kwamba bei tayari zinaonyesha taarifa zinazojulikana, kwa hivyo taarifa yoyote mpya husababisha marekebisho ya haraka. Kwa maneno ya vitendo, hii ina maana kwamba mabadiliko ya bei yanasababishwa kwa kiasi kikubwa na zisizotarajiwa au mabadiliko ya nasibu. Hakika, miongo kadhaa ya utafiti imegundua kuwa mienendo ya bei ya hisa ya muda mfupi inafanana na mwendo wa nasibu ( Mifumo ya utabiri wa hisa inayoendeshwa na data kulingana na mitandao ya neva: Mapitio ) - bei ya jana haina athari kubwa kwa ya kesho, zaidi ya kile nafasi ingetabiri. Ikiwa bei za hisa kimsingi ni nasibu au "ufanisi," hakuna algoriti inayoweza kuzitabiri kwa usahihi wa hali ya juu. Kama utafiti mmoja ulivyosema kwa ufupi, "dhana ya kutembea nasibu na dhana ya soko yenye ufanisi kimsingi inasema kwamba haiwezekani kutabiri kwa utaratibu na kwa uhakika bei za hisa za siku zijazo" ( Kutabiri faida za jamaa za hisa za S&P 500 kwa kutumia ujifunzaji wa mashine | Ubunifu wa Kifedha | Maandishi Kamili ). Hii haimaanishi kwamba utabiri wa AI hauna maana kila wakati, lakini inasisitiza kikomo cha msingi: sehemu kubwa ya harakati za soko inaweza kuwa kelele tu ambayo hata mfumo bora hauwezi kutabiri mapema.

• Kelele na Mambo ya Nje Yasiyotabirika: Bei za hisa huathiriwa na mambo mengi, mengi ambayo ni ya nje na hayatabiriki. Matukio ya kijiografia (vita, uchaguzi, mabadiliko ya udhibiti), majanga ya asili, magonjwa ya mlipuko, kashfa za ghafla za makampuni, au hata uvumi unaoenea kwenye mitandao ya kijamii unaweza kuhamisha masoko bila kutarajia. Haya ni matukio ambayo modeli haiwezi kuwa na data ya mafunzo ya awali (kwa sababu hayajawahi kutokea) au ambayo hutokea kama mshtuko wa nadra. Kwa mfano, hakuna modeli ya AI iliyofunzwa kuhusu data ya kihistoria kutoka 2010–2019 ambayo ingeweza kutabiri haswa ajali ya COVID-19 mapema mwaka wa 2020 au kurudi kwake haraka. Mifumo ya AI ya kifedha inapambana wakati serikali zinabadilika au wakati tukio moja linapoongeza bei. Kama chanzo kimoja kinavyosema, mambo kama matukio ya kijiografia au kutolewa kwa data ya ghafla ya kiuchumi kunaweza kufanya utabiri kuwa wa kizamani karibu 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 zinaweza kupuuza utabiri wa algoriti , na kuingiza kiwango cha kutokuwa na uhakika ambacho hakiwezi kupunguzwa.

• Kuweka na Kujumlisha Zaidi: Mifumo ya kujifunza kwa mashine huwa na uwezekano wa kuweka zaidi ya kiwango - ikimaanisha kuwa wanaweza kujifunza "kelele" au tabia mbaya katika data ya mafunzo vizuri sana, badala ya mifumo ya jumla ya msingi. Mfumo uliowekwa zaidi unaweza kufanya vizuri sana kwenye data ya kihistoria (hata kuonyesha faida za kuvutia zilizojaribiwa nyuma au usahihi wa juu katika sampuli) lakini kisha ukashindwa vibaya kwenye data mpya. Huu ni mtego wa kawaida katika fedha za kiasi. Kwa mfano, mtandao tata wa neva unaweza kupata uhusiano bandia ambao ulifanyika hapo awali kwa bahati mbaya (kama mchanganyiko fulani wa viashiria vya kupita kiasi ambavyo vilitokea kabla ya mikusanyiko katika miaka 5 iliyopita) lakini uhusiano huo unaweza usiendelee mbele. Mfano wa vitendo: mtu anaweza kubuni mfumo unaotabiri washindi wa hisa za mwaka jana watapanda kila wakati - unaweza kuendana na kipindi fulani, lakini ikiwa mfumo wa soko utabadilika, muundo huo unavunjika. Kuweka zaidi ya kiwango husababisha utendaji duni wa nje ya sampuli , ikimaanisha kuwa utabiri wa mfumo katika biashara ya moja kwa moja hauwezi kuwa bora kuliko nasibu licha ya kuonekana mzuri katika maendeleo. Kuepuka kuweka zaidi ya kiwango kunahitaji mbinu kama vile urekebishaji, kuweka ugumu wa mfumo katika udhibiti, na kutumia uthibitishaji thabiti. Hata hivyo, ugumu wenyewe unaowapa mifumo ya AI nguvu pia huwafanya wawe katika hatari ya kupata tatizo hili.

• Ubora na Upatikanaji wa Data: Msemo "takataka ziingie, takataka zitoke" unatumika sana kwa AI katika utabiri wa hisa. Ubora, wingi, na umuhimu wa data huathiri pakubwa utendaji wa modeli. Ikiwa data ya kihistoria haitoshi (km, kujaribu kutoa mafunzo kwa mtandao wa kina kuhusu miaka michache tu ya bei za hisa) au kutowakilisha (km, kutumia data kutoka kipindi cha bei kubwa kutabiri hali ya bei nafuu), modeli haitajumuisha vizuri. Data inaweza pia kuwa na upendeleo au kutegemea uponaji (kwa mfano, fahirisi za hisa kwa kawaida huangusha kampuni zinazofanya vibaya baada ya muda, kwa hivyo data ya fahirisi ya kihistoria inaweza kuwa na upendeleo juu). Kusafisha na kuratibu data ni kazi isiyo ya kawaida. Zaidi ya hayo, mbadala vya data vinaweza kuwa ghali au vigumu kupata, ambayo inaweza kuwapa wachezaji wa taasisi faida huku ikiwaacha wawekezaji wa rejareja na data isiyo kamili. Pia kuna suala la masafa : modeli za biashara za masafa ya juu zinahitaji data ya tick-by-tick ambayo ni kubwa kwa ujazo na inahitaji miundombinu maalum, ilhali modeli za masafa ya chini zinaweza kutumia data ya kila siku au ya kila wiki. Kuhakikisha data inapangiliwa kwa wakati (km, habari na data inayolingana ya bei) na bila upendeleo wa kutazama mbele ni changamoto inayoendelea.

• Uwazi na Ufasiri wa Mfano: Mifano mingi ya AI, hasa ile ya kujifunza kwa undani, hufanya kazi kama visanduku vyeusi . Inaweza kutoa utabiri au ishara ya biashara bila sababu inayoweza kuelezeka kwa urahisi. Ukosefu huu wa uwazi unaweza kuwa tatizo kwa wawekezaji - hasa wale wa taasisi ambao wanahitaji kuhalalisha maamuzi kwa wadau au kuzingatia kanuni. Ikiwa mfumo wa AI unatabiri hisa itashuka na kupendekeza kuuzwa, meneja wa kwingineko anaweza kusita ikiwa haelewi mantiki. Ukosefu wa uwazi wa maamuzi ya AI unaweza kupunguza uaminifu na kupitishwa, bila kujali usahihi wa mfumo. Changamoto hii inachochea utafiti katika AI inayoweza kuelezeka kwa fedha, lakini inabaki kuwa kweli kwamba mara nyingi kuna mabadilishano kati ya ugumu/usahihi wa mfumo na utafsiri.

• Masoko Yanayoweza Kubadilika na Ushindani: Ni muhimu kutambua kwamba masoko ya fedha yanabadilika . Mara tu muundo wa utabiri unapogunduliwa (kwa AI au njia yoyote) na kutumiwa na wafanyabiashara wengi, unaweza kuacha kufanya kazi. Kwa mfano, ikiwa mfumo wa AI utagundua kuwa ishara fulani mara nyingi hutangulia kupanda kwa hisa, wafanyabiashara wataanza kuchukua hatua kwenye ishara hiyo mapema, na hivyo kusuluhisha fursa hiyo. Kimsingi, masoko yanaweza kubadilika ili kubatilisha mikakati inayojulikana . Leo, makampuni na fedha nyingi za biashara huajiri AI na ML. Ushindani huu unamaanisha kwamba faida yoyote mara nyingi ni ndogo na ya muda mfupi. Matokeo yake ni kwamba mifumo ya AI inaweza kuhitaji mafunzo upya na kusasishwa mara kwa mara ili kuendana na mabadiliko ya mienendo ya soko. Katika masoko yenye kioevu na kukomaa sana (kama vile hisa kubwa za Marekani), wachezaji wengi wa kisasa wanatafuta ishara zile zile, na kufanya iwe vigumu sana kudumisha faida. Kwa upande mwingine, katika masoko yasiyo na ufanisi au mali maalum, AI inaweza kupata ukosefu wa ufanisi wa muda - lakini kadri masoko hayo yanavyokuwa ya kisasa, pengo linaweza kuziba. Hali hii ya mabadiliko ya masoko ni changamoto ya msingi: "sheria za mchezo" si za kudumu, kwa hivyo mfumo uliofanya kazi mwaka jana unaweza kuhitaji kufanyiwa marekebisho mwaka ujao.

• Vikwazo vya Ulimwengu Halisi: Hata kama modeli ya AI inaweza kutabiri bei kwa usahihi mzuri, kugeuza utabiri kuwa faida ni changamoto nyingine. Biashara huleta gharama za miamala , kama vile kamisheni, kushuka, na kodi. modeli inaweza kutabiri mienendo mingi midogo ya bei kwa usahihi, lakini faida zinaweza kufutwa na ada na athari za soko la biashara. Usimamizi wa hatari pia ni muhimu - hakuna utabiri ulio na uhakika wa 100%, kwa hivyo mkakati wowote unaoendeshwa na AI lazima uzingalie hasara zinazowezekana (kupitia maagizo ya kusimamisha hasara, utofautishaji wa kwingineko, n.k.). Taasisi mara nyingi huunganisha utabiri wa AI katika mfumo mpana wa hatari ili kuhakikisha AI haibeti shamba kwenye utabiri ambao unaweza kuwa mbaya. Mawazo haya ya vitendo yanamaanisha kuwa makali ya kinadharia ya AI lazima yawe makubwa ili kuwa na manufaa baada ya misuguano ya ulimwengu halisi.

Kwa muhtasari, AI ina uwezo mkubwa, lakini mapungufu haya yanahakikisha kwamba soko la hisa linabaki kuwa mfumo unaotabirika kwa kiasi fulani, na usiotabirika kwa kiasi . Mifumo ya AI inaweza kugeuza uwezekano kwa faida ya mwekezaji kwa kuchanganua data kwa ufanisi zaidi na pengine kufichua ishara ndogo za utabiri. Hata hivyo, mchanganyiko wa bei bora, data yenye kelele, matukio yasiyotarajiwa, na vikwazo vya vitendo inamaanisha kwamba hata AI bora wakati mwingine itakuwa na makosa - mara nyingi huwa hivyo bila kutabirika.

Utendaji wa Mifumo ya AI: Ushahidi Unasema Nini?

Kwa kuzingatia maendeleo na changamoto zilizojadiliwa, tumejifunza nini kutokana na utafiti na majaribio halisi ya kutumia akili bandia (AI) katika utabiri wa hisa? Matokeo hadi sasa yamechanganyika, yakionyesha mafanikio yenye matumaini na kushindwa kugumu :

• Mifano ya Uwezekano wa Kufanya Kazi kwa AI Bora: Tafiti kadhaa zimeonyesha kuwa mifumo ya AI inaweza kushinda ubashiri wa nasibu chini ya hali fulani. Kwa mfano, utafiti wa 2024 ulitumia mtandao wa neva wa LSTM kutabiri mitindo ya katika soko la hisa la Vietnam na kuripoti usahihi wa hali ya juu wa utabiri - karibu 93% kwenye data ya majaribio ( Kutumia algoriti za kujifunza kwa mashine kutabiri mwenendo wa bei ya hisa katika soko la hisa - Kesi ya Vietnam | Mawasiliano ya Binadamu na Sayansi ya Jamii ). Hii inaonyesha kwamba katika soko hilo (uchumi unaoibuka), mfumo huo uliweza kunasa mifumo thabiti, labda kwa sababu soko lilikuwa na ufanisi mdogo au mitindo imara ya kiufundi ambayo LSTM ilijifunza. Utafiti mwingine mnamo 2024 ulichukua wigo mpana zaidi: watafiti walijaribu kutabiri faida za muda mfupi kwa hisa zote za S&P 500 (soko lenye ufanisi zaidi) kwa kutumia mifumo ya ML. Waliiweka kama tatizo la uainishaji - wakitabiri kama hisa itafanya kazi vizuri zaidi kuliko faharisi kwa 2% katika siku 10 zijazo - kwa kutumia algoriti kama Random Forests, SVM, na LSTM. Matokeo: modeli ya LSTM ilifanya vyema zaidi ya modeli zingine za ML na msingi nasibu , huku matokeo yakiwa na umuhimu wa kitakwimu wa kutosha kupendekeza kuwa haikuwa bahati tu ( Kutabiri mapato ya jamaa kwa hisa za S&P 500 kwa kutumia ujifunzaji wa mashine | Ubunifu wa Kifedha | Maandishi Kamili ). Waandishi hata walihitimisha kwamba katika mpangilio huu maalum, uwezekano ambao nadharia ya kutembea nasibu inashikilia ulikuwa "mdogo sana," ikionyesha kwamba modeli zao za ML zilipata ishara halisi za utabiri. Mifano hii inaonyesha kwamba AI inaweza kutambua ruwaza zinazotoa faida (hata kama ni ndogo) katika kutabiri mabadiliko ya hisa, haswa inapojaribiwa kwenye seti kubwa za data.

• Matumizi Yanayoonekana Katika Sekta: Nje ya masomo ya kitaaluma, kuna ripoti za mifuko ya ua na taasisi za fedha kutumia AI kwa mafanikio katika shughuli zao za biashara. Baadhi ya makampuni ya biashara ya masafa ya juu hutumia AI kutambua na kuguswa na mifumo ya muundo mdogo wa soko kwa sehemu ndogo za sekunde. Benki kubwa zina mifumo ya AI ya ugawaji wa kwingineko na utabiri wa hatari , ambayo, ingawa sio kila wakati kuhusu kutabiri bei ya hisa moja, inahusisha utabiri wa vipengele vya soko (kama vile tete au uhusiano). Pia kuna mifuko inayoendeshwa na AI (mara nyingi huitwa "fedha za kiasi") ambayo hutumia ujifunzaji wa mashine kufanya maamuzi ya biashara - baadhi yamefanya kazi kupita soko kwa vipindi fulani, ingawa ni vigumu kuhusisha hilo haswa na AI kwani mara nyingi hutumia mchanganyiko wa akili ya binadamu na mashine. Matumizi halisi ni matumizi ya uchambuzi wa hisia AI: kwa mfano, kuchanganua habari na Twitter ili kutabiri jinsi bei za hisa zitakavyobadilika kulingana na hali. Mifumo kama hiyo inaweza isiwe sahihi kwa 100%, lakini inaweza kuwapa wafanyabiashara mwanzo mdogo wa bei katika habari. Ni muhimu kuzingatia kwamba makampuni kwa kawaida hulinda maelezo ya mikakati iliyofanikiwa ya AI kama vile haki miliki, kwa hivyo ushahidi katika uwanja wa umma huwa unachelewa au kuwa hadithi za kusimulia.

• Visa vya Utendaji Mbaya na Kushindwa: Kwa kila hadithi ya mafanikio, kuna hadithi za tahadhari. Tafiti nyingi za kitaaluma zilizodai usahihi wa hali ya juu katika soko moja au muda uliopangwa hazikuweza kujumlisha. Jaribio mashuhuri lilijaribu kurudia utafiti uliofanikiwa wa utabiri wa soko la hisa la India (ambao ulikuwa na usahihi wa hali ya juu kwa kutumia ML kwenye viashiria vya kiufundi) kwenye hisa za Marekani. Uigaji huo haukupata nguvu kubwa ya utabiri - kwa kweli, mkakati usio na ujuzi wa kutabiri kila wakati hisa ingepanda siku iliyofuata ulizidi mifano tata ya ML kwa usahihi. Waandishi walihitimisha kuwa matokeo yao "yanaunga mkono nadharia ya kutembea bila mpangilio" , ikimaanisha kuwa mienendo ya hisa haikuwa haitabiriki kimsingi na mifano ya ML haikusaidia. Hii inasisitiza kwamba matokeo yanaweza kutofautiana sana kulingana na soko na kipindi. Vile vile, mashindano mengi ya Kaggle na mashindano ya utafiti wa kiasi yameonyesha kuwa ingawa mifumo mara nyingi inaweza kuendana na data ya zamani vizuri, utendaji wao katika biashara ya moja kwa moja mara nyingi hurejea kuelekea usahihi wa 50% (kwa utabiri wa mwelekeo) mara tu inapokabiliwa na hali mpya. Matukio kama vile kuyeyuka kwa mfuko wa kiasi wa 2007 na matatizo yanayokabiliwa na fedha zinazoendeshwa na AI wakati wa mshtuko wa janga la 2020 yanaonyesha kwamba mifumo ya AI inaweza kudhoofika ghafla wakati utawala wa soko unabadilika. Upendeleo wa kunusurika pia ni sababu ya mitazamo - tunasikia kuhusu mafanikio ya AI mara nyingi zaidi kuliko kushindwa, lakini nyuma ya pazia, mifumo na fedha nyingi hushindwa na kufungwa kimya kimya kwa sababu mikakati yao huacha kufanya kazi.

• Tofauti Katika Masoko Yote: Uchunguzi wa kuvutia kutoka kwa tafiti ni kwamba ufanisi wa AI unaweza kutegemea ukomavu na ufanisi . Katika masoko yanayoibuka kwa ufanisi mdogo au yasiyo na ufanisi, kunaweza kuwa na mifumo inayoweza kutumiwa zaidi (kutokana na kiwango cha chini cha chanjo ya wachambuzi, vikwazo vya ukwasi, au upendeleo wa kitabia), kuruhusu mifumo ya AI kufikia usahihi wa juu zaidi. Utafiti wa LSTM wa soko la Vietnam wenye usahihi wa 93% unaweza kuwa mfano wa hili. Kwa upande mwingine, katika masoko yenye ufanisi mkubwa kama Marekani, mifumo hiyo inaweza kutatuliwa haraka. Matokeo mchanganyiko kati ya kesi ya Vietnam na utafiti wa kurudia wa Marekani yanaonyesha tofauti hii. Kimataifa, hii ina maana kwamba AI inaweza kutoa utendaji bora wa utabiri katika masoko fulani maalum au madarasa ya mali (kwa mfano, baadhi wametumia AI kutabiri bei za bidhaa au mitindo ya sarafu ya kidijitali kwa mafanikio tofauti). Baada ya muda, kadri masoko yote yanavyoelekea kwenye ufanisi zaidi, dirisha la ushindi rahisi wa utabiri hupungua.

• Usahihi dhidi ya Faida: Pia ni muhimu kutofautisha usahihi wa utabiri na faida ya uwekezaji . Mfano unaweza kuwa sahihi kwa 60% tu katika kutabiri harakati za kila siku za kupanda au kushuka kwa hisa - ambazo hazionekani kuwa za juu sana - lakini ikiwa utabiri huo unatumika katika mkakati wa biashara mahiri, unaweza kuwa na faida kubwa. Kinyume chake, mfumo unaweza kujivunia usahihi wa 90% lakini ikiwa mara 10% ni mbaya inaambatana na hatua kubwa za soko (na hivyo hasara kubwa), inaweza kuwa haina faida. Jitihada nyingi za utabiri wa hisa za AI zinazingatia usahihi wa mwelekeo au kupunguza makosa, lakini wawekezaji wanajali kuhusu faida zilizorekebishwa na hatari. Kwa hivyo, tathmini mara nyingi hujumuisha vipimo kama uwiano wa Sharpe, drawdowns, na uthabiti wa utendaji, sio tu kiwango cha hit ghafi. Baadhi ya mifumo ya AI imejumuishwa katika mifumo ya biashara ya algoriti ambayo husimamia nafasi na hatari kiotomatiki - utendaji wao halisi hupimwa katika faida za biashara ya moja kwa moja badala ya takwimu za utabiri wa pekee. Hadi sasa, "mfanyabiashara wa AI" anayejitegemea kikamilifu ambaye hutoa pesa kwa uaminifu mwaka baada ya mwaka ni hadithi za kisayansi zaidi kuliko ukweli, lakini matumizi finyu (kama mfumo wa AI unaotabiri tete ya ambayo wafanyabiashara wanaweza kutumia kupanga bei, n.k.) yamepata nafasi katika zana za kifedha.

Kwa jumla, ushahidi unaonyesha kwamba AI inaweza kutabiri mifumo fulani ya soko kwa usahihi bora kuliko nafasi , na kwa kufanya hivyo inaweza kutoa faida ya biashara. Hata hivyo, faida hiyo mara nyingi huwa ndogo na inahitaji utekelezaji wa hali ya juu ili kufaidika nayo. Mtu anapouliza, je, AI inaweza kutabiri soko la hisa?, jibu la uaminifu zaidi kulingana na ushahidi wa sasa ni: AI wakati mwingine inaweza kutabiri vipengele vya soko la hisa chini ya hali maalum, lakini haiwezi kufanya hivyo kwa usawa kwa hisa zote wakati wote . Mafanikio huwa hayana sehemu na yanategemea muktadha.

Hitimisho: Matarajio Halisi kwa AI katika Utabiri wa Soko la Hisa

Bila shaka AI na ujifunzaji wa mashine zimekuwa zana zenye nguvu katika fedha. Zinastawi katika kuchakata seti kubwa za data, kufichua uhusiano uliofichwa, na hata kurekebisha mikakati mara moja. Katika harakati za kutabiri soko la hisa, AI imetoa unaoonekana lakini mdogo . Wawekezaji na taasisi wanaweza kutarajia AI kusaidia katika kufanya maamuzi - kwa mfano, kwa kutoa ishara za utabiri, kuboresha kwingineko, au kudhibiti hatari - lakini sio kutumika kama mpira wa fuwele unaohakikisha faida.

Kile AI
Inaweza Kufanya: AI inaweza kuboresha mchakato wa uchambuzi katika uwekezaji. Inaweza kuchambua data ya soko kwa miaka mingi, mipasho ya habari, na ripoti za kifedha kwa sekunde, kugundua mifumo au kasoro ndogo ambazo mwanadamu anaweza kuzipuuza ( Kutumia Kujifunza kwa Mashine kwa Utabiri wa Soko la Hisa... | FMP ). Inaweza kuchanganya mamia ya vigeu (kiufundi, msingi, hisia, n.k.) katika utabiri unaoshikamana. Katika biashara ya muda mfupi, algoriti za AI zinaweza kutabiri kwa usahihi bora kidogo kuliko nasibu kwamba hisa moja itazidi nyingine, au kwamba soko linakaribia kupata ongezeko la tete. Vikwazo hivi vya ziada, vinapotumiwa ipasavyo, vinaweza kutafsiriwa kuwa faida halisi za kifedha. AI inaweza pia kusaidia katika usimamizi wa hatari - kutambua maonyo ya mapema ya kushuka kwa thamani au kuwafahamisha wawekezaji kuhusu kiwango cha kujiamini cha utabiri. Jukumu lingine la vitendo la AI ni katika otomatiki ya mkakati : algoriti zinaweza kutekeleza biashara kwa kasi na marudio ya juu, kuguswa na matukio 24/7, na kutekeleza nidhamu (bila biashara ya kihisia), ambayo inaweza kuwa na faida katika masoko tete.

Kile AI
Haiwezi Kufanya (Bado): Licha ya kelele katika baadhi ya vyombo vya habari, AI haiwezi kutabiri soko la hisa kwa uthabiti na kwa uhakika kwa maana ya jumla ya kushinda soko kila wakati au kutabiri mabadiliko makubwa. Masoko huathiriwa na tabia ya binadamu, matukio ya nasibu, na mizunguko tata ya maoni ambayo yanapinga mfumo wowote tuli. AI haiondoi kutokuwa na uhakika; inashughulikia tu uwezekano. AI inaweza kuonyesha nafasi ya 70% ya hisa kupanda kesho - ambayo pia inamaanisha nafasi ya 30% ambayo haitapanda. Kupoteza biashara na miito mibaya ni jambo lisiloepukika. AI haiwezi kutarajia matukio mapya kweli (mara nyingi huitwa "swans weusi") ambayo yako nje ya uwanja wa data yake ya mafunzo. Zaidi ya hayo, mfumo wowote wa utabiri uliofanikiwa hualika ushindani ambao unaweza kuharibu faida yake. Kwa asili, hakuna AI sawa na mpira wa fuwele unaohakikisha mtazamo wa mbele katika mustakabali wa soko. Wawekezaji wanapaswa kuwa waangalifu na mtu yeyote anayedai vinginevyo.

Mtazamo Usioegemea upande wowote, Utaalamu wa Kisanii
(AI) unaonekana vyema kama nyongeza ya, si mbadala wa, uchambuzi wa kitamaduni na ufahamu wa kibinadamu. Kiutendaji, wawekezaji wengi wa taasisi hutumia mifumo ya Utaalamu wa Kisanii (AI) pamoja na michango kutoka kwa wachambuzi wa kibinadamu na mameneja wa kwingineko. Utaalamu wa Kisanii (AI) unaweza kupunguza idadi na utabiri wa matokeo, lakini wanadamu huweka malengo, hutafsiri matokeo, na kurekebisha mikakati ya muktadha (km, kupuuza mfumo wakati wa mgogoro usiotarajiwa). Wawekezaji wa rejareja wanaotumia zana zinazoendeshwa na Utaalamu wa Kisanii (AI) au roboti za biashara wanapaswa kubaki macho na kuelewa mantiki na mipaka ya chombo hicho. Kufuata pendekezo la Utaalamu wa Kisanii bila kufikiri ni hatari - mtu anapaswa kuitumia kama michango moja kati ya mingi.

Katika kuweka matarajio halisi, mtu anaweza kuhitimisha: AI inaweza kutabiri soko la hisa kwa kiwango fulani, lakini si kwa uhakika na si bila makosa . Inaweza kuongeza uwezekano wa kufanya wito sahihi au kuboresha ufanisi katika kuchambua taarifa, ambazo katika masoko ya ushindani zinaweza kuwa tofauti kati ya faida na hasara. Hata hivyo, haiwezi kuhakikisha mafanikio au kuondoa tete ya asili na hatari ya masoko ya hisa. Kama chapisho moja lilivyosema, hata kwa algoriti zenye ufanisi, matokeo katika soko la hisa yanaweza "kuwa yasiyotabirika kiasili" kutokana na mambo zaidi ya taarifa zilizowekwa ( Utabiri wa Soko la Hisa Kutumia Kujifunza kwa Uimarishaji wa Kina ).

Barabara Inayokuja:
Tukiangalia mbele, jukumu la AI katika utabiri wa soko la hisa huenda likaongezeka. Utafiti unaoendelea unashughulikia baadhi ya mapungufu (kwa mfano, kutengeneza mifumo inayozingatia mabadiliko ya utawala, au mifumo mseto inayojumuisha uchambuzi unaoendeshwa na data na unaoendeshwa na matukio). Pia kuna nia ya mawakala wa ujifunzaji wa kuimarisha ambao hubadilika kila mara kwa data mpya ya soko kwa wakati halisi, ambayo inaweza kushughulikia mazingira yanayobadilika vizuri zaidi kuliko mifumo iliyofunzwa tuli. Zaidi ya hayo, kuchanganya AI na mbinu kutoka kwa fedha za kitabia au uchambuzi wa mtandao kunaweza kutoa mifumo bora ya mienendo ya soko. Hata hivyo, 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?" halina jibu rahisi la ndiyo au hapana. Jibu sahihi zaidi ni: AI inaweza kusaidia kutabiri soko la hisa, lakini si kwamba haina dosari. Inatoa zana zenye nguvu ambazo, zikitumiwa kwa busara, zinaweza kuboresha mikakati ya utabiri na biashara, lakini haiondoi kutotabirika kwa msingi kwa masoko. Wawekezaji wanapaswa kukumbatia AI kwa nguvu zake - usindikaji wa data na utambuzi wa ruwaza - huku wakiendelea kufahamu udhaifu wake. Kwa kufanya hivyo, mtu anaweza kutumia vyema zaidi: hukumu ya kibinadamu na akili ya mashine kufanya kazi pamoja. Soko la hisa huenda lisiweze kutabirika kwa 100%, lakini kwa matarajio halisi na matumizi ya busara ya AI, washiriki wa soko wanaweza kujitahidi kwa maamuzi ya uwekezaji yenye taarifa bora na nidhamu zaidi katika mazingira ya kifedha yanayoendelea kubadilika.

Karatasi nyeupe unazoweza kupenda kusoma baada ya hii:

🔗 Kazi Ambazo Akili bandia Haiwezi Kubadilisha – Na Ni Kazi Zipi Akili bandia Itachukua Nafasi?
Gundua ni kazi zipi ambazo haziwezi kuepukika katika siku zijazo na zipi ziko hatarini zaidi huku Akili bandia ikibadilisha umbo la ajira duniani.

🔗 AI ya Kuzalisha Inaweza Kutegemewa Kufanya Nini Bila Kuingilia Kati kwa Binadamu?
Elewa mipaka ya sasa na uwezo wa kujitegemea wa AI ya Kuzalisha katika hali halisi.

🔗 Je, AI ya Kuzalisha Inaweza Kutumikaje katika Usalama wa Mtandao?
Jifunze jinsi AI inavyojilinda dhidi ya vitisho na kuimarisha ustahimilivu wa mtandao kwa kutumia zana za utabiri na zinazojitegemea.