பங்குச் சந்தையை AI கணிக்க முடியுமா?

அறிமுகம்

பங்குச் சந்தையைக் கணிப்பது என்பது, உலகெங்கிலும் உள்ள நிறுவன மற்றும் சில்லறை முதலீட்டாளர்களால் நீண்ட காலமாகத் தேடப்படும் ஒரு நிதிசார்ந்த "புனித இலக்காக" இருந்து வருகிறது. செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திரக் கற்றல் (ML) ஆகியவற்றில் ஏற்பட்டுள்ள சமீபத்திய முன்னேற்றங்களால் , பங்கு விலைகளைக் கணிப்பதற்கான இரகசியத்தை இந்தத் தொழில்நுட்பங்கள் இறுதியாக வெளிப்படுத்திவிட்டனவா என்று பலர் வியக்கின்றனர். செயற்கை நுண்ணறிவால் பங்குச் சந்தையைக் கணிக்க முடியுமா? இந்தக் கேள்வி உலகளாவிய கண்ணோட்டத்தில் ஆராயப்படுகிறது. செயற்கை நுண்ணறிவால் இயக்கப்படும் மாதிரிகள் சந்தை நகர்வுகளை எவ்வாறு கணிக்க முயற்சிக்கின்றன, இந்த மாதிரிகளுக்குப் பின்னால் உள்ள கோட்பாட்டு அடிப்படைகள் மற்றும் அவை எதிர்கொள்ளும் உண்மையான வரம்புகள் ஆகியவற்றை இது கோடிட்டுக் காட்டுகிறது. நிதிச் சந்தைக் கணிப்புச் சூழலில் , செயற்கை நுண்ணறிவால் என்ன செய்ய முடியும் , என்ன செய்ய முடியாது என்பது குறித்து, மிகைப்படுத்தப்பட்ட விளம்பரங்களை விட ஆராய்ச்சியின் அடிப்படையில் அமைந்த ஒரு பாரபட்சமற்ற பகுப்பாய்வை நாங்கள் முன்வைக்கிறோம்

நிதிக் கோட்பாட்டில், செயல்திறன் மிக்க சந்தைக் கருதுகோள் (EMH) முன்கணிப்பின் சவாலை அடிக்கோடிட்டுக் காட்டுகிறது . EMH (குறிப்பாக அதன் "வலுவான" வடிவத்தில்) எந்த ஒரு குறிப்பிட்ட நேரத்திலும் பங்கு விலைகள் கிடைக்கக்கூடிய அனைத்து தகவல்களையும் முழுமையாகப் பிரதிபலிக்கின்றன என்று கூறுகிறது. அதாவது, எந்தவொரு முதலீட்டாளராலும் (உள்நபர்கள் உட்பட) கிடைக்கக்கூடிய தகவல்களின் அடிப்படையில் வர்த்தகம் செய்வதன் மூலம் சந்தையை விட தொடர்ந்து சிறப்பாகச் செயல்பட முடியாது ( நரம்பியல் வலைப்பின்னல்களை அடிப்படையாகக் கொண்ட தரவு சார்ந்த பங்கு முன்கணிப்பு மாதிரிகள்: ஒரு ஆய்வு ). எளிமையாகச் சொன்னால், சந்தைகள் மிகவும் செயல்திறன் மிக்கவையாகவும், விலைகள் ஒரு சீரற்ற போக்கில் நகர்ந்தால் , எதிர்கால விலைகளைத் துல்லியமாகக் கணிப்பது கிட்டத்தட்ட சாத்தியமற்றதாக இருக்க வேண்டும். இந்தக் கோட்பாடு இருந்தபோதிலும், சந்தையை வெல்லும் ஆர்வம், மேம்பட்ட முன்கணிப்பு முறைகள் குறித்த விரிவான ஆராய்ச்சியைத் தூண்டியுள்ளது. செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திரக் கற்றல் (machine learning) ஆகியவை இந்தத் தேடலுக்கு மையமாக மாறியுள்ளன, ஏனெனில் அவை பெருமளவிலான தரவுகளைச் செயலாக்கும் திறனையும், மனிதர்கள் தவறவிடக்கூடிய நுட்பமான வடிவங்களைக் கண்டறியும் திறனையும் கொண்டுள்ளன ( பங்குச் சந்தை முன்கணிப்புக்கு இயந்திரக் கற்றலைப் பயன்படுத்துதல்... | FMP ).

இந்த வெள்ளை அறிக்கை, பங்குச் சந்தை கணிப்புக்குப் பயன்படுத்தப்படும் AI நுட்பங்களைப் பற்றிய விரிவான கண்ணோட்டத்தை வழங்குகிறது மற்றும் அவற்றின் செயல்திறனை மதிப்பிடுகிறது. பிரபலமான மாதிரிகளின் தத்துவார்த்த அடித்தளங்களை (பாரம்பரிய நேரத் தொடர் முறைகள் முதல் ஆழமான நரம்பியல் நெட்வொர்க்குகள் மற்றும் வலுவூட்டல் கற்றல் வரை) ஆராய்வோம், இந்த மாதிரிகளுக்கான தரவு மற்றும் பயிற்சி செயல்முறையைப் பற்றி விவாதிப்போம், மேலும் சந்தை செயல்திறன், தரவு இரைச்சல் மற்றும் எதிர்பாராத வெளிப்புற நிகழ்வுகள் போன்ற அத்தகைய அமைப்புகள் எதிர்கொள்ளும் முக்கிய வரம்புகள் மற்றும் சவால்களை எடுத்துக்காட்டுவோம் . இதுவரை பெறப்பட்ட கலவையான முடிவுகளை விளக்குவதற்கு நிஜ உலக ஆய்வுகள் மற்றும் எடுத்துக்காட்டுகள் சேர்க்கப்பட்டுள்ளன. இறுதியாக, முதலீட்டாளர்கள் மற்றும் பயிற்சியாளர்களுக்கான யதார்த்தமான எதிர்பார்ப்புகளுடன் நாங்கள் முடிக்கிறோம்: நிதிச் சந்தைகள் எந்த வழிமுறையும் முழுமையாக அகற்ற முடியாத ஒரு கணிக்க முடியாத நிலையைத் தக்கவைத்துக்கொள்கின்றன என்பதை அங்கீகரிக்கும் அதே வேளையில் AI இன் ஈர்க்கக்கூடிய திறன்களை ஒப்புக்கொள்கிறோம்.

பங்குச் சந்தை கணிப்பில் AI இன் தத்துவார்த்த அடித்தளங்கள்

நவீன AI அடிப்படையிலான பங்கு கணிப்பு, புள்ளிவிவரங்கள், நிதி மற்றும் கணினி அறிவியலில் பல தசாப்த கால ஆராய்ச்சியின் அடிப்படையில் கட்டமைக்கப்பட்டுள்ளது. பாரம்பரிய மாதிரிகள் முதல் அதிநவீன AI வரையிலான அணுகுமுறைகளின் நிறமாலையைப் புரிந்துகொள்வது பயனுள்ளதாக இருக்கும்:

• பாரம்பரிய நேரத் தொடர் மாதிரிகள்: ஆரம்பகால பங்கு முன்னறிவிப்பு, கடந்த கால விலைகளில் உள்ள வடிவங்கள் எதிர்காலத்தை முன்னிறுத்த முடியும் என்று கருதும் புள்ளிவிவர மாதிரிகளை நம்பியிருந்தது. ARIMA (தானியங்கி பின்னடைவு ஒருங்கிணைந்த நகரும் சராசரி) மற்றும் ARCH/GARCH , நேரத் தொடர் தரவுகளில் நேரியல் போக்குகள் மற்றும் நிலையற்ற தன்மை ஆகியவற்றைக் கைப்பற்றுவதில் கவனம் செலுத்துகின்றன (நரம்பு நெட்வொர்க்குகளை அடிப்படையாகக் கொண்ட தரவு சார்ந்த பங்கு முன்னறிவிப்பு மாதிரிகள்: ஒரு மதிப்பாய்வு). இந்த மாதிரிகள், நிலைத்தன்மை மற்றும் நேரியல் தன்மையின் அனுமானங்களின் கீழ் வரலாற்று விலை வரிசைகளை மாதிரியாக்குவதன் மூலம் கணிப்புக்கான அடிப்படையை வழங்குகின்றன. பயனுள்ளதாக இருந்தாலும், பாரம்பரிய மாதிரிகள் பெரும்பாலும் உண்மையான சந்தைகளின் சிக்கலான, நேரியல் அல்லாத வடிவங்களுடன் போராடுகின்றன, இது நடைமுறையில் வரையறுக்கப்பட்ட கணிப்பு துல்லியத்திற்கு வழிவகுக்கிறது (நரம்பு நெட்வொர்க்குகளை அடிப்படையாகக் கொண்ட தரவு சார்ந்த பங்கு முன்னறிவிப்பு மாதிரிகள்: ஒரு மதிப்பாய்வு).

• இயந்திர கற்றல் வழிமுறைகள்: இயந்திர கற்றல் முறைகள் , தரவுகளிலிருந்து நேரடியாக வடிவங்களைக் கற்றுக்கொள்வதன் மூலம், முன்வரையறுக்கப்பட்ட புள்ளிவிவர சூத்திரங்களைத் தாண்டிச் செல்கின்றன . சப்போர்ட் வெக்டர் மெஷின்கள் (SVM) , ரேண்டம் ஃபாரஸ்ட்கள் மற்றும் கிரேடியன்ட் பூஸ்டிங் போன்ற வழிமுறைகள் பங்கு முன்கணிப்பிற்குப் பயன்படுத்தப்பட்டுள்ளன. அவை தொழில்நுட்பக் குறிகாட்டிகள் (எ.கா., நகரும் சராசரிகள், வர்த்தக அளவு) முதல் அடிப்படைக் குறிகாட்டிகள் (எ.கா., வருவாய், பேரியல் பொருளாதாரத் தரவு) வரை பரந்த அளவிலான உள்ளீட்டு அம்சங்களை உள்ளடக்க முடியும், மேலும் அவற்றுக்கிடையேயான நேரியல் அல்லாத உறவுகளைக் கண்டறிய முடியும். எடுத்துக்காட்டாக, ஒரு ரேண்டம் ஃபாரஸ்ட் அல்லது கிரேடியன்ட் பூஸ்டிங் மாதிரியானது ஒரே நேரத்தில் டஜன் கணக்கான காரணிகளைக் கருத்தில் கொண்டு, ஒரு எளிய நேரியல் மாதிரி தவறவிடக்கூடிய இடைவினைகளைப் பிடிக்க முடியும். இந்த ML மாதிரிகள், தரவுகளில் உள்ள சிக்கலான சமிக்ஞைகளைக் கண்டறிவதன் மூலம் முன்கணிப்புத் துல்லியத்தை ஓரளவிற்கு மேம்படுத்தும் திறனைக் காட்டியுள்ளன ( பங்குச் சந்தை முன்கணிப்பிற்கு இயந்திர கற்றலைப் பயன்படுத்துதல்... | FMP ). இருப்பினும், மிகைப்பொருத்தத்தைத் (சமிக்ஞைக்குப் பதிலாக இரைச்சலைக் கற்றல்) தவிர்க்க, அவற்றுக்குக் கவனமான சரிசெய்தலும் போதுமான தரவும் தேவைப்படுகின்றன.

• ஆழ் கற்றல் (நரம்பியல் வலையமைப்புகள்): மனித மூளையின் கட்டமைப்பால் ஈர்க்கப்பட்ட ஆழ் நரம்பியல் வலையமைப்புகள் , சமீபத்திய ஆண்டுகளில் பங்குச் சந்தைக் கணிப்பிற்காகப் பிரபலமாகியுள்ளன. இவற்றில், தொடர் நரம்பியல் வலையமைப்புகள் (RNNs) மற்றும் அவற்றின் மாறுபாடான நீண்ட குறுகிய கால நினைவக (LSTM) வலையமைப்புகள், பங்கு விலை நேரத் தொடர்கள் போன்ற தொடர் தரவுகளுக்காகக் குறிப்பாக வடிவமைக்கப்பட்டுள்ளன. LSTM-களால் கடந்தகாலத் தகவல்களின் நினைவகத்தைத் தக்கவைத்துக்கொள்ளவும், தற்காலிகச் சார்புகளைப் புரிந்துகொள்ளவும் முடியும். இதனால், சந்தைத் தரவுகளில் உள்ள போக்குகள், சுழற்சிகள் அல்லது பிற நேரத்தைச் சார்ந்த வடிவங்களை மாதிரியாக்குவதற்கு அவை மிகவும் பொருத்தமானவையாகின்றன. எளிமையான மாதிரிகளால் கண்டறிய முடியாத, நிதித் தரவுகளில் உள்ள சிக்கலான, நேரியல் அல்லாத உறவுகளை LSTM-களாலும் பிற ஆழ் கற்றல் மாதிரிகளாலும் புரிந்துகொள்ள முடியும் என்று ஆய்வுகள் குறிப்பிடுகின்றன . பிற ஆழ் கற்றல் அணுகுமுறைகளில் சுருள் நரம்பியல் வலையமைப்புகள் (CNNs) (சில நேரங்களில் தொழில்நுட்பக் குறிகாட்டி "படங்கள்" அல்லது குறியாக்கம் செய்யப்பட்ட தொடர்களில் பயன்படுத்தப்படுகின்றன), உருமாற்றிகள் (வெவ்வேறு நேரப் படிகள் அல்லது தரவு மூலங்களின் முக்கியத்துவத்தை எடைபோட கவன வழிமுறைகளைப் பயன்படுத்துகின்றன), மற்றும் வரைபட நரம்பியல் வலையமைப்புகள் (GNNs) (ஒரு சந்தை வரைபடத்தில் பங்குகளுக்கு இடையிலான உறவுகளை மாதிரியாக்க) ஆகியவை அடங்கும். இந்த மேம்பட்ட நரம்பியல் வலைகள், விலைத் தரவுகளை மட்டுமல்லாமல், செய்தி உரை, சமூக ஊடக உணர்வுகள் மற்றும் பல போன்ற மாற்றுத் தரவு மூலங்களையும் உள்ளீடாகப் பெற்று, சந்தை நகர்வுகளை முன்னறிவிக்கக்கூடிய நுண்மையான அம்சங்களைக் கற்றுக்கொள்கின்றன ( பங்குச் சந்தைக் கணிப்பிற்கு இயந்திரக் கற்றலைப் பயன்படுத்துதல்... | FMP ). ஆழ்நிலைக் கற்றலின் இந்த நெகிழ்வுத்தன்மைக்கு ஒரு விலை உண்டு: அவை அதிகத் தரவுகளை உட்கொள்பவை, கணக்கீட்டு ரீதியாகச் சிக்கலானவை, மேலும் பெரும்பாலும் குறைந்த விளக்கத்தன்மையுடன் "கருப்புப் பெட்டிகளாக" செயல்படுகின்றன.

• வலுவூட்டல் கற்றல்: AI பங்கு கணிப்பில் மற்றொரு எல்லை வலுவூட்டல் கற்றல் (RL), இங்கு இலக்கு விலைகளை கணிப்பது மட்டுமல்ல, உகந்த வர்த்தக உத்தியைக் கற்றுக்கொள்வதும் ஆகும். ஒரு RL கட்டமைப்பில், ஒரு முகவர் (AI மாதிரி) நடவடிக்கைகளை எடுப்பதன் மூலம் (வாங்குதல், விற்றல், வைத்திருத்தல்) மற்றும் வெகுமதிகளை (லாபங்கள் அல்லது இழப்புகள்) பெறுவதன் மூலம் ஒரு சூழலுடன் (சந்தை) தொடர்பு கொள்கிறார். காலப்போக்கில், முகவர் ஒட்டுமொத்த வெகுமதியை அதிகரிக்கும் ஒரு கொள்கையைக் கற்றுக்கொள்கிறார். ஆழமான வலுவூட்டல் கற்றல் (DRL) சந்தைகளின் பெரிய மாநில-இடத்தைக் கையாள நரம்பியல் நெட்வொர்க்குகளை வலுவூட்டல் கற்றலுடன் இணைக்கிறது. நிதியத்தில் RL இன் கவர்ச்சி என்னவென்றால், முடிவுகளின் வரிசையைக் கொண்டு முதலீட்டு வருமானத்திற்கு நேரடியாக மேம்படுத்தும் திறன் ஆகும். உதாரணமாக, ஒரு RL முகவர் விலை சமிக்ஞைகளின் அடிப்படையில் நிலைகளில் எப்போது நுழைய வேண்டும் அல்லது வெளியேற வேண்டும் என்பதைக் கற்றுக்கொள்ளலாம் மற்றும் சந்தை நிலைமைகள் மாறும்போது கூட மாற்றியமைக்கலாம். குறிப்பிடத்தக்க வகையில், அளவு வர்த்தகப் போட்டிகளிலும் சில தனியுரிம வர்த்தக அமைப்புகளிலும் போட்டியிடும் AI மாதிரிகளைப் பயிற்றுவிக்க RL பயன்படுத்தப்பட்டுள்ளது. இருப்பினும், RL முறைகளும் குறிப்பிடத்தக்க சவால்களை எதிர்கொள்கின்றன: அவற்றுக்கு விரிவான பயிற்சி தேவைப்படுகிறது (வர்த்தக ஆண்டுகளை உருவகப்படுத்துதல்), கவனமாக சரிசெய்யப்படாவிட்டால் உறுதியற்ற தன்மை அல்லது மாறுபட்ட நடத்தையால் பாதிக்கப்படலாம், மேலும் அவற்றின் செயல்திறன் கருதப்படும் சந்தை சூழலுக்கு மிகவும் உணர்திறன் கொண்டது. அதிக கணக்கீட்டு செலவு மற்றும் நிலைத்தன்மை சிக்கல்கள் . இந்த சவால்கள் இருந்தபோதிலும், RL ஒரு நம்பிக்கைக்குரிய அணுகுமுறையைக் குறிக்கிறது, குறிப்பாக கலப்பின முடிவெடுக்கும் அமைப்பை உருவாக்க மற்ற நுட்பங்களுடன் (எ.கா., விலை கணிப்பு மாதிரிகள் மற்றும் RL-அடிப்படையிலான ஒதுக்கீட்டு உத்தியைப் பயன்படுத்துதல்) இணைக்கப்படும்போது (ஆழமான வலுவூட்டல் கற்றலைப்பயன்படுத்தி பங்குச் சந்தை கணிப்பு).

தரவு மூலங்கள் மற்றும் பயிற்சி செயல்முறை

மாதிரி வகை எதுவாக இருந்தாலும், தரவு AI பங்குச் சந்தை கணிப்பின் முதுகெலும்பாகும் . மாதிரிகள் பொதுவாக வரலாற்று சந்தை தரவு மற்றும் பிற தொடர்புடைய தரவுத்தொகுப்புகளில் வடிவங்களைக் கண்டறிய பயிற்சி அளிக்கப்படுகின்றன. பொதுவான தரவு மூலங்கள் மற்றும் அம்சங்கள் பின்வருமாறு:

• வரலாற்று விலைகள் மற்றும் தொழில்நுட்பக் குறிகாட்டிகள்: ஏறக்குறைய அனைத்து மாதிரிகளும் கடந்தகாலப் பங்கு விலைகளையும் (தொடக்க விலை, உச்ச விலை, குறைந்த விலை, இறுதி விலை) மற்றும் வர்த்தக அளவுகளையும் பயன்படுத்துகின்றன. இவற்றிலிருந்து, ஆய்வாளர்கள் பெரும்பாலும் தொழில்நுட்பக் குறிகாட்டிகளை (நகரும் சராசரிகள், சார்பு வலிமைக் குறியீடு, MACD போன்றவை) உள்ளீடுகளாகப் பெறுகிறார்கள். இந்தக் குறிகாட்டிகள், மாதிரி பயன்படுத்திக்கொள்ளக்கூடிய போக்குகள் அல்லது உந்தத்தை முன்னிலைப்படுத்த உதவக்கூடும். எடுத்துக்காட்டாக, ஒரு மாதிரி அடுத்த நாளின் விலை நகர்வைக் கணிக்க, கடந்த 10 நாட்களின் விலைகள் மற்றும் வர்த்தக அளவுகளுடன், 10-நாள் நகரும் சராசரி அல்லது ஏற்ற இறக்க அளவீடுகள் போன்ற குறிகாட்டிகளையும் உள்ளீடாக எடுத்துக்கொள்ளலாம்.

• சந்தை குறியீடுகள் மற்றும் பொருளாதார தரவு: பல மாதிரிகள் குறியீட்டு நிலைகள், வட்டி விகிதங்கள், பணவீக்கம், மொத்த உள்நாட்டு உற்பத்தி வளர்ச்சி அல்லது பிற பொருளாதார குறிகாட்டிகள் போன்ற பரந்த சந்தை தகவல்களை உள்ளடக்கியுள்ளன. இந்த மேக்ரோ அம்சங்கள் தனிப்பட்ட பங்கு செயல்திறனை பாதிக்கக்கூடிய சூழலை (எ.கா., ஒட்டுமொத்த சந்தை உணர்வு அல்லது பொருளாதார ஆரோக்கியம்) வழங்குகின்றன.

• செய்திகள் மற்றும் உணர்வுத் தரவு: செய்திக் கட்டுரைகள், சமூக ஊடக ஊட்டங்கள் (ட்விட்டர், ஸ்டாக்ட்விட்ஸ்) மற்றும் நிதி அறிக்கைகள் போன்ற கட்டமைக்கப்படாத தரவை AI அமைப்புகள் அதிகரித்து வருகின்றன. BERT போன்ற மேம்பட்ட மாதிரிகள் உட்பட இயற்கை மொழி செயலாக்கம் (NLP) நுட்பங்கள் சந்தை உணர்வை அளவிட அல்லது தொடர்புடைய நிகழ்வுகளைக் கண்டறியப் பயன்படுத்தப்படுகின்றன. உதாரணமாக, ஒரு நிறுவனம் அல்லது துறைக்கு செய்தி உணர்வு திடீரென எதிர்மறையாக மாறினால், ஒரு AI மாதிரி தொடர்புடைய பங்கு விலைகளில் வீழ்ச்சியைக் கணிக்கக்கூடும். நிகழ்நேர செய்திகள் மற்றும் சமூக ஊடக உணர்வைச், புதிய தகவல்களுக்கு மனித வர்த்தகர்களை விட AI வேகமாக செயல்பட முடியும்.

• மாற்றுத் தரவு: சில திறமையான ஹெட்ஜ் நிதிகள் மற்றும் செயற்கை நுண்ணறிவு ஆராய்ச்சியாளர்கள், முன்கணிப்பு நுண்ணறிவுகளைப் பெறுவதற்காக, செயற்கைக்கோள் படங்கள் (கடைகளுக்கு வரும் வாடிக்கையாளர் எண்ணிக்கை அல்லது தொழில்துறை செயல்பாடு), கடன் அட்டை பரிவர்த்தனைத் தரவு, இணையத் தேடல் போக்குகள் போன்ற மாற்றுத் தரவு மூலங்களைப் பயன்படுத்துகின்றனர். இந்த மரபுசாரா தரவுத்தொகுப்புகள் சில சமயங்களில் பங்குச் செயல்திறனுக்கான முன்னணி குறிகாட்டிகளாகச் செயல்படக்கூடும் என்றாலும், அவை மாதிரிப் பயிற்சியில் சிக்கலையும் ஏற்படுத்துகின்றன.

பங்கு கணிப்பிற்காக ஒரு செயற்கை நுண்ணறிவு மாதிரியைப் பயிற்றுவிப்பதில், அதற்கு இந்த வரலாற்றுத் தரவை அளித்து, கணிப்புப் பிழையைக் குறைப்பதற்காக மாதிரியின் அளவுருக்களைச் சரிசெய்வதும் அடங்கும். பொதுவாக, தரவு ஒரு பயிற்சித் தொகுப்பாகவும் (எ.கா., வடிவங்களைக் கற்றுக்கொள்வதற்கான பழைய வரலாறு) மற்றும் ஒரு சோதனை/சரிபார்ப்புத் தொகுப்பாகவும் (முன்னறிந்திராத சூழ்நிலைகளில் செயல்திறனை மதிப்பிடுவதற்கான மிகச் சமீபத்திய தரவு) பிரிக்கப்படுகிறது. சந்தைத் தரவின் தொடர் தன்மையைக் கருத்தில் கொண்டு, "எதிர்காலத்தை எட்டிப் பார்ப்பதைத்" தவிர்க்கக் கவனம் செலுத்தப்படுகிறது – எடுத்துக்காட்டாக, உண்மையான வர்த்தகத்தில் அவை எவ்வாறு செயல்படும் என்பதை உருவகப்படுத்த, பயிற்சி காலத்திற்குப் பிறகான காலப்பகுதிகளின் தரவுகளில் மாதிரிகள் மதிப்பிடப்படுகின்றன. குறுக்கு-சரிபார்ப்பு நுட்பங்கள் (முன்னோக்கிச் செல்லும் சரிபார்ப்பு போன்றவை) பயன்படுத்தப்படுகின்றன

மேலும், தரவு தரம் மற்றும் முன் செயலாக்கம் தொடர்பான சிக்கல்களை நிபுணர்கள் கவனிக்க வேண்டும். காணாமல் போன தரவு, வெளிப்புறங்கள் (எ.கா., பங்கு பிளவுகள் அல்லது ஒரு முறை நிகழ்வுகள் காரணமாக திடீர் ஏற்ற இறக்கங்கள்) மற்றும் சந்தைகளில் ஆட்சி மாற்றங்கள் அனைத்தும் மாதிரி பயிற்சியை பாதிக்கலாம். இயல்பாக்கம், குறைத்தல் அல்லது பருவகாலமாக்கல் போன்ற நுட்பங்கள் உள்ளீட்டுத் தரவுகளுக்குப் பயன்படுத்தப்படலாம். சில மேம்பட்ட அணுகுமுறைகள் விலைத் தொடர்களை கூறுகளாக (போக்குகள், சுழற்சிகள், சத்தம்) சிதைத்து அவற்றை தனித்தனியாக மாதிரியாக்குகின்றன (மாறுபட்ட பயன்முறை சிதைவை நரம்பியல் வலைகளுடன் இணைக்கும் ஆராய்ச்சியில் காணப்படுவது போல (ஆழமான வலுவூட்டல் கற்றலைப் பயன்படுத்தி பங்குச் சந்தை கணிப்பு)).

வெவ்வேறு மாதிரிகளுக்கு வெவ்வேறு பயிற்சித் தேவைகள் உள்ளன: ஆழமான கற்றல் மாதிரிகளுக்கு லட்சக்கணக்கான தரவுப் புள்ளிகள் தேவைப்படலாம் மற்றும் GPU முடுக்கத்திலிருந்து பயனடையலாம், அதேசமயம் லாஜிஸ்டிக் பின்னடைவு போன்ற எளிமையான மாதிரிகள் ஒப்பீட்டளவில் சிறிய தரவுத்தொகுப்புகளிலிருந்து கற்றுக்கொள்ளலாம். வலுவூட்டல் கற்றல் மாதிரிகள் தொடர்பு கொள்ள ஒரு சிமுலேட்டர் அல்லது சூழல் தேவை; சில நேரங்களில் வரலாற்றுத் தரவு RL முகவருக்கு மீண்டும் இயக்கப்படுகிறது, அல்லது சந்தை சிமுலேட்டர்கள் அனுபவங்களை உருவாக்கப் பயன்படுத்தப்படுகின்றன.

இறுதியாக, பயிற்சி பெற்றவுடன், இந்த மாதிரிகள் ஒரு முன்கணிப்பு செயல்பாட்டை வழங்குகின்றன - எடுத்துக்காட்டாக, நாளைக்கான கணிக்கப்பட்ட விலையாக இருக்கக்கூடிய வெளியீடு, ஒரு பங்கு உயரும் நிகழ்தகவு அல்லது பரிந்துரைக்கப்பட்ட நடவடிக்கை (வாங்க/விற்க). இந்த கணிப்புகள் பின்னர் உண்மையான பணம் ஆபத்தில் வைக்கப்படுவதற்கு முன்பு பொதுவாக ஒரு வர்த்தக உத்தியில் (நிலை அளவு, இடர் மேலாண்மை விதிகள் போன்றவை) ஒருங்கிணைக்கப்படுகின்றன.

வரம்புகள் மற்றும் சவால்கள்

AI மாதிரிகள் நம்பமுடியாத அளவிற்கு அதிநவீனமாகிவிட்டாலும், பங்குச் சந்தை கணிப்பு என்பது இயல்பாகவே சவாலான பணியாகவே உள்ளது. சந்தைகளில் AI ஒரு உத்தரவாதமான அதிர்ஷ்டசாலியாக இருப்பதைத் தடுக்கும் முக்கிய வரம்புகள் மற்றும் தடைகள் பின்வருமாறு:

• சந்தை செயல்திறன் மற்றும் சீரற்ற தன்மை: முன்னரே குறிப்பிட்டபடி, செயல்திறன் மிக்க சந்தைக் கருதுகோள், விலைகள் ஏற்கனவே அறியப்பட்ட தகவல்களைப் பிரதிபலிக்கின்றன என்றும், எனவே எந்தவொரு புதிய தகவலும் உடனடி சரிசெய்தல்களை ஏற்படுத்துகிறது என்றும் வாதிடுகிறது. நடைமுறையில், இதன் பொருள் என்னவென்றால், விலை மாற்றங்கள் பெரும்பாலும் எதிர்பாராத செய்திகள் அல்லது சீரற்ற ஏற்ற இறக்கங்களால் இயக்கப்படுகின்றன. உண்மையில், பல தசாப்தங்களாக மேற்கொள்ளப்பட்ட ஆராய்ச்சிகள், குறுகிய கால பங்கு விலை நகர்வுகள் ஒரு சீரற்ற நடையை ஒத்திருப்பதாகக் கண்டறிந்துள்ளன (நரம்பியல் வலைப்பின்னல்களை அடிப்படையாகக் கொண்ட தரவு சார்ந்த பங்கு முன்னறிவிப்பு மாதிரிகள்: ஒரு ஆய்வு) – தற்செயலாகக் கணிக்கப்படுவதைத் தவிர, நேற்றைய விலைக்கும் நாளைய விலைக்கும் பெரிய தொடர்பு இல்லை. பங்கு விலைகள் அடிப்படையில் சீரற்றவையாக அல்லது "செயல்திறன் மிக்கவையாக" இருந்தால், எந்தவொரு வழிமுறையாலும் அவற்றை அதிகத் துல்லியத்துடன் சீராகக் கணிக்க முடியாது. ஒரு ஆய்வு சுருக்கமாகக் கூறியது போல, "சீரற்ற நடைக் கருதுகோள் மற்றும் செயல்திறன் மிக்க சந்தைக் கருதுகோள் ஆகியவை எதிர்காலப் பங்கு விலைகளை முறையாகவும், நம்பகத்தன்மையுடனும் கணிப்பது சாத்தியமில்லை என்று அடிப்படையில் கூறுகின்றன" (இயந்திரக் கற்றலைப் பயன்படுத்தி S&P 500 பங்குகளுக்கான சார்பு வருமானங்களை முன்னறிவித்தல் | நிதிப் புத்தாக்கம் | முழு உரை). செயற்கை நுண்ணறிவு கணிப்புகள் எப்போதும் பயனற்றவை என்று இது அர்த்தப்படுத்தவில்லை, ஆனால் இது ஒரு அடிப்படை வரம்பை அடிக்கோடிட்டுக் காட்டுகிறது: சந்தையின் பெரும்பாலான நகர்வுகள், மிகச் சிறந்த மாதிரியால் கூட முன்கூட்டியே கணிக்க முடியாத வெறும் இரைச்சலாகவே இருக்கலாம்.

• இரைச்சல் மற்றும் கணிக்க முடியாத வெளிப்புறக் காரணிகள்: பங்கு விலைகள் பல்வேறு காரணிகளால் பாதிக்கப்படுகின்றன, அவற்றில் பல புறக்காரணிகளாகவும் கணிக்க முடியாதவையாகவும் உள்ளன. புவிசார் அரசியல் நிகழ்வுகள் (போர்கள், தேர்தல்கள், ஒழுங்குமுறை மாற்றங்கள்), இயற்கை பேரழிவுகள், பெருந்தொற்றுகள், திடீர் பெருநிறுவன ஊழல்கள் அல்லது சமூக ஊடகங்களில் பரவும் வதந்திகள் கூட சந்தைகளை எதிர்பாராத விதமாக அசைக்கக்கூடும். இவை ஒரு மாதிரிக்கு முந்தைய பயிற்சித் தரவுகள் இல்லாத (ஏனெனில் அவை முன்னெப்போதும் இல்லாதவை) அல்லது அரிதான அதிர்ச்சிகளாக நிகழ்கின்றன. உதாரணமாக, 2010-2019 வரையிலான வரலாற்றுத் தரவுகளில் பயிற்சி பெற்ற எந்தவொரு செயற்கை நுண்ணறிவு மாதிரியும் 2020-இன் தொடக்கத்தில் ஏற்பட்ட கோவிட்-19 வீழ்ச்சியையோ அல்லது அதன் விரைவான மீட்சியையோ குறிப்பாக முன்னறிவித்திருக்க முடியாது. ஆட்சிமுறைகள் மாறும்போதும் அல்லது ஒரு தனி நிகழ்வு விலைகளை இயக்கும்போதும் நிதிசார் செயற்கை நுண்ணறிவு மாதிரிகள் திணறுகின்றன. ஒரு ஆதாரம் குறிப்பிடுவது போல, புவிசார் அரசியல் நிகழ்வுகள் அல்லது திடீர் பொருளாதாரத் தரவு வெளியீடுகள் போன்ற காரணிகள் கணிப்புகளை உடனடியாகப் பயனற்றதாக்கிவிடும் (பங்குச் சந்தைக் கணிப்பிற்கு இயந்திரக் கற்றலைப் பயன்படுத்துதல்... | FMP) (பங்குச் சந்தைக் கணிப்பிற்கு இயந்திரக் கற்றலைப் பயன்படுத்துதல்... | FMP). வேறுவிதமாகக் கூறினால், எதிர்பாராத செய்திகள் அல்காரிதமிக் கணிப்புகளை எப்போதுமே மீறி, குறைக்க முடியாத ஒருவித நிச்சயமற்ற தன்மையை ஏற்படுத்தக்கூடும்.

• மிகைப் பொருத்தம் மற்றும் பொதுமைப்படுத்தல்: இயந்திர கற்றல் மாதிரிகள் மிகைப் பொருத்தத்திற்கு ஆளாகின்றன – அதாவது, அவை அடிப்படை பொதுவான வடிவங்களைக் கற்றுக்கொள்வதற்குப் பதிலாக, பயிற்சித் தரவுகளில் உள்ள "இரைச்சல்" அல்லது விசித்திரங்களை மிக நன்றாகக் கற்றுக்கொள்ளக்கூடும். மிகைப் பொருத்தப்பட்ட ஒரு மாதிரி, வரலாற்றுத் தரவுகளில் மிகச் சிறப்பாகச் செயல்படலாம் (பின்சோதனை செய்யப்பட்ட ஈர்க்கக்கூடிய வருமானங்கள் அல்லது அதிக மாதிரிக்குள்ளான துல்லியத்தைக் கூடக் காட்டலாம்), ஆனால் புதிய தரவுகளில் படுதோல்வி அடையலாம். இது அளவுசார் நிதியியலில் ஒரு பொதுவான சிக்கலாகும். உதாரணமாக, ஒரு சிக்கலான நரம்பியல் வலையமைப்பு, கடந்த காலத்தில் தற்செயலாக இருந்த போலியான தொடர்புகளைக் கண்டறியக்கூடும் (கடந்த 5 ஆண்டுகளில் ஏற்றங்களுக்கு முன்னதாக நிகழ்ந்த குறிகாட்டி குறுக்கீடுகளின் ஒரு குறிப்பிட்ட சேர்க்கை போன்றவை), ஆனால் அந்த உறவுகள் எதிர்காலத்தில் நீடிக்காமல் போகலாம். ஒரு நடைமுறை உதாரணம்: கடந்த ஆண்டின் வெற்றியாளர் பங்குகள் எப்போதும் உயரும் என்று கணிக்கும் ஒரு மாதிரியை ஒருவர் வடிவமைக்கலாம் – அது ஒரு குறிப்பிட்ட காலத்திற்குப் பொருந்தலாம், ஆனால் சந்தை நிலவரம் மாறினால், அந்த வடிவம் உடைந்துவிடும். மிகைப் பொருத்தம், மாதிரிக்கு வெளியே மோசமான செயல்திறனுக்கு வழிவகுக்கிறது , அதாவது, உருவாக்கத்தின் போது சிறப்பாகத் தோன்றினாலும், நேரடி வர்த்தகத்தில் மாதிரியின் கணிப்புகள் சீரற்ற தன்மையை விடச் சிறந்ததாக இருக்காது. மிகைப்பொருத்தத்தைத் தவிர்ப்பதற்கு, ஒழுங்குபடுத்தல், மாதிரியின் சிக்கல்தன்மையைக் கட்டுப்பாட்டில் வைத்திருத்தல் மற்றும் வலுவான சரிபார்ப்பைப் பயன்படுத்துதல் போன்ற நுட்பங்கள் தேவைப்படுகின்றன. இருப்பினும், செயற்கை நுண்ணறிவு மாதிரிகளுக்கு ஆற்றலை வழங்கும் அதே சிக்கல்தன்மைதான், அவற்றை இந்தப் பிரச்சினைக்கு ஆளாகக்கூடியதாகவும் ஆக்குகிறது.

• தரவின் தரம் மற்றும் கிடைக்கும்தன்மை: பங்கு கணிப்பில் செயற்கை நுண்ணறிவுக்கு "குப்பையை உள்ளே கொடுத்தால், குப்பையே வெளியே வரும்" என்ற பழமொழி வலுவாகப் பொருந்துகிறது. தரவின் தரம், அளவு மற்றும் பொருத்தம் ஆகியவை மாதிரியின் செயல்திறனை கணிசமாகப் பாதிக்கின்றன. வரலாற்றுத் தரவு போதுமானதாக இல்லாவிட்டால் (எ.கா., சில ஆண்டுகளின் பங்கு விலைகளை மட்டும் கொண்டு ஒரு டீப் நெட்வொர்க்கிற்குப் பயிற்சி அளிக்க முயற்சிப்பது) அல்லது பிரதிநிதித்துவம் இல்லாததாக இருந்தால் (எ.கா., பெரும்பாலும் ஏற்றம் கண்ட காலகட்டத்தின் தரவைப் பயன்படுத்தி இறக்கம் காணும் சூழலைக் கணிப்பது), அந்த மாதிரி நன்றாகப் பொதுமைப்படுத்தாது. தரவு ஒருதலைப்பட்சமாகவோ அல்லது காலப்போக்கில் தரம் குறையக்கூடியதாகவோ இருக்கலாம் (எடுத்துக்காட்டாக, பங்கு குறியீடுகள் காலப்போக்கில் மோசமாகச் செயல்படும் நிறுவனங்களை இயல்பாகவே குறைத்துவிடும், எனவே வரலாற்று குறியீட்டுத் தரவு மேல்நோக்கி ஒருதலைப்பட்சமாக இருக்கலாம்). தரவைத் தூய்மைப்படுத்தி ஒழுங்குபடுத்துவது ஒரு எளிதான காரியமல்ல. கூடுதலாக, மாற்றுத் தரவு மூலங்கள் விலை உயர்ந்ததாகவோ அல்லது பெறுவதற்கு கடினமானதாகவோ இருக்கலாம், இது நிறுவன முதலீட்டாளர்களுக்கு ஒரு சாதகத்தை அளிக்கும் அதே வேளையில், சில்லறை முதலீட்டாளர்களுக்கு குறைவான விரிவான தரவையே விட்டுச்செல்லும். அதிர்வெண் சிக்கலும் உள்ளது : உயர்-அதிர்வெண் வர்த்தக மாதிரிகளுக்கு நொடிக்கு நொடி தரவு தேவைப்படுகிறது, இது அளவில் மிகப்பெரியது மற்றும் சிறப்பு உள்கட்டமைப்பு தேவைப்படுகிறது, அதேசமயம் குறைந்த-அதிர்வெண் மாதிரிகள் தினசரி அல்லது வாராந்திர தரவைப் பயன்படுத்தக்கூடும். தரவுகள் காலவரிசைப்படி சீரமைக்கப்படுவதையும் (எ.கா., செய்திகளுடன் தொடர்புடைய விலைத் தரவுகள்) மற்றும் முன்கணிப்புச் சார்பு இல்லாமல் இருப்பதையும் உறுதி செய்வது ஒரு தொடர்ச்சியான சவாலாக உள்ளது.

• மாதிரியின் வெளிப்படைத்தன்மை மற்றும் விளக்கத்தன்மை: பல செயற்கை நுண்ணறிவு மாதிரிகள், குறிப்பாக ஆழ்நிலை கற்றல் மாதிரிகள், ஒரு கருப்புப் பெட்டி. அவை எளிதில் விளக்கக்கூடிய காரணம் இல்லாமல் ஒரு கணிப்பையோ அல்லது வர்த்தக சமிக்ஞையையோ வெளியிடக்கூடும். இந்த வெளிப்படைத்தன்மை இல்லாமை முதலீட்டாளர்களுக்கு, குறிப்பாக பங்குதாரர்களிடம் தங்கள் முடிவுகளை நியாயப்படுத்த வேண்டிய அல்லது விதிமுறைகளுக்கு இணங்க வேண்டிய நிறுவன முதலீட்டாளர்களுக்கு, ஒரு சிக்கலாக இருக்கலாம். ஒரு செயற்கை நுண்ணறிவு மாதிரி ஒரு பங்கின் விலை குறையும் என்று கணித்து, அதை விற்கப் பரிந்துரைத்தால், அதன் பின்னணியைப் புரிந்து கொள்ளாத ஒரு முதலீட்டுத் தொகுப்பு மேலாளர் தயங்கக்கூடும். மாதிரியின் துல்லியத்தைப் பொருட்படுத்தாமல், செயற்கை நுண்ணறிவு முடிவுகளின் இந்த ஒளிபுகாத் தன்மை, நம்பிக்கையையும் அதன் பயன்பாட்டையும் குறைக்கக்கூடும். இந்தச் சவால், நிதித்துறைக்கான விளக்கக்கூடிய செயற்கை நுண்ணறிவு குறித்த ஆராய்ச்சியைத் தூண்டுகிறது, ஆனால் மாதிரியின் சிக்கலான தன்மை/துல்லியத்திற்கும் விளக்கத்தன்மைக்கும் இடையில் பெரும்பாலும் ஒரு சமரசம் உள்ளது என்பது உண்மையாகவே இருக்கிறது.

• தகவமைக்கும் சந்தைகள் மற்றும் போட்டி: நிதிச் சந்தைகள் தகவமைத்துக் கொள்பவை என்பதைக் கவனத்தில் கொள்வது அவசியம் . ஒரு முன்கணிப்பு முறை (செயற்கை நுண்ணறிவு அல்லது வேறு ஏதேனும் முறையால்) கண்டறியப்பட்டு, பல வர்த்தகர்களால் பயன்படுத்தப்பட்டவுடன், அது செயல்படுவதை நிறுத்தக்கூடும். உதாரணமாக, ஒரு பங்கின் உயர்வுக்கு முன்பாகவே ஒரு குறிப்பிட்ட சமிக்ஞை அடிக்கடி வருகிறது என்று ஒரு செயற்கை நுண்ணறிவு மாதிரி கண்டறிந்தால், வர்த்தகர்கள் அந்த சமிக்ஞையின் அடிப்படையில் முன்கூட்டியே செயல்படத் தொடங்குவார்கள், இதன் மூலம் ஆர்பிட்ரேஜ் மூலம் அந்த வாய்ப்பை இழக்க நேரிடும். சாராம்சத்தில், அறியப்பட்ட உத்திகளைச் செயலிழக்கச் செய்யும் வகையில் சந்தைகள் பரிணமிக்க முடியும் . இன்று, பல வர்த்தக நிறுவனங்களும் நிதிகளும் செயற்கை நுண்ணறிவு மற்றும் இயந்திரக் கற்றலைப் பயன்படுத்துகின்றன. இந்தப் போட்டியின் காரணமாக, எந்தவொரு சாதகமும் பெரும்பாலும் சிறியதாகவும் குறுகிய காலமாகவும் இருக்கும். இதன் விளைவாக, மாறிவரும் சந்தை இயக்கவியலுக்கு ஏற்ப செயற்கை நுண்ணறிவு மாதிரிகளுக்குத் தொடர்ச்சியான மறுபயிற்சியும் மேம்படுத்தலும் தேவைப்படலாம். அதிக பணப்புழக்கம் உள்ள மற்றும் முதிர்ச்சியடைந்த சந்தைகளில் (அமெரிக்காவின் பெரிய நிறுவனப் பங்குகள் போன்றவை), பல நுட்பமான வர்த்தகர்கள் ஒரே சமிக்ஞைகளைத் தேடுகிறார்கள், இது ஒரு சாதகத்தைத் தக்கவைத்துக் கொள்வதை மிகவும் கடினமாக்குகிறது. இதற்கு மாறாக, குறைந்த செயல்திறன் கொண்ட சந்தைகள் அல்லது குறிப்பிட்ட சொத்துக்களில், செயற்கை நுண்ணறிவு தற்காலிக செயல்திறன் குறைபாடுகளைக் கண்டறியக்கூடும் – ஆனால் அந்தச் சந்தைகள் நவீனமடையும்போது, ​​அந்த இடைவெளி குறையக்கூடும். சந்தைகளின் இந்த மாறும் தன்மை ஒரு அடிப்படைச் சவாலாகும்: ஆட்டத்தின் விதிகள் நிலையானவை அல்ல, எனவே கடந்த ஆண்டு பலனளித்த ஒரு மாதிரியை அடுத்த ஆண்டு மாற்றியமைக்க வேண்டியிருக்கலாம்.

• நிஜ உலகக் கட்டுப்பாடுகள்: ஒரு செயற்கை நுண்ணறிவு மாதிரி விலைகளை ஓரளவிற்குத் துல்லியமாகக் கணிக்க முடிந்தாலும், அந்தக் கணிப்புகளை லாபமாக மாற்றுவது மற்றொரு சவாலாகும். வர்த்தகத்தில் பரிவர்த்தனைச் செலவுகள். ஒரு மாதிரி பல சிறிய விலை நகர்வுகளைச் சரியாகக் கணிக்கக்கூடும், ஆனால் வர்த்தகங்களின் கட்டணங்கள் மற்றும் சந்தைத் தாக்கத்தால் அந்த ஆதாயங்கள் இல்லாமல் போகக்கூடும். இடர் மேலாண்மையும் மிக முக்கியமானது – எந்தக் கணிப்பும் 100% உறுதியானது அல்ல, எனவே செயற்கை நுண்ணறிவால் இயக்கப்படும் எந்தவொரு உத்தியும் சாத்தியமான இழப்புகளைக் கணக்கில் கொள்ள வேண்டும் (நஷ்டத்தடுப்பு ஆணைகள், முதலீட்டுப் பன்முகப்படுத்தல் போன்றவை மூலம்). தவறாகப் போகக்கூடிய ஒரு கணிப்பின் மீது செயற்கை நுண்ணறிவு தனது முழுச் சொத்தையும் பணயம் வைக்காமல் இருப்பதை உறுதிசெய்ய, நிறுவனங்கள் பெரும்பாலும் செயற்கை நுண்ணறிவு கணிப்புகளை ஒரு பரந்த இடர் கட்டமைப்பில் ஒருங்கிணைக்கின்றன. இந்த நடைமுறைக் கருத்தாய்வுகள், நிஜ உலகத் தடைகளுக்குப் பிறகும் பயனுள்ளதாக இருக்க வேண்டுமென்றால், ஒரு செயற்கை நுண்ணறிவின் கோட்பாட்டு ரீதியான மேன்மை கணிசமானதாக இருக்க வேண்டும் என்பதைக் குறிக்கின்றன.

சுருக்கமாக, செயற்கை நுண்ணறிவு மகத்தான திறன்களைக் கொண்டுள்ளது, ஆனால் இந்த வரம்புகள் பங்குச் சந்தையை ஓரளவு கணிக்கக்கூடியதாகவும், ஓரளவு கணிக்க முடியாததாகவும் உள்ள ஒரு அமைப்பாகவே. செயற்கை நுண்ணறிவு மாதிரிகள், தரவுகளை மிகவும் திறமையாகப் பகுப்பாய்வு செய்வதன் மூலமும், நுட்பமான முன்கணிப்பு சமிக்ஞைகளைக் கண்டறிவதன் மூலமும், ஒரு முதலீட்டாளருக்குச் சாதகமாக வெற்றி வாய்ப்புகளை மாற்ற முடியும். இருப்பினும், திறமையான விலை நிர்ணயம், சீரற்ற தரவுகள், எதிர்பாராத நிகழ்வுகள் மற்றும் நடைமுறைக் கட்டுப்பாடுகள் ஆகியவற்றின் கலவையானது, மிகச் சிறந்த செயற்கை நுண்ணறிவு கூட சில சமயங்களில் தவறாக இருக்கும் என்பதைக் குறிக்கிறது – பெரும்பாலும் கணிக்க முடியாத அளவிற்குத் தவறாக இருக்கும்.

AI மாதிரிகளின் செயல்திறன்: சான்றுகள் என்ன சொல்கின்றன?

முன்னேற்றங்கள் மற்றும் விவாதிக்கப்பட்ட சவால்கள் இரண்டையும் கருத்தில் கொண்டு, பங்கு கணிப்பில் AI ஐப் பயன்படுத்துவதற்கான ஆராய்ச்சி மற்றும் நிஜ உலக முயற்சிகளிலிருந்து நாம் என்ன கற்றுக்கொண்டோம்? இதுவரையிலான முடிவுகள் கலவையாக உள்ளன, நம்பிக்கைக்குரிய வெற்றிகளையும் கடுமையான தோல்விகளையும்:

• தற்செயல் கணிப்புகளை செயற்கை நுண்ணறிவு விஞ்சிய நிகழ்வுகள்: சில நிபந்தனைகளின் கீழ், செயற்கை நுண்ணறிவு மாதிரிகள் தற்செயலான கணிப்புகளை விஞ்ச முடியும் என்பதைப் பல ஆய்வுகள் நிரூபித்துள்ளன. உதாரணமாக, 2024 ஆம் ஆண்டு ஆய்வு ஒன்று, வியட்நாமியப் பங்குச் சந்தையில் பங்கு விலைப்போக்குகளைக் கணிக்க LSTM நியூரல் நெட்வொர்க்கைப் பயன்படுத்தியதுடன் , சோதனைத் தரவுகளில் சுமார் 93% என்ற உயர் கணிப்புத் துல்லியத்தையும் பதிவு செய்தது ( பங்குச் சந்தையில் பங்கு விலைப்போக்கைக் கணிக்க இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்துதல் – வியட்நாம் வழக்கு | மானுடவியல் மற்றும் சமூக அறிவியல் தொடர்புகள் ). இது, அந்தச் சந்தையில் (ஒரு வளர்ந்து வரும் பொருளாதாரம்), அந்த மாதிரி சீரான வடிவங்களைக் கண்டறிய முடிந்தது என்பதைக் காட்டுகிறது. ஒருவேளை, சந்தையில் இருந்த செயல்திறன் குறைபாடுகள் அல்லது LSTM கற்றுக்கொண்ட வலுவான தொழில்நுட்பப் போக்குகள் இதற்குக் காரணமாக இருக்கலாம். 2024 ஆம் ஆண்டில் மேற்கொள்ளப்பட்ட மற்றொரு ஆய்வு பரந்த நோக்கத்தைக் கொண்டிருந்தது: ஆராய்ச்சியாளர்கள், இயந்திர கற்றல் மாதிரிகளைப் பயன்படுத்தி , அனைத்து S&P 500 பங்குகளின் (மிகவும் திறமையான சந்தை) குறுகிய கால வருமானத்தைக் கணிக்க முயன்றனர். ரேண்டம் ஃபாரஸ்ட்ஸ், SVM மற்றும் LSTM போன்ற வழிமுறைகளைப் பயன்படுத்தி, அடுத்த 10 நாட்களில் ஒரு பங்கு குறியீட்டை விட 2% அதிகமாகச் செயல்படுமா என்பதைக் கணிக்கும் ஒரு வகைப்படுத்தல் சிக்கலாக அவர்கள் இதை வடிவமைத்தனர். முடிவு: LSTM மாதிரியானது மற்ற இரண்டு ML மாதிரிகளையும் மற்றும் ஒரு சமவாய்ப்பு அடிப்படை மாதிரியையும் விஞ்சியது . இதன் முடிவுகள், இது வெறும் அதிர்ஷ்டம் அல்ல என்பதை உணர்த்தும் அளவுக்குப் புள்ளிவிவரப்படி குறிப்பிடத்தக்கவையாக இருந்தன ( இயந்திரக் கற்றலைப் பயன்படுத்தி S&P 500 பங்குகளுக்கான சார்பு வருமானங்களைக் கணித்தல் | நிதிப் புத்தாக்கம் | முழு உரை ). இந்த குறிப்பிட்ட அமைப்பில், சமவாய்ப்பு நடை கருதுகோள் உண்மையாக இருப்பதற்கான நிகழ்தகவு "புறக்கணிக்கத்தக்க அளவில் சிறியது" என்று ஆய்வாளர்கள் முடிவு செய்தனர். இது, அவர்களின் ML மாதிரிகள் உண்மையான முன்கணிப்பு சமிக்ஞைகளைக் கண்டறிந்தன என்பதைக் குறிக்கிறது. குறிப்பாகப் பெரிய அளவிலான தரவுத் தொகுப்புகளில் சோதிக்கப்படும்போது, ​​பங்கு நகர்வுகளைக் கணிப்பதில் ஒரு சாதகத்தை (சிறியதாக இருந்தாலும்) வழங்கும் வடிவங்களை செயற்கை நுண்ணறிவால் உண்மையில் அடையாளம் காண முடியும் என்பதை இந்த எடுத்துக்காட்டுகள் காட்டுகின்றன.

• தொழில்துறையில் குறிப்பிடத்தக்க பயன்பாடுகள்: கல்விசார் ஆய்வுகளுக்கு வெளியே, ஹெட்ஜ் நிதிகள் மற்றும் நிதி நிறுவனங்கள் தங்கள் வர்த்தக நடவடிக்கைகளில் செயற்கை நுண்ணறிவை வெற்றிகரமாகப் பயன்படுத்துவதாக அறிக்கைகள் உள்ளன. சில அதிவேக வர்த்தக நிறுவனங்கள், சந்தையின் நுண்-கட்டமைப்பு வடிவங்களை நொடியின் ஒரு பகுதிக்குள் கண்டறிந்து எதிர்வினையாற்ற செயற்கை நுண்ணறிவைப் பயன்படுத்துகின்றன. பெரிய வங்கிகள், போர்ட்ஃபோலியோ ஒதுக்கீடு மற்றும் இடர் முன்னறிவிப்புக்காக. இவை எப்போதும் ஒரு பங்கின் விலையை மட்டும் கணிப்பதாக இல்லாவிட்டாலும், சந்தையின் சில அம்சங்களை (நிலையற்ற தன்மை அல்லது தொடர்புகள் போன்றவை) முன்னறிவிப்பதை உள்ளடக்கியுள்ளன. வர்த்தக முடிவுகளை எடுக்க இயந்திரக் கற்றலைப் பயன்படுத்தும் செயற்கை நுண்ணறிவால் இயக்கப்படும் நிதிகளும் (பெரும்பாலும் "குவாண்ட் ஃபண்டுகள்" என்று அழைக்கப்படுகின்றன) உள்ளன. அவற்றில் சில, குறிப்பிட்ட காலகட்டங்களில் சந்தையை விட சிறப்பாகச் செயல்பட்டுள்ளன. இருப்பினும், அவை பெரும்பாலும் மனித மற்றும் இயந்திர நுண்ணறிவின் கலவையைப் பயன்படுத்துவதால், அதை முழுமையாக செயற்கை நுண்ணறிவுக்கே காரணம் என்று கூறுவது கடினம். ஒரு உறுதியான பயன்பாடு என்பது உணர்வுப் பகுப்பாய்வு செயற்கை நுண்ணறிவின் பயன்பாடு ஆகும்: உதாரணமாக, செய்திகளையும் ட்விட்டரையும் ஆராய்ந்து, அதற்குப் பதிலளிக்கும் விதமாகப் பங்கு விலைகள் எவ்வாறு நகரும் என்பதைக் கணிப்பது. இத்தகைய மாதிரிகள் 100% துல்லியமாக இல்லாமல் இருக்கலாம், ஆனால் அவை செய்திகளின் அடிப்படையில் விலை நிர்ணயம் செய்வதில் வர்த்தகர்களுக்கு ஒரு சிறிய முன்னிலையை அளிக்க முடியும். நிறுவனங்கள் பொதுவாக வெற்றிகரமான செயற்கை நுண்ணறிவு உத்திகளின் விவரங்களை அறிவுசார் சொத்தாகக் கருதி மிகவும் கவனமாகப் பாதுகாக்கின்றன என்பது குறிப்பிடத்தக்கது. அதனால், பொதுவெளியில் கிடைக்கும் சான்றுகள் பின்தங்கியோ அல்லது தனிப்பட்ட அனுபவக் கதைகளாகவோ இருக்க முனைகின்றன.

• செயல்திறன் குறைவு மற்றும் தோல்விகளின் நிகழ்வுகள்: ஒவ்வொரு வெற்றிக் கதைக்கும், எச்சரிக்கைக் கதைகளும் உண்டு. ஒரு குறிப்பிட்ட சந்தையிலோ அல்லது காலக்கட்டத்திலோ அதிகத் துல்லியத்தைக் கோரிய பல கல்விசார் ஆய்வுகள், பொதுமைப்படுத்துவதில் தோல்வியடைந்தன. ஒரு குறிப்பிடத்தக்க பரிசோதனையானது, வெற்றிகரமான ஒரு இந்தியப் பங்குச் சந்தைக் கணிப்பு ஆய்வை (தொழில்நுட்பக் குறிகாட்டிகளில் இயந்திரக் கற்றலைப் பயன்படுத்தி அதிகத் துல்லியத்தைக் கொண்டிருந்தது) அமெரிக்கப் பங்குகளில் மீண்டும் செய்ய முயன்றது. அந்த மீண்டும் செய்யும் முயற்சியில், குறிப்பிடத்தக்க கணிப்புத் திறன் எதுவும் – உண்மையில், அடுத்த நாள் பங்கு விலை உயரும் என்று எப்போதும் கணிக்கும் ஒரு எளிமையான உத்தியே, சிக்கலான இயந்திரக் கற்றல் மாதிரிகளைத் துல்லியத்தில் விஞ்சியது. தங்கள் முடிவுகள் "சீரற்ற நகர்வுக் கோட்பாட்டை ஆதரிக்கின்றன"; அதாவது, பங்கு நகர்வுகள் அடிப்படையில் கணிக்க முடியாதவையாக இருந்தன, மேலும் இயந்திரக் கற்றல் மாதிரிகள் உதவவில்லை. சந்தை மற்றும் காலத்தைப் பொறுத்து முடிவுகள் வியத்தகு முறையில் மாறுபடலாம் என்பதை இது அடிக்கோடிட்டுக் காட்டுகிறது. இதேபோல், எண்ணற்ற காகில் (Kaggle) போட்டிகள் மற்றும் அளவுசார் ஆராய்ச்சிப் போட்டிகள், மாதிரிகள் பெரும்பாலும் கடந்தகாலத் தரவுகளுடன் நன்றாகப் பொருந்தினாலும், புதிய சூழல்களை எதிர்கொள்ளும்போது நேரடி வர்த்தகத்தில் அவற்றின் செயல்திறன் (திசைக் கணிப்பிற்கு) பெரும்பாலும் 50% துல்லியத்தை நோக்கிப் பின்வாங்குவதைக் காட்டியுள்ளன. 2007-ஆம் ஆண்டின் குவாண்ட் ஃபண்ட் சரிவு மற்றும் 2020 பெருந்தொற்று அதிர்ச்சியின் போது செயற்கை நுண்ணறிவால் இயக்கப்படும் நிதிகள் சந்தித்த சிரமங்கள் போன்ற நிகழ்வுகள், சந்தை நிலவரம் மாறும் போது செயற்கை நுண்ணறிவு மாதிரிகள் திடீரெனத் தடுமாறக்கூடும் என்பதை விளக்குகின்றன. தப்பிப்பிழைத்தவர் சார்பு என்பதும் கண்ணோட்டங்களில் ஒரு காரணியாக உள்ளது – நாம் தோல்விகளை விட செயற்கை நுண்ணறிவின் வெற்றிகளைப் பற்றியே அடிக்கடி கேள்விப்படுகிறோம், ஆனால் திரைக்குப் பின்னால், பல மாதிரிகளும் நிதிகளும் அவற்றின் உத்திகள் செயல்படுவதை நிறுத்துவதால், அமைதியாகத் தோல்வியடைந்து மூடப்படுகின்றன.

• சந்தைகளுக்கு இடையேயான வேறுபாடுகள்: ஆய்வுகளிலிருந்து பெறப்பட்ட ஒரு சுவாரஸ்யமான அவதானிப்பு என்னவென்றால், செயற்கை நுண்ணறிவின் செயல்திறன் சந்தையின் முதிர்ச்சி மற்றும் திறனைப் பொறுத்து அமையலாம் . ஒப்பீட்டளவில் குறைந்த திறன் கொண்ட அல்லது வளர்ந்து வரும் சந்தைகளில், (குறைந்த ஆய்வாளர் கண்காணிப்பு, பணப்புழக்கக் கட்டுப்பாடுகள் அல்லது நடத்தை சார்ந்த சார்புகள் காரணமாக) பயன்படுத்திக்கொள்ளக்கூடிய வடிவங்கள் அதிகமாக இருக்கலாம், இது செயற்கை நுண்ணறிவு மாதிரிகள் அதிக துல்லியத்தை அடைய அனுமதிக்கிறது. 93% துல்லியத்துடன் கூடிய வியட்நாம் சந்தையின் LSTM ஆய்வு இதற்கு ஒரு உதாரணமாக இருக்கலாம். இதற்கு மாறாக, அமெரிக்கா போன்ற அதிக திறன் கொண்ட சந்தைகளில், அந்த வடிவங்கள் விரைவாக நடுவர் வர்த்தகத்தால் அகற்றப்படலாம். வியட்நாம் ஆய்வுக்கும் அமெரிக்காவின் மறு ஆய்வுக்கும் இடையிலான கலவையான முடிவுகள் இந்த முரண்பாட்டைச் சுட்டிக்காட்டுகின்றன. உலகளவில், இதன் பொருள் என்னவென்றால், செயற்கை நுண்ணறிவு தற்போது சில குறிப்பிட்ட சிறப்புச் சந்தைகள் அல்லது சொத்து வகைகளில் சிறந்த முன்கணிப்பு செயல்திறனை அளிக்கக்கூடும் (உதாரணமாக, சிலர் செயற்கை நுண்ணறிவைப் பயன்படுத்தி பண்டங்களின் விலைகள் அல்லது கிரிப்டோகரன்சி போக்குகளை மாறுபட்ட வெற்றிகளுடன் கணித்துள்ளனர்). காலப்போக்கில், அனைத்து சந்தைகளும் அதிக செயல்திறனை நோக்கி நகரும்போது, ​​எளிதான முன்கணிப்பு வெற்றிகளுக்கான வாய்ப்பு குறுகுகிறது.

• துல்லியம் மற்றும் இலாபத்தன்மை: கணிப்புத் துல்லியத்தை முதலீட்டு இலாபத்தன்மையிலிருந்து வேறுபடுத்துவதும் மிக முக்கியம் . ஒரு பங்கின் தினசரி ஏற்ற இறக்கத்தைக் கணிப்பதில் ஒரு மாதிரி, உதாரணமாக, 60% மட்டுமே துல்லியமாக இருக்கலாம் – இது மிகவும் அதிகமாகத் தோன்றாது – ஆனால் அந்தக் கணிப்புகள் ஒரு புத்திசாலித்தனமான வர்த்தக உத்தியில் பயன்படுத்தப்பட்டால், அவை மிகவும் இலாபகரமானதாக இருக்கக்கூடும். இதற்கு மாறாக, ஒரு மாதிரி 90% துல்லியத்தைக் கொண்டிருப்பதாகப் பெருமை பேசலாம், ஆனால் அது தவறாகும் 10% நேரங்கள் மிகப்பெரிய சந்தை நகர்வுகளுடன் (அதனால் பெரிய இழப்புகளுடன்) ஒத்துப்போனால், அது இலாபமற்றதாக இருக்கலாம். பல செயற்கை நுண்ணறிவு (AI) பங்கு கணிப்பு முயற்சிகள் திசைசார் துல்லியம் அல்லது பிழைக் குறைப்பில் கவனம் செலுத்துகின்றன, ஆனால் முதலீட்டாளர்கள் இடர்-சரிசெய்யப்பட்ட வருமானத்தில் அக்கறை கொண்டுள்ளனர். எனவே, மதிப்பீடுகள் பெரும்பாலும் வெறும் வெற்றி விகிதத்தை மட்டும் கொண்டிராமல், ஷார்ப் விகிதம், சரிவுகள் மற்றும் செயல்திறனின் நிலைத்தன்மை போன்ற அளவீடுகளையும் உள்ளடக்கியுள்ளன. சில செயற்கை நுண்ணறிவு மாதிரிகள், நிலைகளையும் இடரையும் தானாகவே நிர்வகிக்கும் அல்காரிதமிக் வர்த்தக அமைப்புகளில் ஒருங்கிணைக்கப்பட்டுள்ளன – அவற்றின் உண்மையான செயல்திறன், தனிப்பட்ட கணிப்புப் புள்ளிவிவரங்களில் அல்லாமல், நேரடி வர்த்தக வருமானத்தில் அளவிடப்படுகிறது. இதுவரை, ஆண்டுதோறும் நம்பகத்தன்மையுடன் பணம் ஈட்டும் ஒரு முழுமையான தன்னாட்சி கொண்ட “செயற்கை நுண்ணறிவு வர்த்தகர்” என்பது யதார்த்தத்தை விட அறிவியல் புனைகதையாகவே உள்ளது. ஆனால், (வர்த்தகர்கள் ஆப்ஷன்களின் விலையை நிர்ணயிக்கப் பயன்படுத்தக்கூடிய, குறுகிய கால சந்தை ஏற்ற இறக்கங்களைக் கணிக்கும் ஒரு செயற்கை நுண்ணறிவு மாதிரி போன்ற ) குறுகிய பயன்பாடுகள் நிதிக் கருவிகளின் தொகுப்பில் இடம்பிடித்துள்ளன.

ஒட்டுமொத்தமாக, சான்றுகள், AI சில சந்தை முறைகளை சிறந்த துல்லியத்துடன் கணிக்க முடியும், அவ்வாறு செய்வதன் மூலம் ஒரு வர்த்தக நன்மையை வழங்க முடியும் என்றும் கூறுகின்றன. இருப்பினும், அந்த விளிம்பு பெரும்பாலும் சிறியதாக இருக்கும், மேலும் அதைப் பயன்படுத்திக் கொள்ள அதிநவீன செயல்படுத்தல் தேவைப்படுகிறது. AI பங்குச் சந்தையை கணிக்க முடியுமா, தற்போதைய சான்றுகளின் அடிப்படையில் மிகவும் நேர்மையான பதில்: AI சில நேரங்களில் குறிப்பிட்ட நிலைமைகளின் கீழ் பங்குச் சந்தையின் அம்சங்களை கணிக்க முடியும், ஆனால் எல்லா நேரங்களிலும் எல்லா பங்குகளுக்கும் அது தொடர்ந்து அவ்வாறு செய்ய முடியாது. வெற்றிகள் பகுதியளவு மற்றும் சூழல் சார்ந்ததாக இருக்கும்.

முடிவு: பங்குச் சந்தை கணிப்பில் AI-க்கான யதார்த்தமான எதிர்பார்ப்புகள்

நிதித்துறையில் செயற்கை நுண்ணறிவும் இயந்திரக் கற்றலும் சந்தேகத்திற்கு இடமின்றி சக்திவாய்ந்த கருவிகளாக உருவெடுத்துள்ளன. அவை மிகப்பெரிய தரவுத் தொகுப்புகளைச் செயலாக்குவதிலும், மறைந்திருக்கும் தொடர்புகளைக் கண்டறிவதிலும், மேலும் உடனடியாக உத்திகளை மாற்றியமைப்பதிலும் சிறந்து விளங்குகின்றன. பங்குச் சந்தையைக் கணிக்கும் முயற்சியில், செயற்கை நுண்ணறிவு உறுதியான ஆனால் வரையறுக்கப்பட்ட வெற்றிகளையே வழங்கியுள்ளது. முதலீட்டாளர்களும் நிறுவனங்களும், உதாரணமாக, முன்கணிப்பு சமிக்ஞைகளை உருவாக்குதல், முதலீட்டுத் தொகுப்புகளை மேம்படுத்துதல் அல்லது இடர்களை நிர்வகித்தல் போன்றவற்றின் மூலம் முடிவெடுப்பதில் செயற்கை நுண்ணறிவு உதவும் என்று யதார்த்தமாக எதிர்பார்க்கலாம்; ஆனால், அது இலாபங்களுக்கு உத்தரவாதம் அளிக்கும் ஒரு மாயக் கண்ணாடியாகச் செயல்படும் என்று எதிர்பார்க்க முடியாது.

செயற்கை நுண்ணறிவால் என்ன முடியும் :
முதலீட்டில் பகுப்பாய்வு செயல்முறையை செயற்கை நுண்ணறிவால் மேம்படுத்த முடியும். பல வருட சந்தைத் தரவுகள், செய்தித் தொகுப்புகள் மற்றும் நிதி அறிக்கைகளை நொடிகளில் சலித்து ஆராய்ந்து, ஒரு மனிதன் கவனிக்கத் தவறக்கூடிய நுட்பமான வடிவங்கள் அல்லது முரண்பாடுகளைக் கண்டறிய முடியும் (பங்குச் சந்தைக் கணிப்பிற்கு இயந்திரக் கற்றலைப் பயன்படுத்துதல்... | FMP). இது நூற்றுக்கணக்கான மாறிகளை (தொழில்நுட்பம், அடிப்படை, உணர்வுநிலை போன்றவை) ஒன்றிணைத்து ஒரு ஒருங்கிணைந்த முன்னறிவிப்பை உருவாக்க முடியும். குறுகிய கால வர்த்தகத்தில், ஒரு பங்கு மற்றொன்றை விட சிறப்பாகச் செயல்படும் என்பதையோ அல்லது ஒரு சந்தை அதிக ஏற்ற இறக்கத்தை சந்திக்கப் போகிறது என்பதையோ, செயற்கை நுண்ணறிவு வழிமுறைகள் தற்செயலான துல்லியத்தை விட சற்றே சிறந்த துல்லியத்துடன் கணிக்கக்கூடும். இந்த கூடுதல் சாதகங்கள், சரியாகப் பயன்படுத்தப்படும்போது, ​​உண்மையான நிதி ஆதாயங்களாக மாறக்கூடும். இடர் மேலாண்மையிலும் – சரிவுகளின் ஆரம்ப எச்சரிக்கைகளைக் கண்டறிதல் அல்லது ஒரு கணிப்பின் நம்பகத்தன்மை அளவை முதலீட்டாளர்களுக்குத் தெரிவித்தல். செயற்கை நுண்ணறிவின் மற்றொரு நடைமுறைப் பங்கு உத்தி தானியக்கத்தில் உள்ளது :வழிமுறைகள் வர்த்தகங்களை அதிவேகமாகவும் அடிக்கடி செயல்படுத்தவும், 24/7 நிகழ்வுகளுக்கு எதிர்வினையாற்றவும், ஒழுக்கத்தை (உணர்ச்சிவசப்பட்ட வர்த்தகம் இல்லை) செயல்படுத்தவும் முடியும், இது நிலையற்ற சந்தைகளில் சாதகமாக இருக்கும்.

செயற்கை நுண்ணறிவால் முடியாதவை (இன்னும்) செய்ய : சில ஊடகங்களில் உள்ள மிகைப்படுத்தப்பட்ட செய்திகள் இருந்தபோதிலும், சந்தையை எப்போதும் வெல்வது அல்லது முக்கிய திருப்புமுனைகளை முன்கூட்டியே கணிப்பது போன்ற முழுமையான அர்த்தத்தில் , பங்குச் சந்தையைத் தொடர்ச்சியாகவும் நம்பகத்தன்மையுடனும் கணிக்க செயற்கை நுண்ணறிவால் முடியாது . சந்தைகள் மனித நடத்தை, தற்செயலான நிகழ்வுகள் மற்றும் எந்தவொரு நிலையான மாதிரியையும் மீறும் சிக்கலான பின்னூட்டச் சுழல்களால் பாதிக்கப்படுகின்றன. செயற்கை நுண்ணறிவு நிச்சயமற்ற தன்மையை நீக்குவதில்லை; அது நிகழ்தகவுகளை மட்டுமே கையாளுகிறது. ஒரு பங்கு நாளை உயர 70% வாய்ப்புள்ளது என்று ஒரு செயற்கை நுண்ணறிவு குறிப்பிடலாம் – இதன் பொருள் அது உயரமாட்டாததற்கு 30% வாய்ப்புள்ளது என்பதும் ஆகும். நஷ்டமான வர்த்தகங்களும் தவறான கணிப்புகளும் தவிர்க்க முடியாதவை. அதன் பயிற்சித் தரவுகளின் எல்லைக்கு அப்பாற்பட்ட, முற்றிலும் புதிய நிகழ்வுகளை (பெரும்பாலும் "கருப்பு அன்னங்கள்" என்று அழைக்கப்படுபவை) செயற்கை நுண்ணறிவால் முன்கூட்டியே கணிக்க முடியாது. மேலும், எந்தவொரு வெற்றிகரமான முன்கணிப்பு மாதிரியும், அதன் சாதகத்தைக் குறைக்கக்கூடிய போட்டியை ஈர்க்கிறது. சாராம்சத்தில், சந்தையின் எதிர்காலத்தை முன்கூட்டியே கணிக்கும் உத்தரவாதத்தை அளிக்கும் ஒரு மாயக் கண்ணாடிக்கு இணையான செயற்கை நுண்ணறிவு எதுவும் இல்லை . இதற்கு மாறாகக் கூறுபவர்கள் குறித்து முதலீட்டாளர்கள் எச்சரிக்கையாக இருக்க வேண்டும்

நடுநிலையான, யதார்த்தமான கண்ணோட்டம்:
ஒரு நடுநிலையான கண்ணோட்டத்தில், செயற்கை நுண்ணறிவை (AI) பாரம்பரிய பகுப்பாய்வு மற்றும் மனித நுண்ணறிவுக்கு மாற்றாக அல்லாமல், அவற்றிற்கு ஒரு மேம்பாடாகவே பார்ப்பது சிறந்தது. நடைமுறையில், பல நிறுவன முதலீட்டாளர்கள், மனித ஆய்வாளர்கள் மற்றும் முதலீட்டு மேலாளர்களின் உள்ளீடுகளுடன் செயற்கை நுண்ணறிவு மாதிரிகளையும் பயன்படுத்துகின்றனர். செயற்கை நுண்ணறிவு எண்களைக் கணக்கிட்டு கணிப்புகளை வெளியிட்டாலும், மனிதர்களே நோக்கங்களை நிர்ணயித்து, முடிவுகளை விளக்கி, சூழலுக்கு ஏற்ப உத்திகளைச் சரிசெய்கிறார்கள் (எ.கா., எதிர்பாராத நெருக்கடியின் போது ஒரு மாதிரியை மீறிச் செயல்படுவது). செயற்கை நுண்ணறிவால் இயக்கப்படும் கருவிகள் அல்லது வர்த்தக போட்களைப் பயன்படுத்தும் சில்லறை முதலீட்டாளர்கள் விழிப்புடன் இருக்க வேண்டும் மற்றும் அந்தக் கருவியின் தர்க்கத்தையும் வரம்புகளையும் புரிந்து கொள்ள வேண்டும். ஒரு செயற்கை நுண்ணறிவு பரிந்துரையை கண்மூடித்தனமாகப் பின்பற்றுவது ஆபத்தானது – அதை பல உள்ளீடுகளில் ஒன்றாக மட்டுமே பயன்படுத்த வேண்டும்.

யதார்த்தமான எதிர்பார்ப்புகளை அமைக்கும்போது, ​​ஒருவர் பின்வருமாறு முடிவுக்கு வரலாம்: செயற்கை நுண்ணறிவால் பங்குச் சந்தையை ஓரளவிற்கு கணிக்க முடியும், ஆனால் அது உறுதியுடனும் பிழையின்றியும் அல்ல . அது சரியான கணிப்பை மேற்கொள்வதற்கான வாய்ப்புகளை அதிகரிக்கலாம் அல்லது தகவல்களைப் பகுப்பாய்வு செய்வதில் செயல்திறனை மேம்படுத்தலாம் , இது போட்டி நிறைந்த சந்தைகளில் லாபத்திற்கும் நஷ்டத்திற்கும் இடையிலான வேறுபாடாக அமையக்கூடும். இருப்பினும், அதனால் வெற்றியை உறுதிப்படுத்தவோ அல்லது பங்குச் சந்தைகளின் உள்ளார்ந்த நிலையற்ற தன்மையையும் இடரையும் அகற்றவோ முடியாது . ஒரு வெளியீடு சுட்டிக்காட்டியபடி, திறமையான வழிமுறைகள் இருந்தபோதிலும், மாதிரியாக்கப்பட்ட தகவல்களுக்கு அப்பாற்பட்ட காரணிகளால் பங்குச் சந்தையின் முடிவுகள் "இயல்பாகவே கணிக்க முடியாதவையாக" இருக்கக்கூடும் ( ஆழ்ந்த வலுவூட்டல் கற்றலைப் பயன்படுத்தி பங்குச் சந்தைக் கணிப்பு ).

எதிர்காலப் பாதை:
எதிர்காலத்தைப் பொறுத்தவரை, பங்குச் சந்தை கணிப்பில் AI இன் பங்கு அதிகரிக்கும். தொடர்ச்சியான ஆராய்ச்சி சில வரம்புகளை நிவர்த்தி செய்கிறது (எடுத்துக்காட்டாக, ஆட்சி மாற்றங்களுக்குக் காரணமான மாதிரிகளை உருவாக்குதல், அல்லது தரவு சார்ந்த மற்றும் நிகழ்வு சார்ந்த பகுப்பாய்வு இரண்டையும் உள்ளடக்கிய கலப்பின அமைப்புகள்). வலுவூட்டல் கற்றல் முகவர்களிலும் . மேலும், நடத்தை நிதி அல்லது நெட்வொர்க் பகுப்பாய்விலிருந்து வரும் நுட்பங்களுடன் AI ஐ இணைப்பது சந்தை இயக்கவியலின் வளமான மாதிரிகளை வழங்கக்கூடும். இருப்பினும், மிகவும் மேம்பட்ட எதிர்கால AI கூட நிகழ்தகவு மற்றும் நிச்சயமற்ற தன்மையின் எல்லைகளுக்குள் செயல்படும்.

சுருக்கமாக, “செயற்கை நுண்ணறிவால் பங்குச் சந்தையைக் கணிக்க முடியுமா?” ஆம் அல்லது இல்லை என்ற எளிய பதில் இல்லை. மிகவும் துல்லியமான பதில் இதுதான்: பங்குச் சந்தையைக் கணிக்க செயற்கை நுண்ணறிவு உதவ முடியும், ஆனால் அது தவறுகளுக்கு அப்பாற்பட்டது அல்ல. அது சக்திவாய்ந்த கருவிகளை வழங்குகிறது, அவற்றை விவேகமாகப் பயன்படுத்தும்போது, ​​முன்கணிப்பு மற்றும் வர்த்தக உத்திகளை மேம்படுத்த முடியும், ஆனால் அது சந்தைகளின் அடிப்படை கணிக்க முடியாத தன்மையை நீக்குவதில்லை. முதலீட்டாளர்கள், தரவு செயலாக்கம் மற்றும் வடிவங்களை அடையாளம் காணுதல் போன்ற அதன் பலங்களுக்காக செயற்கை நுண்ணறிவை ஏற்றுக்கொள்ள வேண்டும், அதே நேரத்தில் அதன் பலவீனங்களையும் அறிந்திருக்க வேண்டும். அவ்வாறு செய்வதன் மூலம், மனிதனின் கணிப்பு மற்றும் இயந்திர நுண்ணறிவு ஆகிய இரண்டின் சிறந்த பலன்களையும் ஒருவர் பெற முடியும். பங்குச் சந்தை ஒருபோதும் 100% கணிக்கக்கூடியதாக இருக்காது, ஆனால் யதார்த்தமான எதிர்பார்ப்புகள் மற்றும் செயற்கை நுண்ணறிவின் விவேகமான பயன்பாட்டுடன், சந்தைப் பங்கேற்பாளர்கள் தொடர்ந்து மாறிவரும் நிதிச் சூழலில், நன்கு அறிந்த, அதிக ஒழுக்கமான முதலீட்டு முடிவுகளை எடுக்க முயற்சி செய்யலாம்.

இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய வெள்ளை அறிக்கைகள்:

🔗 செயற்கை நுண்ணறிவால் மாற்றியமைக்க முடியாத வேலைகள் – மற்றும் எந்த வேலைகளை அது மாற்றியமைக்கும்?
செயற்கை நுண்ணறிவு உலகளாவிய வேலைவாய்ப்பை மாற்றியமைக்கும்போது, ​​எந்தத் தொழில்கள் எதிர்காலத்திற்கு உத்திரவாதம் அளிக்கும் மற்றும் எவை அதிக ஆபத்தில் உள்ளன என்பதைக் கண்டறியுங்கள்.

🔗 மனிதத் தலையீடு இல்லாமல், உருவாக்க செயற்கை நுண்ணறிவை நம்பி என்னென்ன செய்ய முடியும்?
நடைமுறைச் சூழல்களில் உருவாக்க செயற்கை நுண்ணறிவின் தற்போதைய வரம்புகளையும் தன்னாட்சித் திறன்களையும் புரிந்துகொள்ளுங்கள்.

🔗 இணையப் பாதுகாப்பில் உருவாக்க செயற்கை நுண்ணறிவை எவ்வாறு பயன்படுத்தலாம்?
முன்கணிப்பு மற்றும் தன்னியக்கக் கருவிகள் மூலம், செயற்கை நுண்ணறிவு எவ்வாறு அச்சுறுத்தல்களிலிருந்து பாதுகாக்கிறது மற்றும் இணையப் பாதுகாப்புத் திறனை மேம்படுத்துகிறது என்பதைத் தெரிந்துகொள்ளுங்கள்.