பங்குச் சந்தையை AI கணிக்க முடியுமா?

அறிமுகம்

உலகெங்கிலும் உள்ள நிறுவன மற்றும் சில்லறை முதலீட்டாளர்கள் இருவரும் பங்குச் சந்தையை முன்னறிவிப்பது நீண்ட காலமாக ஒரு நிதி "புனித கிரெயில்" ஆக இருந்து வருகிறது. செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திர கற்றல் (ML) , இந்த தொழில்நுட்பங்கள் இறுதியாக பங்கு விலைகளை முன்னறிவிப்பதற்கான ரகசியத்தை வெளிப்படுத்திவிட்டனவா என்று பலர் ஆச்சரியப்படுகிறார்கள். AI பங்குச் சந்தையை முன்னறிவிக்க முடியுமா? நிதிச் சந்தை கணிப்பின் சூழலில் செய்ய முடியும் மற்றும் முடியாது என்பது பற்றிய மிகைப்படுத்தலுக்குப் பதிலாக ஆராய்ச்சியை அடிப்படையாகக் கொண்ட ஒரு பாரபட்சமற்ற பகுப்பாய்வை நாங்கள் வழங்குகிறோம்.

நிதிக் கோட்பாட்டில், கணிப்புச் சவால் திறமையான சந்தை கருதுகோளால் (EMH) . EMH (குறிப்பாக அதன் "வலுவான" வடிவத்தில்) பங்கு விலைகள் எந்த நேரத்திலும் கிடைக்கக்கூடிய அனைத்து தகவல்களையும் முழுமையாகப் பிரதிபலிக்கின்றன, அதாவது எந்தவொரு முதலீட்டாளரும் (உள்நாட்டினர் கூட அல்ல) கிடைக்கக்கூடிய தகவல்களை வர்த்தகம் செய்வதன் மூலம் சந்தையை விட தொடர்ந்து சிறப்பாகச் செயல்பட முடியாது ( நரம்பியல் நெட்வொர்க்குகளை அடிப்படையாகக் கொண்ட தரவு சார்ந்த பங்கு முன்னறிவிப்பு மாதிரிகள்: ஒரு மதிப்பாய்வு ). எளிமையான சொற்களில், சந்தைகள் மிகவும் திறமையானவையாகவும், விலைகள் சீரற்ற நடைப்பயணத்தில் , எதிர்கால விலைகளைத் துல்லியமாகக் கணிப்பது கிட்டத்தட்ட சாத்தியமற்றதாக இருக்க வேண்டும். இந்தக் கோட்பாடு இருந்தபோதிலும், சந்தையை வெல்லும் ஈர்ப்பு மேம்பட்ட முன்கணிப்பு முறைகள் குறித்த விரிவான ஆராய்ச்சியைத் தூண்டியுள்ளது. AI மற்றும் இயந்திர கற்றல் இந்த முயற்சியின் மையமாக மாறியுள்ளன, ஏனெனில் அவை பரந்த அளவிலான தரவைச் செயலாக்கி, மனிதர்கள் தவறவிடக்கூடிய நுட்பமான வடிவங்களை அடையாளம் காணும் திறனுக்கு நன்றி ( பங்குச் சந்தை முன்னறிவிப்புக்கு இயந்திரக் கற்றலைப் பயன்படுத்துதல்... | FMP ).

பிரபலமான மாதிரிகளின் தத்துவார்த்த அடித்தளங்களை ஆராய்வோம் தரவு மற்றும் பயிற்சி செயல்முறையைப் , மேலும் சந்தை செயல்திறன், தரவு இரைச்சல் மற்றும் எதிர்பாராத வெளிப்புற நிகழ்வுகள் போன்ற அத்தகைய அமைப்புகள் எதிர்கொள்ளும் முக்கிய வரம்புகள் மற்றும் சவால்களை . 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: தரவுகளிலிருந்து நேரடியாக வடிவங்களைக் கற்றுக்கொள்வதன் மூலம் முன் வரையறுக்கப்பட்ட புள்ளிவிவர சூத்திரங்களுக்கு அப்பாற்பட்டவை ஆதரவு திசையன் இயந்திரங்கள் (SVM) , சீரற்ற காடுகள் மற்றும் சாய்வு பூஸ்டிங் போன்ற வழிமுறைகள் பங்கு கணிப்புக்கு பயன்படுத்தப்பட்டுள்ளன. அவை தொழில்நுட்ப குறிகாட்டிகள் (எ.கா., நகரும் சராசரிகள், வர்த்தக அளவு) முதல் அடிப்படை குறிகாட்டிகள் (எ.கா., வருவாய், மேக்ரோ பொருளாதார தரவு) வரை பரந்த அளவிலான உள்ளீட்டு அம்சங்களை இணைத்து அவற்றுக்கிடையே நேரியல் அல்லாத உறவுகளைக் கண்டறியலாம். எடுத்துக்காட்டாக, ஒரு சீரற்ற காடு அல்லது சாய்வு பூஸ்டிங் மாதிரி ஒரே நேரத்தில் டஜன் கணக்கான காரணிகளைக் கருத்தில் கொள்ளலாம், ஒரு எளிய நேரியல் மாதிரி தவறவிடக்கூடிய தொடர்புகளைப் பிடிக்கலாம். இந்த ML மாதிரிகள் தரவில் சிக்கலான சமிக்ஞைகளைக் கண்டறிவதன் மூலம் முன்கணிப்பு துல்லியத்தை மிதமாக மேம்படுத்தும் திறனைக் காட்டியுள்ளன ( பங்குச் சந்தை கணிப்புக்கு இயந்திர கற்றலைப் பயன்படுத்துதல்... | FMP ). இருப்பினும், அவற்றுக்கு கவனமாக டியூனிங் மற்றும் அதிகப்படியான பொருத்தத்தைத் தவிர்க்க போதுமான தரவு தேவை (சிக்னலை விட கற்றல் சத்தம்).

• ஆழமான கற்றல் (நரம்பியல் வலையமைப்புகள்): மனித மூளையின் கட்டமைப்பால் ஈர்க்கப்பட்ட ஆழமான நரம்பியல் வலையமைப்புகள் தொடர்ச்சியான நரம்பியல் வலையமைப்புகள் (RNNகள்) மற்றும் அவற்றின் மாறுபட்ட நீண்ட குறுகிய கால நினைவகம் (LSTM) நெட்வொர்க்குகள் பங்கு விலை நேரத் தொடர் போன்ற வரிசை தரவுகளுக்காக குறிப்பாக வடிவமைக்கப்பட்டுள்ளன. LSTMகள் கடந்த காலத் தகவல்களின் நினைவைத் தக்கவைத்து, தற்காலிக சார்புகளைப் பிடிக்க முடியும், இதனால் அவை மாதிரி போக்குகள், சுழற்சிகள் அல்லது சந்தைத் தரவுகளில் உள்ள பிற நேரத்தைச் சார்ந்த வடிவங்களுக்கு நன்கு பொருந்துகின்றன. LSTMகள் மற்றும் பிற ஆழமான கற்றல் மாதிரிகள், எளிமையான மாதிரிகள் தவறவிடும் நிதித் தரவில் சிக்கலான, நேரியல் அல்லாத உறவுகளைப் கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNNகள்) (சில நேரங்களில் தொழில்நுட்ப காட்டி "படங்கள்" அல்லது குறியிடப்பட்ட வரிசைகளில் பயன்படுத்தப்படுகின்றன), டிரான்ஸ்ஃபார்மர்கள் (வெவ்வேறு நேர படிகள் அல்லது தரவு மூலங்களின் முக்கியத்துவத்தை எடைபோட கவன வழிமுறைகளைப் பயன்படுத்துகின்றன), மற்றும் கிராஃப் நியூரல் நெட்வொர்க்குகள் (GNNகள்) (சந்தை வரைபடத்தில் பங்குகளுக்கு இடையிலான உறவுகளை மாதிரியாக்க) ஆகியவை அடங்கும். இந்த மேம்பட்ட நரம்பியல் வலைகள் விலைத் தரவை மட்டுமல்ல, செய்தி உரை, சமூக ஊடக உணர்வு மற்றும் பல போன்ற மாற்று தரவு மூலங்களையும் உள்வாங்க முடியும், சந்தை நகர்வுகளை முன்னறிவிக்கக்கூடிய சுருக்க அம்சங்களைக் கற்றுக்கொள்ளலாம் ( பங்குச் சந்தை கணிப்புக்கு இயந்திர கற்றலைப் பயன்படுத்துதல்... | FMP ). ஆழமான கற்றலின் நெகிழ்வுத்தன்மை ஒரு செலவோடு வருகிறது: அவை தரவு-பசி, கணக்கீட்டு ரீதியாக தீவிரமானவை, மேலும் பெரும்பாலும் குறைவான விளக்கத்துடன் "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 கற்றலைப் பயன்படுத்தி 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 தொழில்நுட்ப குறிகாட்டிகள்: கிட்டத்தட்ட அனைத்து மாடல்களும் கடந்த கால பங்கு விலைகள் (திறந்த, உயர்ந்த, குறைந்த, மூடல்) மற்றும் வர்த்தக அளவுகளைப் பயன்படுத்துகின்றன. இவற்றிலிருந்து, ஆய்வாளர்கள் பெரும்பாலும் தொழில்நுட்ப குறிகாட்டிகளை (நகரும் சராசரிகள், ஒப்பீட்டு வலிமை குறியீடு, MACD, முதலியன) உள்ளீடுகளாகப் பெறுகிறார்கள். இந்த குறிகாட்டிகள் மாதிரி பயன்படுத்திக் கொள்ளக்கூடிய போக்குகள் அல்லது உந்துதலை முன்னிலைப்படுத்த உதவும். எடுத்துக்காட்டாக, ஒரு மாடல் அடுத்த நாளின் விலை நகர்வை கணிக்க கடந்த 10 நாட்களின் விலைகள் மற்றும் அளவையும், 10-நாள் நகரும் சராசரி அல்லது நிலையற்ற தன்மை 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 அதிநவீன ஹெட்ஜ் நிதிகள் மற்றும் AI ஆராய்ச்சியாளர்கள், முன்கணிப்பு நுண்ணறிவுகளைப் பெற, செயற்கைக்கோள் படங்கள் (கடை போக்குவரத்து அல்லது தொழில்துறை நடவடிக்கைகளுக்கு), கிரெடிட் கார்டு பரிவர்த்தனை தரவு, வலை தேடல் போக்குகள் போன்ற மாற்றுத் தரவு மூலங்களைப் பயன்படுத்துகின்றனர். இந்த பாரம்பரியமற்ற தரவுத்தொகுப்புகள் சில நேரங்களில் பங்கு செயல்திறனுக்கான முன்னணி குறிகாட்டிகளாகச் செயல்படக்கூடும், இருப்பினும் அவை மாதிரிப் பயிற்சியிலும் சிக்கலை அறிமுகப்படுத்துகின்றன.

பங்கு முன்கணிப்புக்கான AI மாதிரியைப் பயிற்றுவிப்பதில், இந்த வரலாற்றுத் தரவை அதற்கு வழங்குவதும், முன்கணிப்புப் பிழையைக் குறைக்க மாதிரியின் அளவுருக்களை சரிசெய்வதும் அடங்கும். பொதுவாக, தரவு ஒரு பயிற்சித் தொகுப்பாக (எ.கா., வடிவங்களைக் கற்றுக்கொள்ள பழைய வரலாறு) மற்றும் ஒரு சோதனை/சரிபார்ப்புத் தொகுப்பாக (காணப்படாத நிலைமைகளில் செயல்திறனை மதிப்பிடுவதற்கான மிகச் சமீபத்திய தரவு) பிரிக்கப்படுகிறது. சந்தைத் தரவின் தொடர்ச்சியான தன்மையைக் கருத்தில் கொண்டு, "எதிர்காலத்தை எட்டிப்பார்ப்பதை" தவிர்க்க கவனமாக இருக்க வேண்டும் - எடுத்துக்காட்டாக, உண்மையான வர்த்தகத்தில் அவை எவ்வாறு செயல்படும் என்பதை உருவகப்படுத்த, பயிற்சி காலத்திற்குப் பிறகு காலகட்டங்களில் இருந்து தரவின் அடிப்படையில் மாதிரிகள் மதிப்பீடு செய்யப்படுகின்றன. குறுக்கு-சரிபார்ப்பு நுட்பங்கள் மாதிரி நன்கு பொதுமைப்படுத்தப்படுவதையும் ஒரு குறிப்பிட்ட காலத்திற்கு மட்டும் பொருத்தப்படவில்லை என்பதையும் உறுதிசெய்யப் 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: முன்னர் குறிப்பிட்டது போல, திறமையான சந்தை கருதுகோள், விலைகள் ஏற்கனவே அறியப்பட்ட தகவல்களை பிரதிபலிக்கின்றன, எனவே எந்தவொரு புதிய தகவலும் உடனடி மாற்றங்களை ஏற்படுத்துகின்றன என்று வாதிடுகிறது. நடைமுறை அடிப்படையில், இதன் பொருள் விலை மாற்றங்கள் பெரும்பாலும் எதிர்பாராத செய்திகள் அல்லது சீரற்ற ஏற்ற இறக்கங்களால் இயக்கப்படுகின்றன. உண்மையில், பல தசாப்த கால ஆராய்ச்சிகள் குறுகிய கால பங்கு விலை இயக்கங்கள் ஒரு சீரற்ற நடையை ஒத்திருப்பதைக் கண்டறிந்துள்ளன ( நரம்பு நெட்வொர்க்குகளை அடிப்படையாகக் கொண்ட தரவு சார்ந்த பங்கு முன்னறிவிப்பு மாதிரிகள்: ஒரு மதிப்பாய்வு ) - நேற்றைய விலை நாளைய விலையில் சிறிய தாக்கத்தை ஏற்படுத்துகிறது, வாய்ப்பு கணிப்பதைத் தாண்டி. பங்கு விலைகள் அடிப்படையில் சீரற்றதாகவோ அல்லது "திறமையானதாகவோ" இருந்தால், எந்த வழிமுறையும் அவற்றை அதிக துல்லியத்துடன் தொடர்ந்து கணிக்க முடியாது. ஒரு ஆராய்ச்சி ஆய்வு சுருக்கமாகச் சொன்னது போல், "சீரற்ற நடை கருதுகோள் மற்றும் திறமையான சந்தை கருதுகோள் அடிப்படையில் எதிர்கால பங்கு விலைகளை முறையாக, நம்பகத்தன்மையுடன் கணிக்க முடியாது என்று கூறுகிறது" ( இயந்திர கற்றலைப் பயன்படுத்தி S&P 500 பங்குகளுக்கான ஒப்பீட்டு வருமானத்தை முன்னறிவித்தல் | நிதி கண்டுபிடிப்பு | முழு உரை ). இது AI கணிப்புகள் எப்போதும் பயனற்றவை என்று அர்த்தமல்ல, ஆனால் இது ஒரு அடிப்படை வரம்பை அடிக்கோடிட்டுக் காட்டுகிறது: சந்தையின் இயக்கத்தின் பெரும்பகுதி வெறுமனே சத்தமாக இருக்கலாம், சிறந்த மாதிரி கூட முன்கூட்டியே கணிக்க முடியாது.

• சத்தம் மற்றும் கணிக்க முடியாத வெளிப்புற காரணிகள்: பங்கு விலைகள் பல காரணிகளால் பாதிக்கப்படுகின்றன, அவற்றில் பல வெளிப்புற மற்றும் கணிக்க முடியாதவை. புவிசார் அரசியல் நிகழ்வுகள் (போர்கள், தேர்தல்கள், ஒழுங்குமுறை மாற்றங்கள்), இயற்கை பேரழிவுகள், தொற்றுநோய்கள், திடீர் நிறுவன ஊழல்கள் அல்லது வைரலான சமூக ஊடக வதந்திகள் அனைத்தும் சந்தைகளை எதிர்பாராத விதமாக நகர்த்தக்கூடும். இவை ஒரு மாதிரிக்கு முன் பயிற்சி தரவு இருக்க முடியாத (ஏனென்றால் அவை முன்னோடியில்லாதவை) அல்லது அரிதான அதிர்ச்சிகளாக நிகழ்கின்றன. எடுத்துக்காட்டாக, 2010–2019 வரையிலான வரலாற்றுத் தரவுகளில் பயிற்சி பெற்ற எந்த AI மாதிரியும் 2020 ஆம் ஆண்டின் தொடக்கத்தில் COVID-19 வீழ்ச்சியையோ அல்லது அதன் விரைவான மீட்சியையோ குறிப்பாக முன்னறிவித்திருக்க முடியாது. ஆட்சிகள் மாறும்போது அல்லது ஒரு தனித்துவமான நிகழ்வு விலைகளை இயக்கும்போது நிதி AI மாதிரிகள் போராடுகின்றன. ஒரு ஆதாரம் குறிப்பிடுவது போல, புவிசார் அரசியல் நிகழ்வுகள் அல்லது திடீர் பொருளாதார தரவு வெளியீடுகள் போன்ற காரணிகள் கணிப்புகளை கிட்டத்தட்ட உடனடியாக காலாவதியாகிவிடும் ( பங்குச் சந்தை கணிப்புக்கு இயந்திர கற்றலைப் பயன்படுத்துதல்... | FMP ) ( பங்குச் சந்தை கணிப்புக்கு இயந்திர கற்றலைப் பயன்படுத்துதல்... | FMP ). வேறு வார்த்தைகளில் கூறுவதானால், எதிர்பாராத செய்திகள் எப்போதும் அல்காரிதமிக் கணிப்புகளை மேலெழுதலாம் , குறைக்க முடியாத நிச்சயமற்ற நிலையை செலுத்தலாம்.

• மிகைப்படுத்தல் மற்றும் பொதுமைப்படுத்தல்: மிகைப்படுத்தலுக்கு ஆளாகின்றன - அதாவது, அடிப்படை பொதுவான வடிவங்களை விட, பயிற்சித் தரவில் உள்ள "சத்தம்" அல்லது வினோதங்களை அவை நன்றாகக் கற்றுக்கொள்ளக்கூடும். ஒரு மிகைப்படுத்தப்பட்ட மாதிரி வரலாற்றுத் தரவுகளில் அற்புதமாகச் செயல்படக்கூடும் (சுவாரசியமான பின்-சோதனை செய்யப்பட்ட வருமானங்கள் அல்லது அதிக மாதிரி துல்லியத்தைக் காட்டினாலும்) ஆனால் புதிய தரவுகளில் மோசமாகத் தோல்வியடையும். இது அளவு நிதியத்தில் ஒரு பொதுவான ஆபத்து. உதாரணமாக, ஒரு சிக்கலான நரம்பியல் நெட்வொர்க் கடந்த காலத்தில் தற்செயலாக இருந்த போலியான தொடர்புகளை எடுக்கக்கூடும் (கடந்த 5 ஆண்டுகளில் பேரணிகளுக்கு முன்னதாக நடந்த காட்டி குறுக்குவழிகளின் ஒரு குறிப்பிட்ட கலவை போன்றவை) ஆனால் அந்த உறவுகள் முன்னோக்கிச் செல்லாமல் போகலாம். ஒரு நடைமுறை விளக்கம்: கடந்த ஆண்டு பங்கு வெற்றியாளர்கள் எப்போதும் உயரும் என்று கணிக்கும் ஒரு மாதிரியை ஒருவர் வடிவமைக்கலாம் - அது ஒரு குறிப்பிட்ட காலத்திற்கு பொருந்தக்கூடும், ஆனால் சந்தை ஆட்சி மாறினால், அந்த முறை உடைகிறது. மிகைப்படுத்தல் மோசமான மாதிரி செயல்திறனுக்கு வழிவகுக்கிறது , அதாவது நேரடி வர்த்தகத்தில் மாதிரியின் கணிப்புகள் வளர்ச்சியில் சிறப்பாகத் தெரிந்தாலும் சீரற்றதை விட சிறந்ததாக இருக்க முடியாது. அதிக பொருத்தத்தைத் தவிர்ப்பதற்கு ஒழுங்குமுறைப்படுத்தல், மாதிரி சிக்கலைக் கட்டுக்குள் வைத்திருத்தல் மற்றும் வலுவான சரிபார்ப்பைப் பயன்படுத்துதல் போன்ற நுட்பங்கள் தேவை. இருப்பினும், AI மாதிரிகளுக்கு சக்தியை வழங்கும் அதே சிக்கலான தன்மை, அவற்றை இந்தப் பிரச்சினைக்கு ஆளாக்குகிறது.

• தரவு தரம் மற்றும் கிடைக்கும் தன்மை: "குப்பையை உள்ளே கொண்டு வாருங்கள், குப்பையை வெளியே எடு" என்ற பழமொழி, பங்கு கணிப்பில் AI-க்கு வலுவாகப் பொருந்தும். தரவின் தரம், அளவு மற்றும் பொருத்தம் மாதிரி செயல்திறனை கணிசமாக பாதிக்கிறது. வரலாற்றுத் தரவு போதுமானதாக இல்லாவிட்டால் (எ.கா., ஒரு சில ஆண்டு பங்கு விலைகளில் ஒரு ஆழமான நெட்வொர்க்கைப் பயிற்றுவிக்க முயற்சிப்பது) அல்லது பிரதிநிதித்துவப்படுத்தப்படாவிட்டால் (எ.கா., ஒரு பெரிய ஏற்றக் காலத்தின் தரவைப் பயன்படுத்தி ஒரு ஏற்றத்தாழ்வு சூழ்நிலையைக் கணிக்க), மாதிரி நன்றாகப் பொதுமைப்படுத்தப்படாது. தரவு சார்புடையதாகவோ அல்லது உயிர்வாழ்வதற்கு உட்பட்டதாகவோ (எ.கா., பங்கு குறியீடுகள் இயற்கையாகவே காலப்போக்கில் மோசமாகச் செயல்படும் நிறுவனங்களைக் குறைக்கின்றன, எனவே வரலாற்று குறியீட்டுத் தரவு மேல்நோக்கிச் சார்புடையதாக இருக்கலாம்). தரவை சுத்தம் செய்தல் மற்றும் நிர்வகித்தல் என்பது ஒரு அற்பமான பணி அல்ல. கூடுதலாக, மாற்றுத் தரவு அதிர்வெண் பிரச்சினையும் உள்ளது : அதிக அதிர்வெண் வர்த்தக மாதிரிகளுக்கு டிக்-பை-டிக் தரவு தேவை, இது அளவில் மிகப்பெரியது மற்றும் சிறப்பு உள்கட்டமைப்பு தேவைப்படுகிறது, அதேசமயம் குறைந்த அதிர்வெண் மாதிரிகள் தினசரி அல்லது வாராந்திர தரவைப் பயன்படுத்தலாம். தரவு சரியான நேரத்தில் சீரமைக்கப்படுவதையும் (எ.கா., தொடர்புடைய விலைத் தரவுகளுடன் கூடிய செய்திகள்) மற்றும் முன்னோக்கிப் பார்க்கும் சார்பு இல்லாமல் இருப்பதையும் உறுதி செய்வது தொடர்ச்சியான சவாலாகும்.

• மாதிரி வெளிப்படைத்தன்மை மற்றும் விளக்கத்தன்மை: பல AI மாதிரிகள், குறிப்பாக ஆழமான கற்றல் மாதிரிகள், கருப்புப் பெட்டிகளாகச் . அவை எளிதில் விளக்கக்கூடிய காரணமின்றி ஒரு கணிப்பு அல்லது வர்த்தக சமிக்ஞையை வெளியிடக்கூடும். இந்த வெளிப்படைத்தன்மை இல்லாதது முதலீட்டாளர்களுக்கு - குறிப்பாக பங்குதாரர்களிடம் முடிவுகளை நியாயப்படுத்த வேண்டிய அல்லது விதிமுறைகளுக்கு இணங்க வேண்டிய நிறுவனங்களுக்கு - சிக்கலாக இருக்கலாம். ஒரு AI மாதிரி ஒரு பங்கு வீழ்ச்சியடையும் என்று கணித்து விற்பனையை பரிந்துரைத்தால், ஒரு போர்ட்ஃபோலியோ மேலாளர் பகுத்தறிவைப் புரிந்து கொள்ளவில்லை என்றால் தயங்கக்கூடும். AI முடிவுகளின் ஒளிபுகாநிலை, மாதிரியின் துல்லியத்தைப் பொருட்படுத்தாமல், நம்பிக்கையையும் தத்தெடுப்பையும் குறைக்கலாம். இந்த சவால் நிதிக்கான விளக்கக்கூடிய AI இல் ஆராய்ச்சியைத் தூண்டுகிறது, ஆனால் மாதிரி சிக்கலான தன்மை/துல்லியம் மற்றும் விளக்கத்தன்மை ஆகியவற்றுக்கு இடையே பெரும்பாலும் ஒரு பரிமாற்றம் உள்ளது என்பது உண்மைதான்.

• தகவமைப்பு சந்தைகள் மற்றும் போட்டி: தகவமைப்புக்கு உட்பட்டவை என்பதைக் கவனத்தில் கொள்ள வேண்டும் . ஒரு முன்கணிப்பு முறை (AI அல்லது வேறு எந்த முறையிலும்) கண்டுபிடிக்கப்பட்டு, பல வர்த்தகர்களால் பயன்படுத்தப்பட்டால், அது வேலை செய்வதை நிறுத்தக்கூடும். எடுத்துக்காட்டாக, ஒரு குறிப்பிட்ட சமிக்ஞை பெரும்பாலும் ஒரு பங்கின் உயர்வுக்கு முன்னதாக இருப்பதை ஒரு AI மாதிரி கண்டறிந்தால், வர்த்தகர்கள் அந்த சமிக்ஞையில் முன்னதாகவே செயல்படத் தொடங்குவார்கள், இதனால் வாய்ப்பை இழக்க நேரிடும். சாராம்சத்தில், சந்தைகள் அறியப்பட்ட உத்திகளை ரத்து செய்ய உருவாகலாம் . இன்று, பல வர்த்தக நிறுவனங்களும் நிதிகளும் AI மற்றும் ML ஐப் பயன்படுத்துகின்றன. இந்தப் போட்டி என்பது எந்தவொரு முனையும் பெரும்பாலும் சிறியதாகவும் குறுகிய காலமாகவும் இருக்கும் என்பதாகும். இதன் விளைவாக, மாறிவரும் சந்தை இயக்கவியலுடன் தொடர்ந்து செயல்பட AI மாதிரிகளுக்கு நிலையான மறுபயிற்சி மற்றும் புதுப்பித்தல் தேவைப்படலாம். அதிக திரவத்தன்மை கொண்ட மற்றும் முதிர்ந்த சந்தைகளில் (அமெரிக்க பெரிய மூலதனப் பங்குகள் போன்றவை), ஏராளமான அதிநவீன வீரர்கள் ஒரே சமிக்ஞைகளைத் தேடுகிறார்கள், இதனால் ஒரு முனையைப் பராமரிப்பது மிகவும் கடினம். இதற்கு நேர்மாறாக, குறைந்த செயல்திறன் கொண்ட சந்தைகள் அல்லது முக்கிய சொத்துக்களில், AI தற்காலிக திறமையின்மையைக் கண்டறியக்கூடும் - ஆனால் அந்த சந்தைகள் நவீனமயமாக்கப்படும்போது, ​​இடைவெளி மூடப்படலாம். சந்தைகளின் இந்த மாறும் தன்மை ஒரு அடிப்படை சவாலாகும்: "விளையாட்டின் விதிகள்" நிலையானவை அல்ல, எனவே கடந்த ஆண்டு வேலை செய்த ஒரு மாதிரியை அடுத்த ஆண்டு மீண்டும் உருவாக்க வேண்டியிருக்கும்.

• நிஜ உலகக் கட்டுப்பாடுகள்: ஒரு AI மாதிரி விலைகளை நல்ல துல்லியத்துடன் கணிக்க முடிந்தாலும், கணிப்புகளை லாபமாக மாற்றுவது மற்றொரு சவாலாகும். வர்த்தகம் பரிவர்த்தனை செலவுகளை . ஒரு மாதிரி பல சிறிய விலை நகர்வுகளை சரியாகக் கணிக்கக்கூடும், ஆனால் லாபங்கள் கட்டணங்கள் மற்றும் வர்த்தகங்களின் சந்தை தாக்கத்தால் அழிக்கப்படலாம். இடர் மேலாண்மையும் மிக முக்கியமானது - எந்த கணிப்பும் 100% உறுதியாக இல்லை, எனவே எந்தவொரு AI- இயக்கப்படும் உத்தியும் சாத்தியமான இழப்புகளுக்கு (ஸ்டாப்-லாஸ் ஆர்டர்கள், போர்ட்ஃபோலியோ பல்வகைப்படுத்தல் போன்றவை மூலம்) காரணமாக இருக்க வேண்டும். நிறுவனங்கள் பெரும்பாலும் AI கணிப்புகளை ஒரு பரந்த ஆபத்து கட்டமைப்பில் ஒருங்கிணைக்கின்றன, இதனால் AI தவறாக இருக்கக்கூடிய ஒரு கணிப்பில் பண்ணையை பந்தயம் கட்டாது. இந்த நடைமுறை பரிசீலனைகள் என்பது நிஜ உலக உராய்வுகளுக்குப் பிறகு பயனுள்ளதாக இருக்க AI இன் தத்துவார்த்த விளிம்பு கணிசமானதாக இருக்க வேண்டும் என்பதாகும்.

சுருக்கமாக, AI வலிமையான திறன்களைக் கொண்டுள்ளது, ஆனால் இந்த வரம்புகள் பங்குச் சந்தை ஓரளவு கணிக்கக்கூடிய, ஓரளவு கணிக்க முடியாத அமைப்பாக இருப்பதை . AI மாதிரிகள் தரவை மிகவும் திறமையாக பகுப்பாய்வு செய்வதன் மூலமும், நுட்பமான முன்கணிப்பு சமிக்ஞைகளைக் கண்டறிவதன் மூலமும் முதலீட்டாளருக்கு சாதகமாக வாய்ப்புகளை சாய்க்க முடியும். இருப்பினும், திறமையான விலை நிர்ணயம், சத்தமில்லாத தரவு, எதிர்பாராத நிகழ்வுகள் மற்றும் நடைமுறைக் கட்டுப்பாடுகள் ஆகியவற்றின் கலவையானது சிறந்த AI கூட சில நேரங்களில் தவறாக இருக்கும் - பெரும்பாலும் கணிக்க முடியாத அளவுக்கு.

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 :

• AI சிறப்பாகச் செயல்படும் வாய்ப்புகள்: சில நிபந்தனைகளின் கீழ் AI மாதிரிகள் சீரற்ற யூகங்களை வெல்ல முடியும் என்பதை பல ஆய்வுகள் நிரூபித்துள்ளன. எடுத்துக்காட்டாக, 2024 ஆம் ஆண்டு நடத்தப்பட்ட ஒரு ஆய்வு, வியட்நாமிய பங்குச் சந்தையில் போக்குகளைக் பங்குச் சந்தையில் பங்கு விலை போக்கைக் கணிக்க இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்துதல் - வியட்நாமின் வழக்கு | மனிதநேயம் மற்றும் சமூக அறிவியல் தொடர்புகள் ). அந்தச் சந்தையில் (வளர்ந்து வரும் பொருளாதாரம்), மாதிரி நிலையான வடிவங்களைப் பிடிக்க முடிந்தது என்று இது அறிவுறுத்துகிறது, ஒருவேளை சந்தையில் LSTM கற்றுக்கொண்ட திறமையின்மை அல்லது வலுவான தொழில்நுட்ப போக்குகள் இருந்திருக்கலாம். 2024 இல் மற்றொரு ஆய்வு ஒரு பரந்த நோக்கத்தை எடுத்தது: ஆராய்ச்சியாளர்கள் அனைத்து S&P 500 பங்குகளுக்கும் (மிகவும் திறமையான சந்தை) குறுகிய கால வருமானத்தை கணிக்க முயன்றனர். அவர்கள் அதை ஒரு வகைப்பாடு சிக்கலாக வடிவமைத்தனர் - அடுத்த 10 நாட்களில் ஒரு பங்கு குறியீட்டை 2% விஞ்சுமா என்பதைக் கணித்தல் - ரேண்டம் ஃபாரஸ்ட்ஸ், SVM மற்றும் LSTM போன்ற வழிமுறைகளைப் பயன்படுத்தி. விளைவு: LSTM மாதிரி மற்ற ML மாதிரிகள் மற்றும் ஒரு சீரற்ற அடிப்படை இரண்டையும் விட சிறப்பாக செயல்பட்டது , புள்ளிவிவர ரீதியாக குறிப்பிடத்தக்க முடிவுகள் அதிர்ஷ்டம் மட்டுமல்ல என்பதைக் குறிக்கின்றன ( இயந்திர கற்றலைப் பயன்படுத்தி S&P 500 பங்குகளுக்கான ஒப்பீட்டு வருமானத்தை முன்னறிவித்தல் | நிதி கண்டுபிடிப்பு | முழு உரை சீரற்ற நடை கருதுகோள் நிகழ்தகவு "மிகக் குறைவாக" இருப்பதாக ஆசிரியர்கள் முடிவு செய்தனர், இது அவர்களின் ML மாதிரிகள் உண்மையான முன்கணிப்பு சமிக்ஞைகளைக் கண்டறிந்தன என்பதைக் குறிக்கிறது. இந்த எடுத்துக்காட்டுகள், குறிப்பாக பெரிய தரவுத் தொகுப்புகளில் சோதிக்கப்படும் போது, ​​பங்கு நகர்வுகளை கணிப்பதில் ஒரு நன்மையை (ஒரு சாதாரணமாக இருந்தாலும் கூட) வழங்கும் வடிவங்களை AI உண்மையில் அடையாளம் காண முடியும் என்பதைக் காட்டுகிறது.

• தொழில்துறையில் குறிப்பிடத்தக்க பயன்பாட்டு வழக்குகள்: கல்வி ஆய்வுகளுக்கு வெளியே, ஹெட்ஜ் நிதிகள் மற்றும் நிதி நிறுவனங்கள் தங்கள் வர்த்தக நடவடிக்கைகளில் AI ஐ வெற்றிகரமாகப் பயன்படுத்துவதாக அறிக்கைகள் உள்ளன. சில உயர் அதிர்வெண் வர்த்தக நிறுவனங்கள் ஒரு நொடியின் பின்னங்களில் சந்தை நுண் கட்டமைப்பு வடிவங்களை அடையாளம் கண்டு எதிர்வினையாற்ற AI ஐப் பயன்படுத்துகின்றன. பெரிய வங்கிகள் போர்ட்ஃபோலியோ ஒதுக்கீடு மற்றும் இடர் முன்னறிவிப்புக்கு , அவை எப்போதும் ஒரு பங்கின் விலையை கணிப்பதாக இல்லாவிட்டாலும், சந்தையின் அம்சங்களை (நிலைமாற்றம் அல்லது தொடர்புகள் போன்றவை) முன்னறிவிப்பதை உள்ளடக்கியது. வர்த்தக முடிவுகளை எடுக்க இயந்திர கற்றலைப் பயன்படுத்தும் AI- இயக்கப்படும் நிதிகளும் (பெரும்பாலும் "குவாண்ட் ஃபண்டுகள்" என்று அழைக்கப்படுகின்றன) உள்ளன - சில குறிப்பிட்ட காலகட்டங்களுக்கு சந்தையை விட சிறப்பாக செயல்பட்டன, இருப்பினும் அவை பெரும்பாலும் மனித மற்றும் இயந்திர நுண்ணறிவின் கலவையைப் பயன்படுத்துவதால் அதை AI க்கு மட்டுமே காரணம் கூறுவது கடினம். ஒரு உறுதியான பயன்பாடு உணர்வு பகுப்பாய்வு AI ஐப் பயன்படுத்துவதாகும்: எடுத்துக்காட்டாக, செய்தி மற்றும் ட்விட்டரை ஸ்கேன் செய்து பங்கு விலைகள் எவ்வாறு நகரும் என்பதைக் கணிக்கவும். இத்தகைய மாதிரிகள் 100% துல்லியமாக இருக்காது, ஆனால் அவை வர்த்தகர்களுக்கு செய்திகளில் விலை நிர்ணயம் செய்வதில் சிறிது தொடக்கத்தை அளிக்கும். நிறுவனங்கள் பொதுவாக வெற்றிகரமான AI உத்திகளின் விவரங்களை அறிவுசார் சொத்துரிமையாக நெருக்கமாகப் பாதுகாக்கின்றன என்பது கவனிக்கத்தக்கது, எனவே பொது களத்தில் உள்ள சான்றுகள் தாமதமாகவோ அல்லது நிகழ்வுகளாகவோ இருக்கும்.

• செயல்திறன் குறைவு மற்றும் தோல்விகள்: ஒவ்வொரு வெற்றிக் கதைக்கும், எச்சரிக்கைக் கதைகள் உள்ளன. ஒரு சந்தை அல்லது காலக்கெடுவில் அதிக துல்லியம் இருப்பதாகக் கூறும் பல கல்வி ஆய்வுகள் பொதுமைப்படுத்தத் தவறிவிட்டன. ஒரு குறிப்பிடத்தக்க சோதனை, அமெரிக்க பங்குகளில் வெற்றிகரமான இந்திய பங்குச் சந்தை கணிப்பு ஆய்வை (தொழில்நுட்ப குறிகாட்டிகளில் ML ஐப் பயன்படுத்தி அதிக துல்லியத்தைக் கொண்டிருந்தது) நகலெடுக்க முயன்றது. நகலெடுப்பில் குறிப்பிடத்தக்க முன்கணிப்பு சக்தி எதுவும் - உண்மையில், பங்கு அடுத்த நாள் உயரும் என்று எப்போதும் கணிக்கும் ஒரு அப்பாவி உத்தி சிக்கலான ML மாதிரிகளை துல்லியத்தில் விஞ்சியது. ஆசிரியர்கள் தங்கள் முடிவுகள் "சீரற்ற நடை கோட்பாட்டை ஆதரிக்கின்றன" , அதாவது பங்கு இயக்கங்கள் அடிப்படையில் கணிக்க முடியாதவை மற்றும் ML மாதிரிகள் உதவவில்லை. சந்தை மற்றும் காலத்தைப் பொறுத்து முடிவுகள் வியத்தகு முறையில் மாறுபடும் என்பதை இது அடிக்கோடிட்டுக் காட்டுகிறது. இதேபோல், ஏராளமான Kaggle போட்டிகள் மற்றும் அளவு ஆராய்ச்சி போட்டிகள், மாதிரிகள் பெரும்பாலும் கடந்த காலத் தரவை நன்கு பொருத்த முடியும் என்றாலும், நேரடி வர்த்தகத்தில் அவற்றின் செயல்திறன் பெரும்பாலும் புதிய நிலைமைகளை எதிர்கொண்டவுடன் 50% துல்லியத்தை (திசை கணிப்புக்கு) நோக்கி பின்வாங்குகிறது என்பதைக் காட்டுகின்றன. 2007 ஆம் ஆண்டு ஏற்பட்ட குவாண்ட் நிதிக் கரைப்பு மற்றும் 2020 ஆம் ஆண்டு தொற்றுநோய் அதிர்ச்சியின் போது AI-இயக்கப்படும் நிதிகள் எதிர்கொள்ளும் சிரமங்கள், சந்தை ஆட்சி மாறும்போது AI மாதிரிகள் திடீரென தடுமாறக்கூடும் என்பதை விளக்குகின்றன. உயிர்வாழும் சார்பு என்பதும் கருத்துக்களில் ஒரு காரணியாகும் - தோல்விகளை விட AI வெற்றிகளைப் பற்றி நாம் அடிக்கடி கேள்விப்படுகிறோம், ஆனால் திரைக்குப் பின்னால், பல மாதிரிகள் மற்றும் நிதிகள் அமைதியாக தோல்வியடைந்து மூடப்படுகின்றன, ஏனெனில் அவற்றின் உத்திகள் செயல்படுவதை நிறுத்துகின்றன.

• சந்தைகளுக்கு இடையேயான வேறுபாடுகள்: முதிர்ச்சி மற்றும் செயல்திறனைப் பொறுத்தது . ஒப்பீட்டளவில் குறைவான செயல்திறன் கொண்ட அல்லது வளர்ந்து வரும் சந்தைகளில், அதிக சுரண்டக்கூடிய வடிவங்கள் இருக்கலாம் (குறைந்த பகுப்பாய்வாளர் பாதுகாப்பு, பணப்புழக்கக் கட்டுப்பாடுகள் அல்லது நடத்தை சார்புகள் காரணமாக), AI மாதிரிகள் அதிக துல்லியத்தை அடைய அனுமதிக்கிறது. 93% துல்லியத்துடன் கூடிய வியட்நாம் சந்தை LSTM ஆய்வு இதற்கு ஒரு உதாரணமாக இருக்கலாம். இதற்கு நேர்மாறாக, அமெரிக்கா போன்ற மிகவும் திறமையான சந்தைகளில், அந்த வடிவங்கள் விரைவாக நடுவர்மயமாக்கப்படலாம். வியட்நாம் வழக்குக்கும் அமெரிக்க பிரதி ஆய்வுக்கும் இடையிலான கலவையான முடிவுகள் இந்த முரண்பாட்டைக் குறிக்கின்றன. உலகளவில், இதன் பொருள் AI தற்போது சில முக்கிய சந்தைகள் அல்லது சொத்து வகுப்புகளில் சிறந்த முன்கணிப்பு செயல்திறனை வழங்கக்கூடும் (உதாரணமாக, சிலர் பல்வேறு வெற்றிகளுடன் பொருட்களின் விலைகள் அல்லது கிரிப்டோகரன்சி போக்குகளை கணிக்க AI ஐப் பயன்படுத்தியுள்ளனர்). காலப்போக்கில், அனைத்து சந்தைகளும் அதிக செயல்திறனை நோக்கி நகரும்போது, ​​எளிதான முன்கணிப்பு வெற்றிகளுக்கான சாளரம் குறுகுகிறது.

• துல்லியம் vs. லாபம்: முதலீட்டு லாபத்திலிருந்து கணிப்பு துல்லியத்தை வேறுபடுத்துவதும் மிக முக்கியம் . ஒரு மாதிரி ஒரு பங்கின் தினசரி ஏற்ற இறக்க இயக்கத்தை கணிப்பதில் 60% மட்டுமே துல்லியமாக இருக்க முடியும் - இது மிக அதிகமாகத் தெரியவில்லை - ஆனால் அந்த கணிப்புகள் ஒரு ஸ்மார்ட் வர்த்தக உத்தியில் பயன்படுத்தப்பட்டால், அவை மிகவும் லாபகரமானதாக இருக்கலாம். மாறாக, ஒரு மாதிரி 90% துல்லியத்தைப் பெருமைப்படுத்தக்கூடும், ஆனால் அது தவறாக இருக்கும் 10% முறை பெரிய சந்தை நகர்வுகளுடன் (இதனால் பெரிய இழப்புகள்) ஒத்துப்போனால், அது லாபமற்றதாக இருக்கலாம். பல AI பங்கு கணிப்பு முயற்சிகள் திசை துல்லியம் அல்லது பிழை குறைப்பில் கவனம் செலுத்துகின்றன, ஆனால் முதலீட்டாளர்கள் ஆபத்து-சரிசெய்யப்பட்ட வருமானத்தில் அக்கறை கொள்கிறார்கள். எனவே, மதிப்பீடுகளில் பெரும்பாலும் கூர்மையான விகிதம், குறைபாடுகள் மற்றும் செயல்திறனின் நிலைத்தன்மை போன்ற அளவீடுகள் அடங்கும், மூல வெற்றி விகிதம் மட்டுமல்ல. சில AI மாதிரிகள் நிலைகள் மற்றும் ஆபத்தை தானாக நிர்வகிக்கும் வழிமுறை வர்த்தக அமைப்புகளில் ஒருங்கிணைக்கப்பட்டுள்ளன - அவற்றின் உண்மையான செயல்திறன் தனித்த கணிப்பு புள்ளிவிவரங்களை விட நேரடி வர்த்தக வருமானத்தில் அளவிடப்படுகிறது. இதுவரை, நம்பகத்தன்மையுடன் ஆண்டுதோறும் பணத்தை உருவாக்கும் ஒரு முழுமையான தன்னாட்சி "AI வர்த்தகர்" என்பது யதார்த்தத்தை விட அறிவியல் புனைகதையாகும், ஆனால் குறுகிய பயன்பாடுகள் ( வர்த்தகர்கள் விலை விருப்பங்களுக்குப் பயன்படுத்தக்கூடிய ஏற்ற இறக்கத்தை

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 என்று , 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

AI மற்றும் இயந்திர கற்றல் ஆகியவை நிதித்துறையில் சக்திவாய்ந்த கருவிகளாக மாறியுள்ளன என்பதில் சந்தேகமில்லை. அவை மிகப்பெரிய தரவுத்தொகுப்புகளைச் செயலாக்குவதிலும், மறைக்கப்பட்ட தொடர்புகளைக் கண்டறிவதிலும், உடனடியாக உத்திகளை மாற்றியமைப்பதிலும் சிறந்து விளங்குகின்றன. பங்குச் சந்தையைக் கணிக்கும் தேடலில், AI உறுதியான ஆனால் வரையறுக்கப்பட்ட வெற்றிகளை வழங்கியுள்ளது. முதலீட்டாளர்கள் மற்றும் நிறுவனங்கள் AI முடிவெடுப்பதில் உதவும் என்று யதார்த்தமாக எதிர்பார்க்கலாம் - எடுத்துக்காட்டாக, முன்னறிவிப்பு சமிக்ஞைகளை உருவாக்குதல், போர்ட்ஃபோலியோக்களை மேம்படுத்துதல் அல்லது ஆபத்தை நிர்வகித்தல் - ஆனால் லாபத்தை உத்தரவாதம் செய்யும் படிகப் பந்தாகச் செயல்படக்கூடாது.

AI என்ன
முடியும் : முதலீட்டில் பகுப்பாய்வு செயல்முறையை AI மேம்படுத்த முடியும். இது பல வருட சந்தை தரவு, செய்தி ஊட்டங்கள் மற்றும் நிதி அறிக்கைகளை நொடிகளில் பிரித்தெடுக்க முடியும், ஒரு மனிதன் கவனிக்காத நுட்பமான வடிவங்கள் அல்லது முரண்பாடுகளைக் கண்டறிய முடியும் ( பங்குச் சந்தை கணிப்புக்கு இயந்திர கற்றலைப் பயன்படுத்துதல்... | FMP ). இது நூற்றுக்கணக்கான மாறிகளை (தொழில்நுட்பம், அடிப்படை, உணர்வு, முதலியன) ஒரு ஒருங்கிணைந்த முன்னறிவிப்பாக இணைக்க முடியும். குறுகிய கால வர்த்தகத்தில், AI வழிமுறைகள் ஒரு பங்கு மற்றொன்றை விட சிறப்பாக செயல்படும் அல்லது ஒரு சந்தை ஏற்ற இறக்கத்தில் ஒரு எழுச்சியை அனுபவிக்கப் போகிறது என்பதை சீரற்ற துல்லியத்தை விட சற்று சிறப்பாகக் கணிக்கக்கூடும். இந்த அதிகரிக்கும் விளிம்புகள், சரியாகப் பயன்படுத்தப்படும்போது, ​​உண்மையான நிதி ஆதாயங்களாக மொழிபெயர்க்கலாம். AI ஆபத்து மேலாண்மையிலும் - சரிவுகளின் ஆரம்ப எச்சரிக்கைகளை அடையாளம் காண்பது அல்லது ஒரு கணிப்பின் நம்பிக்கை அளவை முதலீட்டாளர்களுக்குத் தெரிவிப்பது. AI இன் மற்றொரு நடைமுறைப் பங்கு மூலோபாய ஆட்டோமேஷனில் : வழிமுறைகள் அதிக வேகத்திலும் அதிர்வெண்ணிலும் வர்த்தகங்களைச் செயல்படுத்தலாம், நிகழ்வுகளுக்கு 24/7 எதிர்வினையாற்றலாம் மற்றும் ஒழுக்கத்தை (உணர்ச்சிபூர்வமான வர்த்தகம் இல்லை) செயல்படுத்தலாம், இது நிலையற்ற சந்தைகளில் சாதகமாக இருக்கும்.

AI-யால் என்ன
முடியாது (இன்னும்): சில ஊடகங்களில் விளம்பரங்கள் இருந்தாலும், எப்போதும் சந்தையை வெல்வது அல்லது முக்கிய திருப்புமுனைகளை முன்னறிவிப்பது போன்ற முழுமையான அர்த்தத்தில் AI-யால் பங்குச் சந்தையை நிலையாகவும் நம்பகத்தன்மையுடனும் கணிக்க . சந்தைகள் மனித நடத்தை, சீரற்ற நிகழ்வுகள் மற்றும் எந்தவொரு நிலையான மாதிரியையும் மீறும் சிக்கலான பின்னூட்ட சுழல்களால் பாதிக்கப்படுகின்றன. AI நிச்சயமற்ற தன்மையை நீக்குவதில்லை; இது நிகழ்தகவுகளை மட்டுமே கையாள்கிறது. ஒரு AI நாளை ஒரு பங்கு உயரும் 70% வாய்ப்பைக் குறிக்கலாம் - அதாவது அது உயராத 30% வாய்ப்பையும் குறிக்கிறது. வர்த்தகங்களை இழப்பது மற்றும் மோசமான அழைப்புகள் தவிர்க்க முடியாதவை. AI அதன் பயிற்சி தரவுகளின் எல்லைக்கு வெளியே இருக்கும் உண்மையிலேயே புதுமையான நிகழ்வுகளை (பெரும்பாலும் "கருப்பு ஸ்வான்ஸ்" என்று அழைக்கப்படுகிறது) எதிர்பார்க்க முடியாது. மேலும், எந்தவொரு வெற்றிகரமான முன்கணிப்பு மாதிரியும் அதன் நன்மையை அரிக்கக்கூடிய போட்டியை அழைக்கிறது. சாராம்சத்தில், படிகப் பந்திற்கு சமமான AI எதுவும் இல்லை . முதலீட்டாளர்கள் வேறுவிதமாகக் கூறுபவர்களிடம் எச்சரிக்கையாக இருக்க வேண்டும்.

நடுநிலை, யதார்த்தவாதக் கண்ணோட்டம்:
நடுநிலையான பார்வையில், AI என்பது பாரம்பரிய பகுப்பாய்வு மற்றும் மனித நுண்ணறிவுக்கு மாற்றாக அல்ல, மாறாக அதன் மேம்பாடாகவே பார்க்கப்படுகிறது. நடைமுறையில், பல நிறுவன முதலீட்டாளர்கள் மனித ஆய்வாளர்கள் மற்றும் போர்ட்ஃபோலியோ மேலாளர்களின் உள்ளீடுகளுடன் AI மாதிரிகளைப் பயன்படுத்துகின்றனர். AI எண்கள் மற்றும் வெளியீட்டு கணிப்புகளைக் குறைக்கலாம், ஆனால் மனிதர்கள் குறிக்கோள்களை அமைக்கிறார்கள், முடிவுகளை விளக்குகிறார்கள் மற்றும் சூழலுக்கு ஏற்ற உத்திகளை சரிசெய்கிறார்கள் (எ.கா., எதிர்பாராத நெருக்கடியின் போது ஒரு மாதிரியை மீறுகிறார்கள்). AI-இயக்கப்படும் கருவிகள் அல்லது வர்த்தக பாட்களைப் பயன்படுத்தும் சில்லறை முதலீட்டாளர்கள் விழிப்புடன் இருக்க வேண்டும் மற்றும் கருவியின் தர்க்கம் மற்றும் வரம்புகளைப் புரிந்து கொள்ள வேண்டும். AI பரிந்துரையை குருட்டுத்தனமாகப் பின்பற்றுவது ஆபத்தானது - பலவற்றில் ஒன்றை உள்ளீடாகப் பயன்படுத்த வேண்டும்.

யதார்த்தமான எதிர்பார்ப்புகளை நிர்ணயிப்பதில், ஒருவர் முடிவு செய்யலாம்: AI பங்குச் சந்தையை ஒரு குறிப்பிட்ட அளவிற்கு கணிக்க முடியும், ஆனால் உறுதியாகவும் பிழைகள் இல்லாமல் அல்ல . போட்டிச் சந்தைகளில் லாபத்திற்கும் இழப்புக்கும் இடையிலான வித்தியாசமாக இருக்கக்கூடிய தகவல்களை பகுப்பாய்வு செய்வதில் சரியான முடிவை எடுப்பதற்கான அல்லது செயல்திறனை வாய்ப்புகளை இது அதிகரிக்கலாம் உத்தரவாதம் செய்யவோ அல்லது பங்குச் சந்தைகளின் உள்ளார்ந்த நிலையற்ற தன்மை மற்றும் ஆபத்தை நீக்கவோ முடியாது மாதிரியாக்கப்பட்ட தகவல்களுக்கு அப்பாற்பட்ட காரணிகளால் பங்குச் சந்தையில் விளைவுகள் "இயல்பாகவே கணிக்க முடியாதவை" ஆழமான வலுவூட்டல் கற்றலைப் பயன்படுத்தி பங்குச் சந்தை 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, "AI பங்குச் சந்தையை கணிக்க முடியுமா?" எளிய ஆம் அல்லது இல்லை என்ற பதில் இல்லை. மிகவும் துல்லியமான பதில்: AI பங்குச் சந்தையை கணிக்க உதவும், ஆனால் அது தவறில்லை. இது புத்திசாலித்தனமாகப் பயன்படுத்தப்படும்போது, ​​முன்னறிவிப்பு மற்றும் வர்த்தக உத்திகளை மேம்படுத்தக்கூடிய சக்திவாய்ந்த கருவிகளை வழங்குகிறது, ஆனால் இது சந்தைகளின் அடிப்படை கணிக்க முடியாத தன்மையை நீக்காது. முதலீட்டாளர்கள் AI ஐ அதன் பலங்களுக்காக - தரவு செயலாக்கம் மற்றும் வடிவ அங்கீகாரம் - ஏற்றுக்கொள்ள வேண்டும், அதே நேரத்தில் அதன் பலவீனங்களை அறிந்திருக்க வேண்டும். அவ்வாறு செய்வதன் மூலம், மனித தீர்ப்பு மற்றும் இயந்திர நுண்ணறிவு ஆகிய இரு உலகங்களிலும் சிறந்ததைப் பயன்படுத்தலாம். பங்குச் சந்தை ஒருபோதும் 100% கணிக்கக்கூடியதாக இருக்காது, ஆனால் யதார்த்தமான எதிர்பார்ப்புகள் மற்றும் AI இன் விவேகமான பயன்பாட்டின் மூலம், சந்தை பங்கேற்பாளர்கள் எப்போதும் வளர்ந்து வரும் நிதி நிலப்பரப்பில் சிறந்த தகவலறிந்த, ஒழுக்கமான முதலீட்டு முடிவுகளுக்கு பாடுபடலாம்.

இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய வெள்ளை அறிக்கைகள்:

🔗 AI ஆல் மாற்ற முடியாத வேலைகள் - மேலும் AI எந்த வேலைகளை மாற்றும்?
AI உலகளாவிய வேலைவாய்ப்பை மறுவடிவமைப்பதால், எந்தெந்த தொழில்கள் எதிர்காலத்திற்கு ஏற்றவை, எந்தெந்த தொழில்கள் மிகவும் ஆபத்தில் உள்ளன என்பதைக் கண்டறியவும்.

🔗 மனித தலையீடு இல்லாமல் ஜெனரேட்டிவ் AI-ஐ என்ன செய்ய முடியும்?
நடைமுறை சூழ்நிலைகளில் ஜெனரேட்டிவ் AI-யின் தற்போதைய எல்லைகள் மற்றும் தன்னாட்சி திறன்களைப் புரிந்து கொள்ளுங்கள்.

🔗 சைபர் பாதுகாப்பில் ஜெனரேட்டிவ் AI-ஐ எவ்வாறு பயன்படுத்தலாம்?
முன்கணிப்பு மற்றும் தன்னாட்சி கருவிகள் மூலம் AI எவ்வாறு அச்சுறுத்தல்களுக்கு எதிராகப் பாதுகாக்கிறது மற்றும் சைபர் மீள்தன்மையை மேம்படுத்துகிறது என்பதை அறிக.