AI & Machine Learning در امور مالی و مدیریت نمونه کارها

تأثیر یادگیری هوش مصنوعی و ماشین در مدیریت مالی و نمونه کارها چیست و چگونه آنها به تصمیم گیرندگان کمک می کنند تا بهترین ابزارها و دارایی ها را برای تصمیم گیری مناسب داشته باشند؟

فناوری یکی از مؤلفه های اصلی مدیریت دارایی است و در بسیاری از جنبه های فرآیند سرمایه گذاری مالی ، از معاملات ، مدیریت ریسک ، عملیات و خدمات مشتری ، یک عملکرد اساسی محسوب می شود. این فناوری به شرکتهای مالی این امکان را داده است که از واکنشهای زیر ثانیه بهره مند شوند و تعداد زیادی از منابع داده را برای تصمیم گیری آگاهانه ترکیب کنند و شرکت های مالی هم اکنون نیز شروع به سرمایه گذاری بیشتر در AI و ML در طول عمر مشتری می کنند. فراتر از قلمرو معاملات الگوریتمی تا خدمات به مشتری و مدیریت ریسک.

ML می تواند با کاهش اثرات منفی تعصبات انسانی بر روند سرمایه گذاری ، به شرکتهای مالی کمک کند تا تصمیمات تجاری بهتری بگیرند و در نهایت به کاهش نوسانات بازار کمک می کنند. سؤال این است که چگونه ML به غلبه بر این تعصبات انسانی کمک می کند و آیا تأثیر منفی دارد؟آیا این بدان معنی است که ML پتانسیل جایگزینی کارگران انسانی در این صنعت دارد؟از این گذشته ، ML می تواند تعداد زیادی از داده ها را بهتر و سریعتر از انسان تجزیه و تحلیل کند - این چه تأثیری در بخش مالی خواهد داشت؟

تصمیمات مغرضانه: یادگیری ماشین در مقابل رفتار انسان

ما به عنوان انسان ، ما مستعد تصمیم گیری های غیر منطقی هستیم. این در ماهیت ما است ، و در سالهای اخیر ، اقتصاددانان رفتاری و روانشناسان شناختی ، طیف گسترده ای از تصمیمات غیر منطقی گرفته شده توسط اکثر انسان ها را روشن کرده اند (HBR). در این محدوده مشخص شده است مواردی مانند از دست دادن از دست دادن و تعصب تأیید.

تعصب تأیید با نتیجه منفی یافته های مفقود شده یا نادیده گرفتن شواهدی که در غیر این صورت می تواند دیدگاه ما را تغییر دهد ، همراه است ، زیرا با تمایل به جستجوی ، تفسیر و به یاد آوردن اطلاعات به روشی که تأیید پیشینه های موجود ما را تأیید می کند ، که ممکن است همیشه نباشد ، مشخص می شود. بر اساس شواهد واقعی (روانشناسی امروز).

این می تواند یک مشکل اساسی در تجارت باشد ، زیرا باعث می شود تا معامله گران در موقعیت های خود بیش از حد ارتباط برقرار کنند و پس از رها شدن در معاملات خود به خوبی بمانند زیرا آنها روی شاخص های معاملاتی و رفتار بازار متمرکز شده اند که از ماندن در موقعیت پشتیبانی می کنند. معامله گرانی که نمی توانند با تعصب تأیید مبارزه کنند ، در نهایت ضرر و زیان گسترده ای را به دست می آورند (Investopedia). این امر می تواند با یک دستور قبلی برای فروش دارایی در هنگام رسیدن به یک نقطه قیمت خاص (ضرر توقف) به صورت خودکار انجام شود.

از دست دادن تمایلی است که افراد ترجیح می دهند اجتناب از ضرر را به کسب سود ترجیح دهند، و تأثیر منفی این می تواند خود را در مقاومت در برابر تغییر نشان دهد، به موجب آن ما بیشتر بر آنچه ممکن است از دست دهیم تمرکز کنیم تا آنچه ممکن است به دست آوریم. این برای فرآیند معاملاتی مضر است برای مثال، می گویند سرمایه گذار سهام می خرد و قیمت آن بالا می رود. بیزاری از دست دادن در این مورد، این فکر ترسناک است که ممکن است سهام به همان سرعتی که بالا رفت پایین بیاید، که باعث می شود سهام را خیلی زود بفروشند و سود بالقوه نگهداری سهام را برای مدت طولانی از دست بدهند. اثر منفی در اینجا این است که خروج خیلی زود برای محافظت از سود، پتانسیل صعودی را به شدت محدود می کند (Synapsetrading).

از سوی دیگر، بیزاری از دست دادن می تواند خود را در نگه داشتن سهامی که کمتر از قیمتی است که در ابتدا پرداخت کرده اید نشان دهد زیرا نمی خواهید ضرر کنید. این می تواند برای معامله گر آسیب رسان باشد، زیرا می تواند مانع از کاهش یک معامله زیانده شود، حتی اگر چشم اندازی برای چرخش نداشته باشد، در نتیجه منجر به زیان بیشتر شود (Synapsetrading).

چگونه یادگیری ماشین می تواند در این مورد کمک کند؟

با پیاده سازی ML در فرآیند سرمایه گذاری، مدیران دارایی اکنون می توانند سوگیری های سیستماتیک را با ترکیب مجموعه گسترده ای از منابع داده درباره تاریخچه معاملاتی یک فرد یا تیم، الگوهای ارتباطی، ویژگی های روان سنجی و شیوه های مدیریت زمان حذف کنند. همه اینها به شرکت ها اجازه می دهد تا محرک های عملکرد و علل ریشه ای رفتاری را در سطحی دقیق تر و فردی تر از قبل (مک کینزی) شناسایی کنند - به نمودار خلاصه زیر از McKinsey مراجعه کنید.

همچنین می توان از آن برای بازجویی از سابقه معاملاتی مدیران پرتفوی و تیم های تحلیلگر برای جستجوی الگوی نشان دهنده این سوگیری ها استفاده کرد. سپس افراد می توانند تصمیمات سرمایه گذاری متناسب با این الگوها را بررسی کنند و از ML برای بررسی سوگیری در هر سطح از فرآیند سرمایه گذاری استفاده کنند تا اطمینان حاصل شود که بهترین شیوه ها برآورده شده است (HBR).

با این وجود ، دو طرف سکه وجود دارد: الگوریتم های ML ممکن است خود تعصبات قابل توجهی حاصل از منابع داده مورد استفاده در فرآیند آموزش ، از کمبودهای خود الگوریتم ها یا متعلق به شخصی که در ابتدا آن الگوریتم ها را در وهله اول ساخته اند ، نشان دهند (HBR). با توجه به اینکه ویژگی ها و داده های مرتبط با آن برای آموزش الگوریتم ها توسط انسان طراحی و جمع آوری شده اند ، ممکن است تعصب فردی برای آموزش مدل ها به روش آماده سازی داده ها برسد. این بدان معناست که این مدل به دلیل عدم وجود ویژگی های کافی و مجموعه داده های مرتبط با استفاده از آن برای آموزش مدل ها در وهله اول ممکن است در ضبط نظم های اساسی موجود در مجموعه داده ها نتواند.

علاوه بر این ، تحقیقات کشف کرده اند که ، بدون قصد ، تصمیمات تجاری و اخلاقی بر اساس تعصبات عمیقاً ناچیز که در یادگیری ML مبهم است ، اتخاذ می شود. بر خلاف انسان ، الگوریتم ها مجهز هستند که آگاهانه با تعصبات آموخته شده مقابله کنند و پس از تصمیم گیری ، نمی توانند تعصبات معکوس را معکوس کنند ، به این معنی که مدل های ML که شامل تعصب هستند ، واقعاً می توانند تعصب را به روشی که خودآگاه باشد (IBM) تحریک کند. بنابراین ، تشخیص تعصب در این مدل ها و از بین بردن آنها تا حد امکان بسیار مهم است.

معرفی تعصب همیشه در هنگام ساخت یک مدل آشکار نیست ، زیرا ممکن است تا دیرتر تأثیرات پایین دست داده ها و انتخاب های خود را متوجه نشوید. این امر باعث می شود که به صورت برگشتی مشخص شود که این تعصب از بسیار دشوارتر (MIT) ناشی می شود. برای به حداقل رساندن تعصب ، ما باید بتوانیم انصاف را تعریف و اندازه گیری کنیم ، اما با توجه به تعاریف زیادی برای انصاف ، حتی از کجا شروع می کنیم؟علاوه بر این ، همچنین مشخص نیست که عدم وجود تعصب حتی باید به نظر برسد ، که فقط در علوم کامپیوتر صادق نیست. این سؤال دارای سابقه طولانی بحث در فلسفه ، علوم اجتماعی و قانون (مک کینزی) است و ما را به یک سؤال کاملاً مهم سوق می دهد ..

آیا ML در این مورد می تواند جایگزین انسان شود؟

اگرچه ML از پتانسیل عظیمی برای افزایش توانایی سرمایه گذاران برای یافتن سهام قدیمی برخوردار است ، اما انسان برای توسعه الگوریتم های مناسب و اجرای قضاوت سرمایه گذاری منصفانه (FT) لازم خواهد بود. ML با برخی محدودیت ها همراه است ، زیرا ممکن است تعصبات حاصل از داده های استفاده شده برای آموزش الگوریتم ها یا کوکرهای آماری در روش های آن باشد ، و برای تشخیص و محدود کردن این تعصبات ، شرکت ها به دانشمندان داده با استعداد و آموزش دیده نیاز دارند تا اطمینان حاصل کنند که از تصمیم پشتیبانی شده توسط ML استفاده می کنندساخت منصفانه است (مک کینزی).

همچنین مواردی وجود دارد که ML می تواند بین نقاط داده بدون درک مشخص از علت اصلی آنها ارتباط برقرار کند ، به این معنی که برخی از همبستگی ها ناچیز خواهند بود (FT). در این حالت ، یک انسان آموزش دیده برای قضاوت در مورد اینکه آیا این همبستگی ها معتبر هستند یا خیر ، لازم است. آیا اگر ناگهان میزان مرگ و میر شلیک شود ، مایل به سرمایه گذاری در سهام بستنی هستید؟یا ترجیح می دهید علت واقعی را درک کنید. (PS)

به گفته یک کارشناس ML در یک مدیر بزرگ سرمایه گذاری ایالات متحده ، تیم وی روزها را صرف ارزیابی اینکه آیا هر الگویی که توسط ML شناسایی شده است ، هر چهار آزمایش را ملاقات می کند: معقول ، پیش بینی کننده ، سازگار و افزودنی. سپس گزارش شد که حتی وقتی ML الگویی را پیدا می کند که هر چهار آزمایش را برآورده می کند ، اینها همیشه به راحتی در تصمیمات سرمایه گذاری سودآور قابل تبدیل نیستند ، که هنوز هم در نهایت به داوری حرفه ای (HBR) نیاز دارد ، در نهایت ضرورت نظارت انسانی این سیستم ها را نشان می دهدواد

شما می توانید بسیاری از مدل های ML را با ورودی تغذیه کرده و خروجی ها را رعایت کنید ، اما نحوه نقشه برداری آنها از ورودی ها به خروجی ها در مدل آموزش دیده پنهان می شود. مدل های قابل توضیح می توانند به روشن شدن چگونگی نتیجه گیری مدلهای ML به نتیجه گیری خود کمک کنند ، اما تا زمانی که این موارد عادی نباشد ، داشتن یک انسان در حلقه جایگزین است. بنابراین ، این بدان معنی است که مدل های سنتی ML برای زمان همراه با انسان بهتر هستند ، که می توانند نتایج مدل یادگیری ماشین را کنترل کنند و به آنها اجازه می دهد تا هنگام پخش الگوریتمی یا سایر مجموعه داده ها ، مشاهده کنند.

سوال واقعی این نیست که آیا ML جایگزین انسان ها در قلمرو سرمایه گذاری خواهد شد ، بلکه مهمتر از آن که چگونه ML و مدیران دارایی می توانند با هم همکاری کنند تا بتوانند به سرعت و به طور مداوم تصمیمات بهتری بگیرند (مک کینزی). در نهایت ، بهبود عملکرد سرمایه گذاری به عنوان یک هدف اصلی برای مدیران دارایی ادامه می یابد ، که به کمک توانایی ML در تجزیه و تحلیل سریع داده های مربوطه کمک می شود. از طریق این تجزیه و تحلیل خودکار از داده ها ، مدیران دارایی با محدود کردن تجزیه و تحلیل دستی داده ها ، می توانند هزینه های مدیریت را کاهش دهند و اساساً روند سازمان را از طریق حذف وظایف دستی بهبود بخشند.

این امر باعث می شود که مدیران دارایی از بینش های جدید و پیچیده پرده بردارند و به سرعت ارتباطاتی برقرار کنند که شناسایی یک انسان برای انسان غیرممکن باشد (زمان های فن آوری). به عنوان مثال ، ML می تواند با استفاده از قیمت های آنلاین میلیون ها مورد ، نرخ تورم در زمان واقعی را بدست آورد یا با تجزیه و تحلیل تصاویر ماهواره ای از مکان های خاص ، بازده کشاورزی را تخمین بزند ، که مدیران دارایی می توانند از آن برای آگاهی بهتر تصمیمات تجاری و سرمایه گذاری دارایی خود استفاده کنند (Fintech Times)واد

در حالی که هوش مصنوعی و ML در این زمینه مزایای عظیمی را برای سرمایه گذاران ارائه می دهند ، این احتمال وجود دارد که تصمیمات آن ممکن است بر اساس همبستگی باشد نه علیت ، همانطور که در این مقاله در ابتدا ارائه شده است. به همین دلیل ، ML و AI هنوز هم به یک درجه نظارت انسانی نیاز دارند تا یافته های آنها را متناسب کنند. در نهایت ، هوش مصنوعی به احتمال زیاد در این مورد جایگزین انسان نخواهد شد ، بلکه متخصصان را در بخش مدیریت دارایی تقویت می کند. شاید مدیران دارایی برگهایی را از کتاب کسپاروف بیرون بیاورند و یاد بگیرند که با الگوریتم ML و نه مانند Centaur Chess (wikipedia.com) همکاری کنند. به این ترتیب ، می توان گفت که هوش مصنوعی در حال افزایش کارهایی است که توسط انسان انجام می شود و به مدیران دارایی اجازه می دهد تصمیمات بهتری بگیرند و از تجزیه و تحلیل داده های مطمئن تر از گذشته نتیجه بگیرند.