اهمیت هوش‌مصنوعی و یادگیری‌ماشین در معامله‌گری و سرمایه‌گذاری

۱. اهمیت هوش‌مصنوعی و یادگیری‌ماشینی بر معامله‌گری از دیدگاه کلی

هوش مصنوعی فرایند جایگزینی انسان و ماشین را فراهم می‌کند. در ۱۹۸۰، محققان هوش مصنوعی بخش اصلی تمرکز خود را در سیستم‌های خبره و منطق فازی به کار می‌بردند. با گذشت زمان و ارزان شدن قدرت محاسباتی، استفاده از ماشین ها برای حل مسائل مقیاس-بزرگ بهینه‌سازی شکلی اقتصادی پیدا کرد. امروزه در نتیجه‌ی گسترش سخت افزار و نرم‌افزار، هوش‌مصنوعی در استفاده از شبکه‌های عصبی و دیگر روش‌هایی که برای شناسایی و آنالیز پیش‌بینی کننده(فاکتورها) به کار می‌رود، متمرکز است، این سیستم‌ها از لحاظ اقتصادی ارزنده اند و همینطور می‌توانند به عنوان کلاسیفایر(Classifiers) برای توسعه مدل‌های کارآمد استفاده شوند. این کاربرد از هوش مصنوعی با نام ‌یادگیری‌ماشینی(Machine Learning) شناخته می‌شود.

کاربرد روش‌های مبتنی بر هوش‌مصنوعی برای توسعه استراتژی‌های معاملاتی، چه در سرمایه‌گذاری‌های کوتاه مدت و چه در سرمایه‌گذاری‌های بلند مدت در حال گسترش و همه‌گیری است و چندین صندوق پوشش ریسک در این زمینه به صورت جدی فعالیت می‌کنند. اما پذیرش وسیع این تکنولوژی جدید به عوامل بسیاری بستگی دارد، از جمله مهم‌ترین آن‌ها این است که هوش‌مصنوعی نیازمند سرمایه‌گذاری روی ابزارهای این زمینه و استعداد‌ انسانی بسیاری دارد. بسیاری از صندوق‌ها از تحلیل‌های بنیادی استفاده می‌کنند و این حاصل از چیزی‌ است که مدیران صندوق در برنامه‌های مدیریت کسب‌وکار خود فرا گرفته‌اند. (درحال حاضر و پس از گذشت سه سال از انتشار این مقاله معاملات برپایه هوش‌مصنوعی بسیار بیشتر از قبل پیگیری می‌شوند و بسیاری از صندوق‌های پوشش ریسک در این زمینه فعالیت می‌کنند.) کاربردهای هوش مصنوعی در سطح خردِ معاملات در حال افزایش و پیگیری است اما هنوز گستره‌ی زیادی از معامله‌گران از روش‌های قرن بیستمی از جمله، تحلیل‌های تکنیکال سنتی و غیره به علت سادگی ‌آن‌ها در فراگیری و اجرا استفاده می‌کنند.

به خاطر داشته باشید که هوش مصنوعی و یادگیری‌ماشین تنها در توسعه استراتژی‌های معاملاتی نیست که کاربرد یافته‌اند بلکه در زمینه‌های دیگری هم مثل، توسعه الگوریتم‌های جستجوی نقدینگی(liquidity searching algos) و یا پیشنهاد پورتفولیو به کاربران استفاده می‌شوند. از این رو همانطور که کاربردهای هوش‌مصنوعی گسترده‌ می‌شود تعداد افرادی که مستقیماً درگیر تصمیم‌گیری در سرمایه‌گذاری و معامله‌گری هستند کاهش می‌یابد و این مسأله به طور مشهود در بازار‌ها و واکنش‌های قیمتی در آن‌ها تاثیر‌گذار است. هنوز زود است که به تاثیراتی که این تکنولوژی جدید در این صنعت دارد بپردازیم اما ممکن است که استفاده وسیع در هوش‌مصنوعی به کارا تر شدن بازارها و کاهش نوسان در دوره‌های زمانی بلند مدت بیانجامد، و تنها در زمان‌های چرخش جریانی بازار شاهد نوسان‌های کوتاه و پر عمق باشیم. و این مقوله امری امکان‌پذیر است چون تاثیرات ارزیابی‌های انسانی کاهش می‌یابد و این مستقیما بر نوسان و نویز بازار تأثیر می‌گذارد. اما در انتظاریم که این نتیجه را زمان اثبات کند!

۲. اهمیت هوش مصنوعی و یادگیری‌ماشین در تولید بهره‌وری

در میانه‌ی فاز ابتدایی تطابق هوش‌مصنوعی با این صنعت، فرصتی است برای آن‌هایی که این مقوله را درک می‌کنند و می‌دانند ریسک‌هایش را چگونه مدیریت کنند. یک مشکل با استراتژی‌های معاملاتی بر اساس هوش‌مصنوعی این است که آن‌ها می‌توانند مدلی ارائه دهند که حتی از مدل‌های تصادفی هم بدتر باشند. بگذارید منظورم را با یک مثال توضیح دهم:‌ روش تحلیل تکنیکال سنتی یک روش بدون بازده برای معامله است چون استراتژی‌ها بر اساس الگوهایی نموداری و اندیکاتورهایی که ترسیم می‌شود در یک توزیع با میانگین صفر (پیش از کسر هیچ هزینه تراکنشی) بازده خود را به دست می‌آورند. همیشه معامله گرانی هستند که در دم راست این توزیع نرمال بازدهی هستند و این احساس اشتباه به تکنیکالیست‌ها دست می‌دهد که این روش ها‌ بازدهی بالایی دارد. تحقیقات من نشان می‌دهد در بازارهای مالی، به خصوص بازارهای آتی و فارکس، دست‌یابی به بازدهی بلند مدت بدون توجه به شیوه‌ای که استفاده می‌شود، بسیار سخت است، چون اساساً این بازارها به منظور سودآوری برای سازنده‌ها و گردانندگانش طراحی شده است. با این حال در بازه‌های زمانی کوتاه ممکن است بعضی معامله‌گران به یاری بخت و اقبال به سودهای بسیار بالا در بازارهای اهرم دار برسند.

با هوش‌مصنوعی و یادگیری‌ماشین، آثار اضافه‌تری نیز وجود دارد، مثل Bias-variance trade-off.
جهت‌گیری(Bias) در داده‌کاوی نیز می‌تواند در استراتژی‌ای که با داده‌های گذشته فرامنطبق(Over-fitted) شده اثرگذار باشد اما با ورود داده‌های جدید به سرعت استراتژی شکست می‌خورد، یا این‌که استراتژی‌ها به قدری ساده‌اند که به سیگنال‌های مهمی که در داده‌ها وجود دارد توجه نمی‌کنند. نتیجه این ترید آف چیزی بدتر از استراتژی تصادفی است و منحنی توزیع سود را حتی قبل از اعمال هزینه‌های تراکنش و معامله به سمت ضرردهی جابه‌جا می‌کند.

همچنین دوست دارم به تصوری غلط در این زمینه اشاره‌ای داشته باشم:‌ بعضی افراد بر این باورند که ارزندگی معاملات بر پایه هوش‌مصنوعی در استفاده از الگوریتم‌ها یادگیری‌ماشین است و این تصوری غلط است. درست این است که ارزش این کار به استفاده از فاکتورهای پیش‌بینی کننده است. الگوریتم‌های ماشینی قادر به یافتن طلا در جایی که چیزی وجود ندارد نیستند. مسئله ما این است متخصصان یادگیری‌ماشین با فاکتورهای مشابه سعی در توسعه و ساختن مدل‌هایی با شیوه‌های تکراری دارند تا به بهترین نتیجه دست یابند. این فرایند با جهت‌گیری در داده‌کاوی(Data-mining bias) کامل می‌شود و در نهایت منجر به شکست می‌شود. تحقیقات من در این زمینه نشان می‌دهد اگر یک کلاسیفایر ساده، مثل رگرسیون لجستیک باینری، با مجموعه‌ای از فاکتورها استفاده کنیم و عملکرد رضایت بخشی نداشته باشد، به احتمال قوی این مدل فاقد ارزش است. از این رو، موفقیت بسته به چیزی است که ما آن را مهندسی فاکتور(feature engineering) می‌نامیم، و این توامان هنر و علمی‌ است که نیاز به دانش، تجربه و ابتکار دارد تا بتوانیم ویژگی‌هایی(‌فاکتورهایی) را انتخاب کنیم که ارزشمندند. و تنها کمی از حرفه‌ای‌ها می‌توانند این را انجام دهند.

۳. اهمیت هوش‌مصنوعی و یادگیری‌ماشین در تحلیل تکنیکال

باید میان تحلیل تکنیکال سنتی و همتای الگوریتمی آن‌ تفاوت قائل شویم چون تمامی روش‌هایی که وابسته به تحلیل سری‌های قیمت و حجم معاملاتی هستند در این موضوع جای‌ می‌گیرند. تحلیل‌های تکنیکال سنتی، به طور مثال، الگوهایی نموداری، برخی اندیکاتورها، تئوری‌های واکنش قیمتی(Price action) و غیره برای شروع کارآمد نیستند. علیرغم چند تلاش ناتمام در مقیاس کوچک، ناشران با روش‌هایی مشتری جذب می‌کنند که هیچ‌گاه آمار بلند-مدتی از بازدهی روششان ارائه نمی‌دهند اما وعده می‌دهند که با به‌کار‌گیری روششان پتانسیل سودآوری وجود دارد. از آنجایی که سودها و ضررها در بازار از یک توزیع آماری تبعیت می‌کنند، همیشه افرادی هستند که اقبالشان را به این روش‌ها نسبت داده‌اند. و در عین‌حال، صنعتی بر پایه این روش‌ها شکل گرفت تنها بخاطر اینکه یادگیریشان ساده بود. متاسفانه، بسیاری فکر می‌کنند می‌توانند با به‌کارگیری هرچه بهتر و دقیق‌تر این روش‌ها که دیگران هم می‌دانند می‌توانند سودآوری داشته باشند و در نتیجه حجم بزرگی از سرمایه از جیب این معامله‌گران به گردانندگان بازار، بازارسازان و افراد با تجربه و مطلع منتقل می‌شود.

اوایل سال ۱۹۹۰ میلادی، یک متخصص بازار متوجه شد که تعداد زیادی از معامله‌گران خرد با استفاده از روش‌های ساده و بی‌تکلف برای معامله استفاده می‌کنند. برخی الگوریتم‌ها و سیستم‌های خبره هوش‌مصنوعی را گسترش داده تا آرایش بازار را تشخیص دهند و طبق آن‌ها وارد معامله شوند این مساله باعث می‌شوند نوسان بازار بر آن‌ها چیرگی پیدا نکند. در نگاهی عمیق‌تر، شکست تحلیل‌های تکنیکال سنتی می‌تواند به خاطر همبستگی‌ زیادی باشد که میان بازارها از آن زمان شکل گرفت و این همبستگی این احساس نادرست را که راهبردهای تکنیکال کار میکنند را از بین برد.

امروزه، به استثنای مواردی، بازارها به صورت بازگشت به میانگین(Mean-reverting) هستند و فضایی برای کارکرد تحلیل‌های تکنیکال ساده باقی نمی‌گذارد. با این حال برخی از معاملات الگوریتمی با پایه تکنیکال به خوبی کار می‌کنند، مثل مدل‌های Mean-reversion و Statistical arbitrage به ضمیمه‌ی الگوریتم‌های یادگیری‌ماشین که فاکتورهای با ارزشی را به کار می‌گیرند تا به تحلیل قابل اتکایی نسبت به بازار دست‌ یابند.

به عقیده من، مشاهده بازار و نگاه کردن به نمودارها دیگر منسوخ شده. آینده معاملات در پردازش اطلاعات، توسعه و اعتبارسنجی مدل‌ها بصورت برخط است. صندوق‌های پوشش ریسک در آینده دیگر متکی به آنالیزهای نموداری نیستند. البته ممکن است برخی هنوز به روش‌های سنتی پای‌بند بمانند. ولی برای بسیاری از معامله‌گران که با هوش‌مصنوعی آشنا نیستند سخت است که در آینده بتوانند در میدان رقابت باقی بمانند و حذف نشوند.

۴. برندگان و بازندگان تکنولوژی جدید معامله‌گری

کاربرد‌های هوش‌مصنوعی معامله‌گری را از جنبه‌های مختلفی تغییر می‌دهد و این اتفاق ناگریز است. سرمایه‌گذاران به زودی متوجه می‌شوند پس از همه‌گیر شدن این تکنولوژی سود‌های میان مدت بسیار کمتری از انتظاراتشان خواهند برد. و اگر این سناریو تحقق یابد سرمایه‌گذاران برمی‌گردند به این روش قدیمی که افرادی را پیدا کنند تا به آن‌ها سبد‌های سرمایه و اوراق بهادار مختلفی پیشنهاد دهند و برخی از این افراد برنامه‌های مبتنی بر هوش‌مصنوعی خواهند بود و این اتفاق به صورت آنلاین اجرا می‌شود (در حال حاضر و پس از گذشت سه سال از این نوشته پلتفرم‌ها و به اصطلاح ربات‌های معامله‌گر بسیاری در اینترنت حضور دارند و سبد گردانی توسط آن‌ها انجام می‌گیرد.)

معامله‌گران باید با این تکنولوژی جدید آشنا شوند. بسیاری از معامله‌گران هنوز به روش‌های تکیه زده‌اند و امیدوارند برای سال‌های سال بتوانند کسب سود کنند!

منابع بسیار خوبی در رابطه با هوش‌مصنوعی و یادگیری ماشینی در معامله‌گری در اینترنت موجود است و بهترین روش برای یادگیری، تلاش برای حل کردن چند نمونه عملی است. اما من باور دارم گذر از این لبه تکنولوژی برای بسیاری از معامله‌گران امکان نخواهد داشت. ترکیب این مهارت‌ها نیازمند فهمیدن هوش‌مصنوعی و پیاده سازی‌ قوانین آن است و بیش از ۹۵٪ از معامله‌گران کارشان نگاه کردن به نمودار و کشیدن چند خط و رسم میانگین‌های متحرک بیشتر نیست.

سرمایه گذاران نیز بایست خودشان بتوانند تحقیق کنند و در نتیجه آن فردی را انتخاب کنند که آشنا به توسعه ابزارهای جدید است. هر سرمایه گذاری مقدار پذیرش ریسک خاصی برای سبد خود دارد و این کار را برای اینکه اینکه یک توصیه عمومی داشته باشم سخت می‌کند. ما شاهد ازدیاد ربات‌ها خواهیم بود و انتخاب میان آن ها یک فرایند چالشی خواهد بود.

مقاله اصلی از Michael Harris

لطف شماست که در صورت هرگونه کاستی در محتوا یا برای ارائه پیشنهادها با من در ارتباط باشید.

ترجمه از محمد مسعودی - گروه مالی صدرا