2010 m. gegužės 6-ąją, per 36 minutes, JAV akcijų rinka prarado beveik trilijoną dolerių vertės. Dow Jones indeksas nukrito 1 000 punktų ir vėl atsigavo maždaug per pusvalandį. Priežastis? Algoritmas, kuris automatiškai vykdė pardavimo pavedimus ir sukėlė grandininę reakciją tarp kitų algoritmų. Tą dieną pasaulis pamatė, kokią galią turi dirbtinis intelektas finansų rinkose, ir kartu suprato, koks jis gali būti pavojingas.
Nuo tos dienos praėjo daugiau nei penkiolika metų. Per tą laiką AI sistemos tapo nepalyginamai galingesnės. Jos analizuoja palydovinius vaizdus, skaito naujienų antraštes, stebi socialinių tinklų nuotaikas ir priima sprendimus per mikrosekundes. Pagal įvairius vertinimus, algoritmų prekyba šiandien sudaro apie 60–75% visos JAV akcijų rinkos prekybos apimties.
Šiame straipsnyje paaiškinsime, kaip dirbtinis intelektas veikia finansų rinkose, kokias strategijas naudoja algoritmai, ar jie tikrai pranašesni už žmones ir kokias rizikas kuria ši technologinė revoliucija.
Kas yra algoritmų prekyba ir kaip ji atsirado
Algoritmų prekyba (angl. algorithmic trading) yra procesas, kai kompiuterinės programos automatiškai priima sprendimus pirkti ar parduoti finansinius instrumentus pagal iš anksto nustatytas taisykles arba pagal realiu laiku besimokančius modelius.
Ši idėja nėra nauja. Pirmieji elektroninės prekybos bandymai prasidėjo dar 1970-aisiais, kai Niujorko vertybinių popierių birža (NYSE) pradėjo naudoti DOT (Designated Order Turnaround) sistemą automatiniam pavedimų nukreipimui. Bet tikras proveržis įvyko dviem etapais.
Pirmasis etapas (1990–2005 m.): taisyklėmis pagrįsti algoritmai. Prekybininkai programavo aiškias sąlygas: „Jei akcijos kaina nukrenta 5% per valandą, pirk. Jei pakyla 3%, parduok.” Šios programos buvo paprastos, bet jau tada veikė greičiau ir disciplinuočiau nei žmogus.
Antrasis etapas (2005 m. – dabar): mašininio mokymosi era. Algoritmai nebėra tik taisyklių rinkiniai. Jie patys mokosi iš duomenų, atpažįsta šablonus, kurių žmogus niekada nepamatytų, ir adaptuojasi prie besikeičiančių rinkos sąlygų. Šiuolaikiniai AI modeliai gali apdoroti tekstą, vaizdus, garso įrašus ir struktūruotus duomenis vienu metu, kurdami daugiasluoksnį rinkos vaizdą.
Kaip dirbtinis intelektas prekiauja: pagrindinės strategijos
AI prekybos sistemos naudoja dešimtis skirtingų strategijų. Štai svarbiausios iš jų, paaiškintos suprantamais žodžiais.
Aukšto dažnio prekyba (HFT)
Aukšto dažnio prekyba (angl. High-Frequency Trading, HFT) yra greičio karas. Šios sistemos atlieka tūkstančius ar net milijonus sandorių per dieną, laikydamos pozicijas nuo kelių mikrosekundžių iki kelių sekundžių.
Kaip tai veikia praktiškai? Įsivaizduokite, kad „Apple” akcija vienoje biržoje kainuoja 200,01 USD, o kitoje, 200,00 USD. Skirtumas tik 1 centas, bet jei algoritmas per mikrosekundę nuperka 100 000 akcijų pigiau ir parduoda brangiau, jis uždirba 1 000 USD. Tokios galimybės atsiranda ir dingsta per milisekundes, ir tik algoritmas gali jomis pasinaudoti.
HFT kompanijos investuoja šimtus milijonų dolerių į infrastruktūrą:
- Serverių vieta. HFT firmos moka biržoms už teisę laikyti savo serverius fiziškai šalia biržos serverių (vadinamoji co-location). Keli metrai kabelio gali lemti kelias mikrosekundes, o tai gali būti skirtumas tarp pelno ir nuostolio.
- Specialūs kabeliai. 2010 m. kompanija „Spread Networks” nutiesė tiesų šviesolaidinį kabelį tarp Čikagos ir Niujorko biržų, sutrumpindama signalo laiką nuo 17 iki 13 milisekundžių. Vien tos 4 milisekundės buvo vertos 300 mln. USD investicijos.
- Mikrobangų bokštai. Kai kurios HFT firmos net naudoja mikrobangų ryšio bokštus, nes mikrobangos keliauja greičiau nei šviesa optiniame kabelyje (kadangi keliauja tiesia linija per orą, o ne vingiuotu kabeliu po žeme).
Sentimentų analizė (NLP prekyba)
Viena iš labiausiai stulbinančių AI pritaikymų finansuose yra natūralios kalbos apdorojimas (NLP). Šie algoritmai skaito ir „supranta” tekstą: naujienų straipsnius, įmonių ataskaitas, centrinio banko pareiškimus, socialinių tinklų įrašus ir net transkribuotus vadovų pokalbius per pajamų konferencijas.
Kaip tai veikia:
- Duomenų surinkimas. AI sistema realiu laiku stebi tūkstančius naujienų šaltinių, „Twitter” (X) įrašus, „Reddit” diskusijas, „Bloomberg” terminalą ir kitus kanalus.
- Teksto analizė. Algoritmas nustato, ar žinutė yra pozityvi, negatyvi ar neutrali konkrečios akcijos ar rinkos atžvilgiu. Jis atpažįsta niuansus: „rezultatai viršijo lūkesčius, bet vadovybė pateikė atsargią prognozę” bus interpretuota kitaip nei „rezultatai viršijo lūkesčius ir vadovybė pakėlė prognozę”.
- Signalas prekybai. Jei AI nustato stiprų sentimento pokytį, jis automatiškai atlieka sandorį dar prieš tai, kai dauguma žmonių spėja perskaityti naujienų antraštę.
Realus pavyzdys: 2013 m. „Associated Press” Twitter paskyra buvo nulaužta, ir buvo paskelbta melagingas pranešimas apie sprogimus Baltųjų rūmų aplinkoje. Per 3 minutes algoritmų sistemos perskaitė žinutę, įvertino ją kaip itin negatyvią ir pradėjo masiškai pardavinėti akcijas. Dow Jones indeksas nukrito 150 punktų per kelias sekundes. Kai paaiškėjo, kad žinutė buvo melaginga, rinka atsigavo. Bet šis incidentas parodė, kaip greitai ir kaip aklai algoritmai gali reaguoti į informaciją.
Mašininio mokymosi strategijos
Šiuolaikiniai AI prekybos modeliai naudoja giluminio mokymosi (deep learning) technologijas, kurios gali atpažinti dėsningumus duomenyse, nepastebimus žmogaus akiai.
Šablonų atpažinimas. AI analizuoja istorinius kainų grafikus ir atpažįsta pasikartojančius šablonus. Tai panašu į techninę analizę, kurią naudoja žmonės prekybininkai, bet AI tai daro daug greičiau, tiksliau ir su daug daugiau duomenų.
Alternatyvūs duomenys. Moderniausios AI sistemos naudoja duomenis, apie kuriuos dauguma investuotojų net nepagalvoja:
- Palydoviniai vaizdai. AI skaičiuoja automobilius prekybos centrų aikštelėse, kad nuspėtų mažmeninės prekybos įmonių pajamas dar prieš oficialias ataskaitas.
- Laivų sekimas. AIS (automatinė identifikavimo sistema) duomenys leidžia stebėti prekių srautus pasaulyje ir nuspėti tiekimo grandinių sutrikimus.
- Interneto srautas. Kiek žmonių lankosi konkrečios įmonės svetainėje? Ar tas skaičius auga? Tai gali atskleisti augantį vartotojų susidomėjimą anksčiau nei oficialūs pardavimų duomenys.
- Darbo skelbimai. Jei įmonė staiga pradeda masiškai ieškoti inžinierių naujame mieste, tai gali signalizuoti apie planuojamą plėtrą.
Reinforcement learning (mokymasis per stiprinimą). Šis metodas leidžia AI mokytis iš savo pačio patirties, tarsi žaistų žaidimą. Algoritmas atlieka sandorius simuliuotoje aplinkoje, gauna „atlygį” už pelningus sprendimus ir „baudas” už nuostolingus, ir laikui bėgant tobulina savo strategiją.
Statistinio arbitražo strategijos
Statistinis arbitražas (stat arb) yra strategija, kai AI ieško kainų nukrypimų tarp susijusių finansinių instrumentų. Pavyzdžiui, jei dvi naftos kompanijos istoriškai juda panašiai, bet staiga viena nukrenta, o kita ne, algoritmas gali nuspręsti, kad nukentėjusi kompanija yra nepagrįstai nuvertinta (arba kita yra pervertinta) ir atlikti atitinkamus sandorius.
AI tai daro su šimtais ar tūkstančiais instrumentų vienu metu, stebėdamas daugialypius ryšius, kuriuos žmogus fiziškai nesugebėtų sekti.
Kur AI jau nugali žmones
Yra sričių, kur algoritmai turi neginčijamą pranašumą prieš žmogų prekybininką.
Greitis ir apimtis
Žmogus gali analizuoti gal 10–20 akcijų vienu metu ir priimti kelis sprendimus per minutę. AI sistema gali stebėti tūkstančius instrumentų vienu metu ir atlikti tūkstančius sandorių per sekundę. Šis greičio skirtumas yra kelios eilės didesnio masto.
Kai „Tesla” skelbia ketvirtinius rezultatus, AI sistema gali:
- Perskaityti visą ataskaitą per milisekundes
- Palyginti rezultatus su analitikų lūkesčiais
- Įvertinti vadovybės komentarų toną
- Priimti prekybos sprendimą
- Įvykdyti pavedimą
…visa tai per mažiau nei sekundę nuo ataskaitos paskelbimo. Žmogus per tą laiką nespėtų net atidaryti dokumento.
Emocijų nebuvimas
Vienas didžiausių AI privalumų yra tai, kad jis nejaučia baimės, godumo ar panikos. Elgsenos finansų tyrimai rodo, kad žmonės daro sistemines klaidas:
- Nuostolių baimė (loss aversion). Žmonės jaučia nuostolio skausmą maždaug 2,5 karto stipriau nei pelno džiaugsmą. Dėl to jie per ilgai laiko nuostolingas pozicijas, tikėdamiesi, kad rinka atsigaus, ir per greitai parduoda pelningas, bijodami prarasti uždirbtą pelną.
- Bandos efektas. Kai visi aplinkiniai perka, žmogui sunku likti nuošalyje. Kai visi parduoda, baimė verčia daryti tą patį. Algoritmas nepasiduoda socialiniam spaudimui.
- Pasitikėjimo klaida (overconfidence bias). Po kelių sėkmingų sandorių žmonės pradeda tikėti, kad jie „jaučia rinką”, ir pradeda rizikuoti daugiau nei turėtų. AI sistema vertina kiekvieną sandorį pagal tuos pačius kriterijus, nepriklausomai nuo ankstesnių rezultatų.
- Naujausia informacija (recency bias). Žmonės linkę pervertinti naujausius įvykius ir nepakankamai atsižvelgti į ilgalaikes tendencijas. AI gali analizuoti dešimtmečių duomenis su vienodu svoriu.
Duomenų apdorojimo pajėgumai
Žmogus gali perskaityti kelias finansines ataskaitas per dieną. AI sistema per tą patį laiką gali apdoroti:
- Tūkstančius įmonių finansinių ataskaitų
- Milijonus naujienų straipsnių
- Šimtus tūkstančių socialinių tinklų įrašų
- Palydovinius vaizdus iš viso pasaulio
- Realaus laiko ekonominius rodiklius iš dešimčių šalių
Ši duomenų apimtis leidžia AI matyti ryšius ir tendencijas, kurie žmogui tiesiog neprieinami.
Kur žmonės vis dar pranašesni
Nepaisant visų AI pranašumų, yra sričių, kur žmogaus intelektas išlieka nepakeičiamas.
Retų įvykių interpretavimas
AI sistemų silpnybė yra vadinamieji „juodosios gulbės” įvykiai, neįprasti, nenumatyti ir be precedento. COVID-19 pandemija yra puikus pavyzdys: joks istoriniais duomenimis apmokytas algoritmas negalėjo numatyti, kaip pasaulinė pandemija paveiks rinkas, nes tokio įvykio precedento nebuvo.
2020 m. kovą, kai rinkos griuvo, daugelis algoritmų prekybos sistemų buvo išjungtos rankiniu būdu, nes jų modeliai tiesiog neatitiko tikrovės. Žmonės prekybininkai, nors ir patyrę stresą, galėjo interpretuoti situaciją, įvertinti valdžios reakciją ir priimti sprendimus, pagrįstus logika, ne tik istoriniais šablonais.
Konteksto supratimas
AI gerai apdoroja skaičius ir atpažįsta šablonus, bet jam sunku suprasti gilesnį kontekstą. Pavyzdžiui:
- Kai politinis lyderis pasako dviprasmę frazę, žmogus gali suprasti tikrąją jos reikšmę iš konteksto, balso tono ir kūno kalbos. AI gali šią frazę interpretuoti pažodžiui ir padaryti neteisingą prekybos sprendimą.
- Kai įmonės vadovas konferencijoje atsako į klausimą nervingai, patyręs analitikas gali nuspėti, kad yra problemų, kurių vadovas nenori atskleisti. AI ši subtilybė gali likti nepastebėta.
- Geopolitiniai pokyčiai dažnai vyksta per ilgą laiką ir turi daugybę niuansų, kuriuos sunku užkoduoti algoritmui.
Ilgalaikis strateginis mąstymas
Didžiausi pasaulio investuotojai, tokie kaip Warren Buffett, pasižymi gebėjimu matyti ilgalaikę įmonės vertę, nepaisant trumpalaikių rinkos svyravimų. Ši intuicija, paremta dešimtmečių patirtimi ir giliu verslo supratimo, yra sunku, o gal ir neįmanoma, algoritmizuoti.
Buffett kartą pasakė: „Aš niekada nebandau uždirbti pinigų biržoje. Aš perku darant prielaidą, kad jie gali uždaryti rinką kitą dieną ir neatidaryti penkerius metus.” Šis požiūris reikalauja gilaus supratimo apie verslo esmę, o ne tik apie kainų šablonus.
Etinis sprendimų priėmimas
Kai AI algoritmas aptinka galimybę, kuri techniškai yra legali, bet etiškai abejotina (pvz., rinkos manipuliacija per didelius pavedimus, kurie vėliau atšaukiami), jis neturi moralinio kompaso. Žmogus prekybininkas (bent jau atsakingas) gali įvertinti ne tik pelningumą, bet ir reputacinę bei teisinę riziką.
Didžiausios AI prekybos nesėkmės
AI prekybos istorija nėra vien sėkmės pasakojimai. Buvo momentų, kai algoritmai sukėlė rimtą žalą.
Flash Crash (2010 m. gegužės 6 d.)
Jau minėtas „Flash Crash” yra bene garsiausia algoritmų sukelta krizė. Automatinio pardavimo algoritmas, paleistas bendrovės „Waddell & Reed”, pardavė 75 000 E-mini S&P 500 ateities sandorių per 20 minučių. Kiti algoritmai interpretavo šį masyvų pardavimą kaip signalą, kad kažkas labai blogai, ir patys pradėjo pardavinėti. Rezultatas: grandininė reakcija, kuri per minutes sunaikino beveik trilijoną dolerių rinkos vertės.
Knight Capital katastrofa (2012 m.)
2012 m. rugpjūčio 1 d., rinkos formavimo firma „Knight Capital” paleido naują prekybos algoritmą su kodo klaida. Per 45 minutes algoritmas atliko pavedimus, kurie kompanijai kainavo 440 mln. USD nuostolių. Kompanija, turėjusi 400 mln. USD kapitalą, tapo nemoki per nespėjus nė valandai. Visa tai dėl vienos programavimo klaidos.
Kriptovaliutų rinkos žlugimai
Kriptovaliutų rinkose, kur reguliavimas yra mažesnis, algoritmų sukeltų krizių buvo dar daugiau. 2021 m. gegužės 19 d. Bitcoin kaina nukrito nuo maždaug 43 000 USD iki 30 000 USD per kelias valandas. Didžiulė dalis šio kritimo buvo sustiprinta automatinių likvidavimo algoritmų, kurie pardavinėjo pozicijas, kai kainos krito žemiau užstato ribų, sukeldami dar didesnį kritimą ir dar daugiau likvidavimų.
Automatinių strategijų „perpildymas” (Crowded Trades)
2007 m. rugpjūtį „quant” (kiekybinės prekybos) fondai patyrė vadinamąjį „Quant Meltdown”. Daugelis fondų naudojo panašias strategijas, paremtas tais pačiais istoriniais šablonais. Kai vienas fondas pradėjo pardavinėti pozicijas (dėl nesusijusių priežasčių), kiti algoritmai, turintys panašias pozicijas, pradėjo daryti tą patį. Rezultatas: kelių dienų nuostoliai, kurie privertė kai kuriuos fondus uždaryti.
Ši pamoka yra itin svarbi: kai per daug algoritmų naudoja tą pačią strategiją, jie tampa pažeidžiami vienu metu.
AI investavimas paprastam žmogui: robo-patarėjai
Dirbtinis intelektas finansuose nėra tik didelių fondų privilegija. Pastarąjį dešimtmetį atsirado vadinamieji robo-patarėjai (robo-advisors), tai automatizuotos investavimo platformos, skirtos eiliniams investuotojams.
Kaip veikia robo-patarėjai
- Anketa. Užsiregistruojate ir atsakote į klausimus apie savo finansinius tikslus, rizikos toleranciją, investavimo laikotarpį ir finansinę situaciją.
- Portfelio sudarymas. AI algoritmas, remdamasis jūsų atsakymais, sukuria diversifikuotą investicinį portfelį, paprastai sudarytą iš biržoje prekiaujamų fondų (ETF).
- Automatinis perbalansvimas. Kai rinkos pokyčiai iškreipia jūsų portfelio struktūrą (pvz., akcijos pakyla ir sudaro didesnę dalį nei planuota), algoritmas automatiškai perbalansavo portfelį.
- Mokestinė optimizacija. Kai kurie robo-patarėjai naudoja „tax-loss harvesting” strategiją, parduodami nuostolingas pozicijas dėl mokestinių lengvatų.
Populiariausi robo-patarėjai
- Wealthfront ir Betterment (JAV) yra du didžiausi robo-patarėjų žaidėjai, valdantys dešimtis milijardų dolerių.
- Scalable Capital ir ETFmatic siūlo paslaugas Europos vartotojams.
- Revolut ir Trading 212, populiarūs Lietuvoje, naudoja AI elementus portfelio rekomendacijoms.
Robo-patarėjų mokesčiai paprastai svyruoja nuo 0,25% iki 0,50% per metus, kas yra gerokai mažiau nei tradicinio finansų patarėjo 1–2% mokestis.
Ar robo-patarėjai veikia?
Tyrimai rodo mišrius rezultatus. Robo-patarėjai gerai veikia stabiliais rinkos laikotarpiais, kai diversifikacija ir disciplina duoda rezultatų. Bet per rinkos krizes jų modeliai ne visada prisitaiko pakankamai greitai.
Pagrindinis robo-patarėjų privalumas nėra „nugalėti rinką”. Jis yra kitas: priversti žmones investuoti disciplinuotai, nuosekliai ir su mažais mokesčiais. Dauguma tyrimų rodo, kad vidutinis investuotojas prastai pasirodytų rinkoje ne dėl blogos strategijos, o dėl emocinių klaidų: perkama per brangiai iš godumo, parduodama per pigiai iš panikos. Robo-patarėjas eliminuoja šį žmogiškąjį faktorių.
AI ir rinkos manipuliacija: tamsioji pusė
Dirbtinio intelekto galimybės finansų rinkose atveria duris ir piktnaudžiavimui.
Spoofing ir layering
Spoofing yra strategija, kai prekybininkas (ar algoritmas) pateikia didelius pavedimus, kurių neketina įvykdyti, kad sukurtų klaidingą pasiūlos ar paklausos įspūdį. Kai kiti rinkos dalyviai reaguoja, algoritmas atšaukia savo fiktyvius pavedimus ir pasinaudoja sukurtu kainų judėjimu.
AI padaro šią manipuliaciją dar rafinuotesnę: algoritmas gali skaidyti savo veiksmus į tūkstančius mažų pavedimų, kad būtų sunkiau juos aptikti, ir adaptuotis, kai reguliatoriai pradeda tirti tam tikrus šablonus.
Front-running
Kai AI sistema aptinka, kad didelis institucinis investuotojas rengiasi pirkti didelį kiekį akcijų (pagal pavedimų knygos šablonus), ji gali „pralenkti” tą pavedimą, nupirkdama akcijas sekundės dalimis anksčiau ir pardavusi jas instituciniam investuotojui brangiau. Tai yra teisiškai draudžiama, bet technologiškai sunkiai aptinkama.
Deepfake ir melagingos naujienos
Naujausia grėsmė yra AI sugeneruotas turinys, kuris gali sukelti rinkos reakciją. 2023 m. buvo užfiksuotas atvejis, kai AI sugeneruotas Pentagono sprogimo vaizdas paplito socialiniuose tinkluose ir trumpam sukėlė rinkos nestabilumą. Kadangi AI prekybos sistemos skaito naujienų srautą ir reaguoja automatiškai, deepfake turinys tampa reali finansinė grėsmė.
Reguliavimo iššūkiai
Reguliatoriai visame pasaulyje stengiasi neatsilikti nuo AI prekybos technologijų, bet tai nėra lengva.
Dabartinė reguliavimo padėtis
- JAV. SEC (Vertybinių popierių ir biržų komisija) ir CFTC (Prekių ateities sandorių prekybos komisija) reikalauja, kad algoritmų prekybos firmos turėtų rizikos valdymo sistemas ir „kill switches” (avarinį sustabdymą). Po 2010 m. „Flash Crash” buvo įvestas „circuit breaker” mechanizmas, kuris sustabdo prekybą, jei kainos per greitai krinta.
- ES. MiFID II direktyva reikalauja, kad algoritmų prekybos firmos registruotų visus savo algoritmus, turėtų testavimo procedūras ir galėtų bet kada paaiškinti savo algoritmų logiką reguliatoriams.
- Kinija. Po 2015 m. akcijų rinkos krizės Kinija įvedė griežtus apribojimus algoritmų prekybai, įskaitant draudimą tam tikroms HFT strategijoms.
Problemos su reguliavimu
„Juodosios dėžės” problema. Daugelis šiuolaikinių AI modelių, ypač giluminio mokymosi, yra vadinamosios „juodosios dėžės”. Net jų kūrėjai ne visada gali paaiškinti, kodėl modelis priėmė konkretų sprendimą. Kaip reguliatorius gali tikrinti sistemą, kurios logikos nesuprantą net jos kūrėjas?
Greičio problema. Reguliatoriai tiria rinkos įvykius savaitėmis ar mėnesiais. Algoritmai sukuria ir sunaikina krizes per minutes. Šis greičio neatitikimas reiškia, kad reguliavimas dažnai yra reaktyvus (atsakas į jau įvykusią krizę), o ne prevencinis.
Jurisdikcijos problema. AI prekybos firma gali būti registruota vienoje šalyje, turėti serverius kitoje ir prekiauti trečioje. Kurios šalies reguliavimas taikomas?
AI investavimo fondų rezultatai: ką rodo skaičiai
Ar AI fondai tikrai uždirba daugiau nei tradiciniai? Atsakymas nėra paprastas.
Sėkmės pavyzdžiai
- Renaissance Technologies Medallion Fund. Šis Jim Simons įkurtas fondas yra bene garsiausia sėkmės istorija. Nuo 1988 m. iki 2018 m. fondas generavo apie 66% metinę grąžą prieš mokesčius (39% po mokesčių). Fondas naudoja sudėtingus matematinius modelius ir yra uždarytas išoriniams investuotojams nuo 2005 m.
- Two Sigma. Niujorke įsikūręs fondas, valdantis daugiau nei 60 mlrd. USD, naudoja mašininį mokymąsi ir distribucinius skaičiavimus prekybos strategijoms kurti.
- DE Shaw. Dar vienas kiekybinis fondas, žinomas dėl AI ir technologijų pritaikymo finansų rinkose.
Nesėkmių pavyzdžiai
- AI Powered Equity ETF (AIEQ). Šis viešai prieinamas ETF, naudojantis IBM Watson AI, nuo savo paleidimo 2017 m. prastai pasirodė, palyginti su S&P 500 indeksu. Tai parodė, kad vien AI etikete nepakanka sėkmei.
- Sentient Technologies. Hedžinis fondas, naudojęs evoliucinius algoritmus, buvo uždarytas 2018 m. po prastų rezultatų.
Ką rodo tyrimai
Akademiniai tyrimai rodo, kad vidutinis algoritmų prekybos fondas neperžengia rinkos indekso po mokesčių. Tai nereiškia, kad AI neveikia. Tai reiškia, kad:
- Geriausi AI fondai yra neprieinami eiliniams investuotojams (kaip Medallion).
- Kai AI strategija tampa žinoma ir plačiai naudojama, jos pelningumas mažėja, nes rinka prisitaiko.
- AI reikalauja nuolatinio atnaujinimo. Vakarykštis algoritmas gali būti šiandien nuostolingas.
Kaip AI keičia darbo rinką finansų sektoriuje
Dirbtinio intelekto plėtra finansuose turi tiesioginę įtaką darbuotojams šiame sektoriuje.
Nykstančios pozicijos
- Prekybos salės. Goldman Sachs prekybos salėje Niujorke 2000 m. dirbo 600 akcijų prekybininkų. 2017 m. liko tik 2. Jų darbą perėmė 200 programuotojų, kuriančių prekybos algoritmus.
- Finansų analitikai. AI gali per sekundes atlikti analizę, kuriai žmogui reikėtų dienos: perskaityti ataskaitą, palyginti su sektoriaus vidurkiais, nustatyti anomalijas ir suformuluoti rekomendaciją.
- Rizikos valdymas. Tradiciniai rizikos modeliai, kuriuos kūrė ir prižiūrėjo žmonės, keičiami realaus laiko AI sistemomis.
Naujos pozicijos
- Quant developers. Programuotojai, kuriantys prekybos algoritmus.
- Data scientists. Duomenų mokslininkai, kuriantys ir tobulinantys AI modelius.
- AI rizikos specialistai. Naujos rolės, skirtos prižiūrėti AI sistemų veikimą ir užtikrinti, kad jos veiktų pagal reguliavimo reikalavimus.
- Prompt engineers. Žmonės, kurie optimizuoja, kaip didelės kalbos modeliai (LLM) interpretuoja finansinius duomenis.
Praktiniai patarimai investuotojams
Kaip eilinis investuotojas turėtų reaguoti į AI revoliuciją finansų rinkose?
Nesibandykite lenktyniauti su algoritmais greitumu. Jei jūsų strategija remiasi trumpalaikiais kainų pokyčiais, jūs jau pralaimėjote. Algoritmai visuomet bus greitesni. Koncentruokitės į ilgalaikį investavimą, kur žmogaus strateginis mąstymas turi pranašumą.
Naudokite AI kaip įrankį, ne kaip sprendimą. Robo-patarėjai, AI pagrįstos analitikos platformos ir automatinės perbalansvimo sistemos gali padėti jums investuoti disciplinuočiau. Bet visada supraskite, ką tie įrankiai daro su jūsų pinigais.
Būkite atsargūs su „AI fondų” rinkodara. Žodžiai „dirbtinis intelektas” ir „mašininis mokymasis” tapo rinkodaros terminais. Ne kiekvienas fondas ar platforma, kuri save vadina „AI-powered”, naudoja tikrai sudėtingas AI sistemas. Prašykite konkrečių duomenų apie praeities rezultatus, strategiją ir mokesčius.
Diversifikuokite. AI padaro tam tikras rinkos dalis efektyvesnes, bet kitas, ne. Dideliųjų kompanijų akcijų rinkos (kur veikia daugiausia algoritmų) yra labai efektyvios, ir čia sunku rasti nepastebėtų galimybių. Mažesnės rinkos, besivystančios šalys ar nišiniai sektoriai gali turėti daugiau galimybių, kur žmogaus analizė dar turi pranašumą.
Supraskite sisteminę riziką. Kai dauguma rinkos dalyvių naudoja panašias AI sistemas, rinka gali tapti pažeidžiamesnė krizėms. Visi algoritmai vienu metu nusprendžia parduoti. Turėkite grynųjų pinigų rezervą ir nelaikykite viso savo turto viename turto klasėje.
Stebėkite reguliavimo pokyčius. ES MiCA reguliacija, JAV SEC iniciatyvos ir kiti reguliavimo veiksmai gali reikšmingai paveikti, kaip AI naudojamas finansų rinkose. Tai ypač svarbu, jei investuojate į fintech kompanijas ar AI fondus.
Ateities perspektyvos: kur visa tai eina
Kelios tendencijos formuos AI vaidmenį finansų rinkose ateinančiais metais.
Didelės kalbos modeliai (LLM) finansuose. GPT tipo modeliai jau naudojami finansiniams tyrimams, ataskaitų rengimui ir rinkos analizei. Artimiausiais metais šie modeliai taps galingesni ir labiau integruoti į prekybos sistemas. BloombergGPT ir panašūs specializuoti modeliai jau rodo šios krypties potencialą.
Kvantiniai kompiuteriai. Kvantiniai kompiuteriai turi potencialą atlikti skaičiavimus, kurie klasikiniams kompiuteriams užtruktų tūkstančius metų. Jei kvantiniai kompiuteriai taps praktiškai prieinami, tai gali visiškai pakeisti AI prekybos algoritmų pajėgumus. Didieji bankai (JPMorgan, Goldman Sachs) jau eksperimentuoja su kvantine technologija.
Decentralizuoti AI protokolai. DeFi ir AI susijungimas gali sukurti naujas galimybes: decentralizuotos AI prekybos sistemos, kur algoritmai veikia ant blockchain ir jų sprendimai yra skaidrūs ir audituojami.
Reguliavimo griežtėjimas. Tikėtina, kad reguliatoriai vis labiau griežtins AI prekybos taisykles, ypač po kiekvienos naujos krizės ar incidento. Tai gali sulėtinti inovacijas, bet padaryti rinkas saugesnes.
Ar AI gali nugalėti žmones? Galutinis atsakymas
Tiksliausias atsakymas yra toks: AI jau nugalėjo žmones tam tikrose srityse ir niekada jų nepavys kitose.
AI dominuoja ten, kur reikia greičio, duomenų apdorojimo, disciplinos ir šablonų atpažinimo. Trumpalaikėje prekyboje, aukšto dažnio prekyboje ir statistiniame arbitraže žmogus nebeturi šansų varžytis su mašina.
Bet žmogus išlieka pranašesnis ten, kur reikia interpretuoti nenumatytus įvykius, suprasti gilesnį kontekstą, priimti etiškus sprendimus ir mąstyti ilgalaikiškai, nepasiduodant trumpalaikiam triukšmui.
Ateitis greičiausiai priklauso ne AI arba žmogui, o AI ir žmogui. Geriausi rezultatai pasiekiami, kai žmogaus patirtis ir strateginis mąstymas derinamas su AI skaičiavimo galia ir disciplina. Šis hibridinis modelis jau veikia daugelyje sėkmingiausių investicinių fondų, ir tikėtina, kad jis taps standartu visoje pramonėje.
Vienintelis dalykas, kuris tikrai aišku: finansų rinkos niekada nebebus tokios, kokios buvo prieš AI. Klausimas nėra, ar dirbtinis intelektas pakeis finansus. Jis jau tai padarė. Klausimas yra tik tas, ar mes sugebėsime valdyti šį pokytį taip, kad jis tarnautų žmonėms, o ne atvirkščiai.
