تحول دیجیتال در بازارهای مالی با ورود مدل‌های زبانی بزرگ (LLMs) و سیستم‌های یادگیری عمیق وارد گام جدیدی شده است. گزارش‌های شرکت مشاوره استراتژیک McKinsey نشان می‌دهد که در سال ۲۰۲۴، بیش از ۵۰ درصد موسسات مالی، هوش مصنوعی را با فعالیت‌های خود ادغام کرده‌اند.
اخبار اقتصادی، درحالی‌که فناوری‌های نوین معاملاتی مانند الگو تریدینگ سال‌هاست در بازارهای پیشرفته مورداستفاده قرار می‌گیرند، ظهور مدل‌های هوش مصنوعی نسل جدید، معادلات را به‌کلی تغییر داده است. برای بررسی عمیق‌تر این تحولات با دکتر محمد بیجنوند، متخصص فناوری اطلاعات و فعال در حوزه بازارهای مالی به گفتگو نشستیم.
مهم‌ترین کاربردهای هوش مصنوعی در تحلیل بازارهای مالی از نظر شما کدام مواردند؟
ببینید، امروز ما شاهد سه کاربرد اصلی هستیم. اول، تحلیل احساسات بازار با استفاده از NLP که داده‌های نامنظم مثل اخبار و شبکه‌های اجتماعی را پردازش می‌کند. دوم، پیش‌بینی روند قیمت با استفاده از شبکه‌های عصبی عمیق که الگوهای پیچیده را شناسایی می‌کنند و سوم، مدیریت ریسک پویا که با استفاده از یادگیری تقویتی انجام می‌شود. طبق داده‌های جی‌پی مورگان، استفاده از مجموع این فناوری‌ها دقت پیش‌بینی‌ها را تا ۲۵ درصد افزایش داده است.
اجازه بدهید کمی بیشتر توضیح دهم. در مورد تحلیل احساسات، دنیا امروز از مدل‌های NLP پیشرفته مانند BERT استفاده می‌کند که می‌توانند نه‌تنها متن، بلکه زمینه و لحن آن را نیز درک کنند. برای مثال، مقالات جدید دانشگاه MIT نشان داد که این مدل‌ها می‌توانند در موارد خاص، تا ۷۸ درصد دقیق‌تر از تحلیلگران انسانی، تأثیر اخبار بر قیمت سهام را پیش‌بینی کنند. در زمینه پیش‌بینی روند قیمت، شبکه‌های عصبی عمیق مانند LSTM (حافظه کوتاه‌مدت طولانی) به طور قابل‌توجهی عملکرد بهتری نسبت به روش‌های سنتی مانند ARIMA دارند. در نهایت، در مورد مدیریت ریسک پویا، الگوریتم‌های یادگیری تقویتی مانند Proximal Policy Optimization به طور مداوم استراتژی‌های معاملاتی را بهینه می‌کنند. گلدمن ساکس گزارش داده که استفاده از این الگوریتم‌ها باعث کاهش ۲۵ درصدی ریسک پرتفوی در مقایسه با روش‌های سنتی شده است.
چالش‌های اصلی پیاده‌سازی این فناوری‌ها در بازارهای مالی چیست؟
چالش اصلی، مسئله Black Box بودن تصمیمات هوش مصنوعی است. وقتی یک الگوریتم تصمیم به خرید یا فروش می‌گیرد، توضیح دقیق این تصمیم همیشه آسان نیست. همچنین، مسئله کیفیت داده‌ها و نویز موجود در بازار بسیار مهم است. طبق مطالعه گلدمن ساکس در ۲۰۲۴، حدود۶۰ درصد پروژه‌های AI در بازارهای مالی به دلیل مشکلات داده با شکست مواجه می‌شوند.
این چالش‌ها در عمل پیچیده‌تر هستند. برای مثال، مسئله Black Box فقط یک چالش فنی نیست، بلکه یک چالش قانونی و اخلاقی هم هست. در اتحادیه اروپا، قانون جدید AI Act الزام می‌کند که تصمیمات الگوریتمی در بازارهای مالی باید قابل‌توضیح باشند. این یعنی ما نیاز به توسعه مدل‌های Explainable AI داریم که هم دقیق باشند و هم قابل‌تفسیر.
شرکت IBM اخیراً یک فریم‌ورک به نام AI FactSheets معرفی کرده که به شفافیت بیشتر در این زمینه کمک می‌کند. در مورد کیفیت داده‌ها، مشکل فقط به نویز محدود نمی‌شود. ما با چالش‌هایی مانند داده‌های ناقص، داده‌های نامتوازن و حتی داده‌های مسموم (که عمداً برای گمراه‌کردن الگوریتم‌ها تزریق می‌شوند) مواجه هستیم. تحقیق MIT در سال ۲۰۲۴ نشان داد که حتی ۵ درصد داده مسموم می‌تواند دقت یک مدل پیش‌بینی قیمت را تا ۵۰ درصد کاهش دهد. برای مقابله با این چالش‌ها، تکنیک‌های پیشرفته‌ای مانند یادگیری فدرال و یادگیری دیفرانسیل خصوصی درحال‌توسعه هستند که امنیت و کیفیت داده‌ها را بهبود می‌بخشند.
تأثیر هوش مصنوعی بر نقدشوندگی و کارایی بازارهای مالی را چگونه ارزیابی می‌کنید؟
مطالعات اخیر نشان می‌دهد که الگوریتم‌های معاملاتی مبتنی بر AI، می‌توانند اسپرد خریدوفروش را در بازارهای اصلی تا ۴۰ درصد کاهش دهند. البته این موضوع دو روی سکه دارد! ازیک‌طرف نقدشوندگی افزایش‌یافته، اما از طرف دیگر ریسک نوسانات شدید در شرایط استرس بازار هم بیشتر می‌شود.
این تأثیرات در عمل پیچیده‌تر هستند. برای مثال، در بازار سهام نیویورک (NYSE)، حجم معاملات الگوریتمی از ۲۰ درصد در سال ۲۰۱۰ به بیش از ۸۰ درصد در سال ۲۰۲۴ رسیده است. این افزایش باعث شده که زمان اجرای سفارش‌ها از چند ثانیه به کمتر از میلی‌ثانیه کاهش یابد. طبق گزارش بانک تسویه حساب بین‌المللی (BIS)، این افزایش سرعت و کارایی باعث کاهش هزینه‌های معاملاتی برای سرمایه‌گذاران نهادی تا ۳۰ درصد شده است. اما همزمان، ریسک‌های جدیدی هم ظهور کرده‌اند. برای مثال، در می ۲۰۲۴، یک اشتباه الگوریتمی در بورس لندن باعث سقوط ۱۲ درصد شاخص FTSE 100 در عرض ۳ دقیقه شد که البته سریعاً اصلاح شد. این رویداد نشان داد که چگونه الگوریتم‌ها می‌توانند در شرایط خاص، نوسانات شدید و غیرمنتظره ایجاد کنند. برای مقابله با این چالش‌ها، بورس‌های بزرگ مانند NYSE و NASDAQ سیستم‌های Circuit Breaker یا «مدارشکن» پیشرفته‌تری را پیاده‌سازی کرده‌اند که می‌توانند در کسری از ثانیه، معاملات را متوقف کنند.
آینده معامله‌گری الگوریتمی با ورود GPT-4 و مدل‌های مشابه چگونه خواهد بود؟
مدل GPT-4 و مدل‌های مشابه قابلیت تحلیل همزمان داده‌های ساختاریافته و غیرساختاریافته را دارند. این یعنی می‌توانند همزمان نمودارها، اخبار، گزارش‌های مالی و حتی مصاحبه‌های مدیران را تحلیل کنند.
اما این فقط شروع ماجراست. مدل‌های زبانی بزرگ مانند GPT-4 قابلیت‌های فراتر از تحلیل داده دارند. آنها می‌توانند استراتژی‌های معاملاتی پیچیده را طراحی کنند، ریسک‌ها را ارزیابی کنند و حتی با سایر الگوریتم‌ها مذاکره کنند. مطالعه اخیر دانشگاه‌های ام آی تی و استنفورد نشان داد که سیستم معاملاتی مبتنی بر GPT-4 توانست در یک شبیه‌سازی ۶ماهه، بازدهی ۳۲ درصد بالاتر از شاخص S&P500 کسب کند. این سیستم نه‌تنها از تحلیل‌های مالی سنتی استفاده می‌کرد، بلکه می‌توانست روندهای اجتماعی و سیاسی را نیز در تصمیم‌گیری‌هایش لحاظ کند.
علاوه بر این، مدل‌های جدید قابلیت Few-shot learning دارند؛ یعنی می‌توانند با داده‌های محدود، خود را با شرایط جدید بازار تطبیق دهند. این ویژگی به‌خصوص در بازارهای نوظهور یا در شرایط بحرانی مانند پاندمی کرونا بسیار ارزشمند است. طبق گزارش مجمع جهانی اقتصاد، تا سال ۲۰۲۶، بیش از۵۰ درصد مدیران صندوق‌های سرمایه‌گذاری از سیستم‌های مشاوره مبتنی بر AI برای تصمیم‌گیری استفاده خواهند کرد.
نقش رگولاتور یا قانون‌گذار در مواجهه با این تحول چیست؟
رگولاتورها باید تعادل ظریفی بین نوآوری و ثبات بازار ایجاد کنند. سازمان بورس و اوراق بهادار آمریکا اخیراً چارچوب‌های جدیدی برای نظارت بر الگوریتم‌های معاملاتی مبتنی بر AI معرفی کرده که شامل الزامات شفافیت و تست‌های استرس است. این مقررات برای جلوگیری از رخدادهایی مثل فلش کرش ۲۰۱۰ ضروری هستند.
اما چالش‌های رگولاتوری فراتر از این‌هاست. برای مثال، SEC در سال ۲۰۲۴ یک بخش ویژه به نام AI and Financial Markets Division ایجاد کرد که وظیفه آن نظارت بر استفاده از هوش مصنوعی در بازارهای مالی است. این بخش از متخصصان هوش مصنوعی، اقتصاددانان و حقوق‌دانان تشکیل شده است. یکی از اقدامات مهم این بخش، الزام شرکت‌های معاملاتی به ارائه AI Impact Assessment قبل از پیاده‌سازی هر الگوریتم جدید است. این ارزیابی باید شامل تحلیل ریسک‌های سیستماتیک، تست‌های استرس و برنامه‌های مقابله با شرایط اضطراری باشد.
سازمان بورس و اوراق بهادار اروپا حتی سخت‌گیرانه‌تر عمل می‌کند. آنها در ۲۰۲۴ مقرراتی را تصویب کردند که طبق آن، الگوریتم‌های معاملاتی باید قابلیت Kill Switch – یعنی توانایی توقف فوری در صورت تشخیص رفتار غیرعادی – داشته باشند. همچنین، آنها الزام کرده‌اند که حداقل۲۰ درصد از معاملات باید تحت نظارت مستقیم انسانی باشد. طبق گزارش PwC، پیاده‌سازی این مقررات برای شرکت‌های معاملاتی هزینه‌ای حدود ۲ تا ۵ میلیون یورو در سال داشته است.
و کلام آخر
هوش مصنوعی آینده بازارهای مالی را متحول خواهد کرد؛ اما نباید فراموش کنیم که این فقط یک ابزار است. موفقیت در استفاده از هوش مصنوعی مستلزم درک عمیق هم از بازارهای مالی و هم از محدودیت‌های این فناوری است. آینده متعلق به کسانی است که بتوانند این دو حوزه را به‌خوبی با هم ترکیب کنند.
اجازه بدهید با یک مثال عینی به این بحث پایان دهم. در سال ۲۰۲۴، یکی از بزرگ‌ترین صندوق‌های سرمایه‌گذاری جهان، یعنی بلک راک، اعلام کرد که۳۰ درصد از تصمیمات سرمایه‌گذاری خود را به سیستم‌های هوش مصنوعی واگذار کرده و نتایج فوق‌العاده‌ای هم گرفته است؛ اما نکته جالب اینجاست که آنها همچنان از تیم‌های انسانی برای نظارت و تنظیم استراتژی‌های کلان استفاده می‌کنند. این رویکرد ترکیبی که من آن را AI-Human Symbiosis می‌نامم، احتمالاً الگوی غالب در آینده خواهد بود. طبق پیش‌بینی مجمع جهانی اقتصاد، تا سال ۲۰۳۰، حدود ۷۵ درصد تصمیمات مالی در یک فرایند مشترک بین هوش مصنوعی و انسان گرفته خواهد شد. این نشان می‌دهد که آینده نه متعلق به هوش مصنوعی خالص است و نه انسان تنها؛ بلکه متعلق به ترکیب هوشمندانه این دو است.
