یادگیری ماشین و هوش مصنوعی؛ چرا حوزه‏‏ مالی متفاوت است؟

با توجه به تمام پتانسیل‌‌‌های شگفت‌‌‌انگیز این فناوری جدید، به نظر می‌رسد که به طور حتم در وظایف مالی، مانند انتخاب سهام برای سرمایه‌گذاری، نیز نسبت به روش‌‌‌های موجود برتری چشمگیری خواهد داشت. اما این نتیجه‌‌‌گیری به هیچ وجه بدیهی نیست و به نظر نمی‌رسد که تحقیقات، حداقل تاکنون، آن را تایید کرده باشد. اما چرا حوزه‌‌ مالی متفاوت است؟ در این مقاله به بررسی چهار دلیل می‌‌‌پردازیم که حوزه‌‌ مالی را از صنایعی که در آنها یادگیری ماشین پیشرفت‌‌‌های قابل‌توجهی داشته، متمایز می‌‌‌سازد.

۱- نسبت پایین سیگنال به نویز: شاید مهم‌ترین تفاوت،  نسبت سیگنال به نویز باشد که به طور خلاصه نشان می‌‌‌دهد چقدر قابلیت پیش‌بینی‌‌‌پذیری در یک سیستم وجود دارد. به عنوان مثال،  یک نمونه کلاسیک از یادگیری ماشین را در نظر بگیرید،  مانند پیش‌بینی تصاویر مربوط به یک حیوان (برای نمونه گربه). به طور دقیق‌‌‌تر،  هدف این است که تصاویر دارای گربه را از میان یک مجموعه تصاویر تشخیص دهیم. وقتی یک انسان به تصاویر نگاه می‌‌‌کند،  می‌تواند با دقت صد‌درصد تصاویر دارای گربه را تشخیص دهد. در مثالی که تشریح شد،  نسبت سیگنال به نویز بسیار بالاست. سیگنال (تصویر گربه) بر منابع نویز در عکس (مانند تاری،  تصاویر پس‌‌‌زمینه و...) کاملا غالب است. یادگیری ماشین،  همان‌‌‌طور که تجربه نشان داده است،  در چنین موقعیت‌‌‌هایی بسیار موفق عمل می‌‌‌کند.

در مقابل،  بازارهای مالی اساسا محیط‌‌‌هایی با نویز بسیار بالا هستند. حتی بهترین سهام یا سبد سرمایه‌گذاری در جهان ممکن است در هر روز،  فصل،  یا سال به دلیل اخبار غیرمنتظره نوسانات شدیدی در عملکرد خود تجربه کند. این نوسانات که منبع نویز هستند،  بخشی از ماهیت بازار را تشکیل می‌‌‌دهند و نسبت پایین سیگنال به نویز به طور مداوم توسط سازوکارهای ساده اقتصادی مانند حداکثرسازی سود و رقابت تحمیل می‌‌‌شود. برای روشن‌‌‌تر شدن این موضوع،  تصور کنید یک سرمایه‌گذار اطلاعاتی به دست آورده است که به او امکان می‌‌‌دهد با اطمینان بالا بازدهی سهام را پیش‌بینی کند. سرمایه‌گذار،  به‌‌‌منظور کسب سود و تحت‌تاثیر سازوکارهای رقابتی موجود در بازار،  انگیزه دارد که بلافاصله بر اساس اطلاعات خود دست به معامله بزند.

اگر او سهام را بخرد (یا بفروشد)،  این اقدام موجب افزایش (یا کاهش) قیمت سهام می‌‌‌شود و در نتیجه،  بخشی از قابلیت پیش‌بینی در بازار را کاهش می‌‌‌دهد. این مثال نشان می‌‌‌دهد که به محض ایجاد قابلیت پیش‌بینی در بازار،  این قابلیت به سرعت به دلیل رقابت بین سرمایه‌گذاران از بین می‌‌‌رود. وقتی تمام عوامل پیش‌بینی‌‌‌کننده قبلا در قیمت‌‌‌ها لحاظ شده‌‌‌اند،  تنها چیزی که بازارها را به حرکت درمی‌‌‌آورد،  اخبار غیرمنتظره یا شوک‌‌‌ها است؛ همان نویز.

۲- پویایی دائمی بازار: علاوه بر نسبت پایین سیگنال به نویز،  بازارهای مالی به شدت پویا هستند و روابط بین متغیرها به‌‌‌طور مدام در حال تغییر است. با ظهور فناوری‌‌‌های جدید و وضع قوانین نوین،  ساختار اقتصاد به طور مداوم تغییر می‌‌‌کند و این امر فرصت‌‌‌های سرمایه‌گذاری موجود و به طور کلی نحوه سرمایه‌گذاری افراد را تحت‌تاثیر قرار می‌‌‌دهد. برای مثال،  با ظهور اینترنت،  دسترسی سرمایه‌گذاران خرد به اخبار اقتصادی به‌‌‌طور چشمگیری افزایش یافت و بسیاری از افراد توانستند به صورت فعال و آنلاین در بازار مشارکت کنند. با وجود تمامی این تغییرات مداوم،  هیچ تضمینی وجود ندارد که یک استراتژی سرمایه‌گذاری (سیگنال) که در یک شرایط اقتصادی سودده بوده است،  در شرایط اقتصادی دیگری نیز موفق باشد. باز هم به مثال کلاسیک تشخیص تصاویر مربوط به گربه‌ها بازگردیم. وقتی که یک الگوریتم یادگیری ماشین در تشخیص تصاویر گربه‌‌‌ها به مهارت برسد،  می‌توانیم مطمئن باشیم که گربه‌‌‌ها از نظر ظاهری در مدت زمان کوتاه تغییرات چشمگیری نخواهند داشت و به سگ تبدیل نمی‌‌‌شوند! بنابراین،  این الگوریتم احتمالا در آینده نیز در تشخیض تصاویر گربه‌‌‌ها موفق خواهد بود.

۳- حجم داده‌‌‌های در دسترس: تفاوت کلیدی دیگر در حوزه مالی (و اقتصاد به طور کلی) این است که تعداد مشاهدات در دسترس برای انجام تحلیل‌‌‌های آماری اساسا محدود است. بهترین نمونه‌‌‌های استفاده از الگوریتم‌‌‌های هوش مصنوعی و یادگیری ماشین با استفاده از مجموعه داده‌‌‌های بسیار وسیع توسعه یافته‌‌‌اند. برای مثال،  چت جی‌‌‌پی‌‌‌تی به تمامی داده‌‌‌های متنی موجود در سراسر اینترنت دسترسی داشته است. در مقابل،  بازارهای مالی اساسا یک ابداع جدید به دست بشر هستند و حتی در پیشرفته‌‌‌ترین بازارها نیز طول دوره داده‌‌‌های در دسترس و قابل‌‌‌اتکا معمولا به یک قرن نمی‌‌‌رسد. مشاهدات جدید از بازدهی ابزارهای مالی فقط با گذر زمان تولید خواهد شد و بدون داشتن داده کافی،  نمی‌توانیم مدل‌های آماری قابل اتکایی توسعه دهیم.

۴- تفسیرپذیری: بسیاری از مدل‌‌‌های یادگیری ماشین اساسا مانند یک جعبه سیاه عمل می‌‌‌کنند و به‌‌‌سادگی نمی‌توان فهمید که الگوریتم بر چه اساسی پیش‌بینی‌‌‌های خود را ارائه می‌‌‌دهد و کدام متغیرها اهمیت بیشتری دارند. این موضوع می‌تواند در حوزه مالی مشکل‌‌‌ساز شود. زیرا مدیران مالی و مدیران صندوق بر اساس مقررات وظیفه دارند که ریسک‌‌‌های موجود در سبد سرمایه‌گذاری را درک کرده و مشتریان و نهادهای نظارتی را از این ریسک‌‌‌ها آگاه کنند. برای این دسته از افراد،  تفسیرپذیری مدل اهمیت ویژه‌‌‌ای دارد.

با وجود محدودیت‌‌‌های ذکر شده در این مقاله،  همچنان یادگیری ماشین و هوش مصنوعی می‌توانند کاربردهای فراوانی در حوزه مالی داشته باشند. پژوهش‌‌‌های اخیر نشان می‌‌‌دهد که اگر مسائل را به اجزای کوچک‌تری تقسیم کنیم،  یادگیری ماشین می‌تواند در انجام وظایف جزئی‌‌‌تر در حوزه مالی بسیار موثر باشد. برای مثال،  در فضای سرمایه‌گذاری،  سرمایه‌گذاران می‌توانند با استفاده از فناوری‌‌‌های نوین هوش مصنوعی به راحتی داده‌‌‌های متنی مانند اخبار اقتصادی را از سراسر وب جمع‌‌‌آوری و تحلیل کنند و سپس این تحلیل‌‌‌ها را به عنوان ورودی یک سیستم پیش‌بینی سنتی مورد استفاده قرار دهند. یا در فضای مدیریت ریسک،  می‌توان ابتدا با استفاده از روش‌‌‌های سنتی آماری تخمینی از ریسک سیستماتیک سهام (بتا) به دست آورد و سپس از این تخمین به عنوان ورودی یک مدل یادگیری ماشین برای پیش‌بینی دقیق‌‌‌تر ریسک سیستماتیک سهام استفاده کرد. پژوهش‌‌‌ها نشان می‌‌‌دهند که خروجی چنین مدلی دقت بسیار بالاتری در پیش‌بینی ریسک دارد. برای جمع‌‌‌بندی،  به نظر می‌رسد کلید موفقیت در استفاده از این فناوری نوین در فضای مالی این است که به جای دیدن یادگیری ماشین به عنوان یک فناوری انقلابی،  باید آن را به عنوان یک فناوری تکاملی در نظر گرفت.