AI የአክሲዮን ገበያውን መተንበይ ይችላል?

መግቢያ

የአክሲዮን ገበያውን መተንበይ ከረዥም ጊዜ ጀምሮ በዓለም ዙሪያ ባሉ ተቋማዊ እና የችርቻሮ ኢንቨስተሮች የሚፈለግ የፋይናንስ “ቅዱስ” ነው። በአርቴፊሻል ኢንተለጀንስ (AI) እና በማሽን ትምህርት (ኤምኤል) በቅርብ ጊዜ የተደረጉ እድገቶች ፣ ብዙዎች እነዚህ ቴክኖሎጂዎች በመጨረሻ የአክሲዮን ዋጋዎችን የመተንበይ ምስጢር ከፍተው ይሆን ብለው ያስባሉ። AI የአክሲዮን ገበያውን መተንበይ ይችላል? ይህ ነጭ ወረቀት በ AI የሚነዱ ሞዴሎች የገበያ እንቅስቃሴዎችን ለመተንበይ እንዴት እንደሚሞክሩ፣ ከእነዚህ ሞዴሎች በስተጀርባ ያለውን የንድፈ ሃሳባዊ መሠረቶች እና የሚያጋጥሟቸውን ትክክለኛ ገደቦች በመግለጽ ያንን ጥያቄ ከዓለም አቀፋዊ እይታ አንፃር ይመረምራል። በፋይናንሺያል ገበያ ትንበያ አውድ ውስጥ ምን ማድረግ እንደሚችል እና እንደማይችል ከማበረታቻ ይልቅ በጥናት ላይ የተመሰረተ ያልተዛባ ትንታኔ እናቀርባለን

በፋይናንሺያል ንድፈ ሃሳብ፣ የትንበያ ፈተና በ ውጤታማ የገበያ መላምት (EMH) ። EMH (በተለይ በ "ጠንካራ" መልክ) የአክሲዮን ዋጋዎች በማንኛውም ጊዜ የሚገኙትን መረጃዎች ሙሉ በሙሉ እንደሚያንፀባርቁ ያስቀምጣቸዋል, ይህም ማለት ማንኛውም ባለሀብት (የውስጥ አዋቂ እንኳን ሳይቀር) በተገኘው መረጃ በመገበያየት ከገበያው ሊበልጥ እንደማይችል ( በመረጃ የተደገፉ የአክሲዮን ትንበያ ሞዴሎች በነርቭ ኔትወርኮች ላይ ተመስርተው: ግምገማ ). በቀላል አነጋገር፣ ገበያዎች በጣም ቀልጣፋ ከሆኑ እና ዋጋዎች በዘፈቀደ የእግር ጉዞ ፣ የወደፊት ዋጋዎችን በትክክል መተንበይ የማይቻል ሊሆን ይችላል። ምንም እንኳን ይህ ጽንሰ-ሐሳብ ቢሆንም, ገበያውን የመምታት ፍላጎት የላቀ ትንበያ ዘዴዎች ላይ ሰፊ ምርምርን አነሳስቷል. እጅግ በጣም ብዙ መረጃዎችን በማዘጋጀት እና የሰው ልጅ ሊያመልጣቸው የሚችላቸውን ስውር ንድፎችን በመለየት ችሎታቸው ( በማሽን መማር ለአክሲዮን ገበያ ትንበያ መጠቀም... | ኤፍኤምፒ ) ለዚህ ተግባር AI እና የማሽን መማር ዋና ዋና ሆነዋል።

ይህ ነጭ ወረቀት ለአክሲዮን ገበያ ትንበያ ጥቅም ላይ የዋሉ የ AI ቴክኒኮችን አጠቃላይ እይታ ያቀርባል እና ውጤታማነታቸውን ይገመግማል። የንድፈ ሃሳባዊ መሠረቶች (ከተለምዷዊ የጊዜ-ተከታታይ ዘዴዎች እስከ ጥልቅ ነርቭ ኔትወርኮች እና ማጠናከሪያ ትምህርት) እንመረምራለን የእነዚህን ሞዴሎች መረጃ እና የስልጠና ሂደትን ገደቦች እና ተግዳሮቶች እንደ የገበያ ቅልጥፍና, የውሂብ ጫጫታ እና ያልተጠበቁ ውጫዊ ክስተቶች እናሳያለን. እስካሁን የተገኘውን የተቀላቀሉ ውጤቶችን ለማሳየት የገሃዱ ዓለም ጥናቶች እና ምሳሌዎች ተካተዋል። በመጨረሻም ፣ ለባለሀብቶች እና ለባለሙያዎች በተጨባጭ በሚጠበቁ ነገሮች እንጨርሳለን-የአይአይ አስደናቂ ችሎታዎች እውቅና ስናገኝ የፋይናንስ ገበያዎች ምንም አይነት ስልተ-ቀመር ሙሉ በሙሉ ሊያስወግድ የማይችል ያልተጠበቀ ደረጃ እንደሚይዙ በመገንዘብ።

በአክሲዮን ገበያ ትንበያ የ AI ቲዎሬቲካል መሠረቶች

ዘመናዊ AI ላይ የተመሠረተ የአክሲዮን ትንበያ በስታቲስቲክስ ፣ ፋይናንስ እና የኮምፒተር ሳይንስ ላይ በተደረገው ምርምር ለአስርተ ዓመታት ይገነባል። ከተለምዷዊ ሞዴሎች እስከ ጫፍ AI ድረስ ያለውን የአቀራረቦችን ስፔክትረም መረዳት ጠቃሚ ነው፡-

• የባህላዊ የጊዜ-ተከታታይ ሞዴሎች ፡ ቀደምት የአክሲዮን ትንበያ በስታቲስቲክስ ሞዴሎች ላይ ተመርኩዞ ያለፉት ዋጋዎች ዘይቤዎችን ወደፊት ሊያሳዩ ይችላሉ። ARIMA (በራስ-ሪግሬሲቭ የተቀናጀ አማካኝ) እና ARCH/GARCH ያሉ ሞዴሎች ቀጥተኛ አዝማሚያዎችን በመቅረጽ እና በጊዜ ተከታታይ ውሂብ ውስጥ የተለዋዋጭነት ስብስብ ላይ ያተኩራሉ ( በመረጃ የሚመሩ የአክሲዮን ትንበያ ሞዴሎች በነርቭ አውታረ መረቦች ላይ ተመስርተው፡ ግምገማ )። እነዚህ ሞዴሎች በቋሚነት እና በሊኒየር ታሳቢዎች ስር ታሪካዊ የዋጋ ቅደም ተከተሎችን በመቅረጽ ለመተንበይ መነሻ መስመር ይሰጣሉ። ጠቃሚ ቢሆንም፣ ተለምዷዊ ሞዴሎች ብዙውን ጊዜ ከተወሳሰቡ፣ ቀጥተኛ ካልሆኑ የእውነተኛ ገበያዎች ቅጦች ጋር ይታገላሉ፣ ይህም በተግባር የተገደበ ትንበያ ትክክለኛነትን ያስከትላል ( በመረጃ የሚመሩ የአክሲዮን ትንበያ ሞዴሎች በነርቭ አውታረ መረቦች ላይ ተመስርተው፡ ግምገማ )።

• የማሽን መማሪያ ስልተ-ቀመር ፡ የማሽን የመማር ዘዴዎች አስቀድሞ ከተገለጹት ስታቲስቲካዊ ቀመሮች የዘለለ ዘይቤዎችን ከመረጃ በመማር ነው ። እንደ የድጋፍ ቬክተር ማሽኖች (SVM) ፣ የዘፈቀደ ደኖች እና ቀስ በቀስ መጨመር በክምችት ትንበያ ላይ ተተግብረዋል። ሰፋ ያለ የግብአት ባህሪያትን ማካተት ይችላሉ - ከቴክኒካል አመልካቾች (ለምሳሌ አማካይ አማካይ, የግብይት መጠን) እስከ መሰረታዊ አመልካቾች (ለምሳሌ ገቢዎች, ማክሮ ኢኮኖሚክ መረጃዎች) - እና በመካከላቸው ቀጥተኛ ያልሆኑ ግንኙነቶችን ያገኛሉ. ለምሳሌ፣ የዘፈቀደ ደን ወይም ቀስ በቀስ የሚጨምር ሞዴል በደርዘን የሚቆጠሩ ነገሮችን በአንድ ጊዜ ማገናዘብ ይችላል፣ ይህም ቀላል መስመራዊ ሞዴል ሊያመልጣቸው የሚችሉትን መስተጋብር ይይዛል። እነዚህ የኤምኤል ሞዴሎች በመረጃው ውስጥ ውስብስብ ምልክቶችን በመለየት የመተንበይ ትክክለኛነትን በትህትና የማሻሻል ችሎታ አሳይተዋል ( የማሽን መማርን ለስቶክ ገበያ ትንበያ መጠቀም... | FMP )። ነገር ግን ከመጠን በላይ መገጣጠምን ለማስወገድ (ከምልክት ይልቅ የመማሪያ ጫጫታ) በጥንቃቄ ማስተካከል እና በቂ መረጃ ያስፈልጋቸዋል።

• ጥልቅ ትምህርት (የነርቭ አውታረ መረቦች): ጥልቅ የነርቭ አውታረ መረቦች , በሰው አንጎል መዋቅር ተመስጦ, በቅርብ ዓመታት ውስጥ የአክሲዮን ገበያ ትንበያ ታዋቂ ሆኗል. ከእነዚህም መካከል ተደጋጋሚ የነርቭ ኔትወርኮች (RNNs) እና ልዩነታቸው የረጅም ጊዜ የአጭር ጊዜ ማህደረ ትውስታ (LSTM) ኔትወርኮች በተለይ እንደ የአክሲዮን ዋጋ ጊዜ ተከታታይ ላሉ ተከታታይ መረጃዎች የተነደፉ ናቸው። ኤል.ኤስ.ኤም.ኤስ ያለፈውን መረጃ የማስታወስ ችሎታን ሊይዝ እና ጊዜያዊ ጥገኞችን ሊይዝ ይችላል፣ ይህም ለሞዴል አዝማሚያዎች፣ ዑደቶች ወይም ሌሎች በገቢያ ውሂብ ውስጥ በጊዜ-ጥገኛ ዘይቤዎች ተስማሚ ያደርጋቸዋል። ጥናቶች እንደሚያመለክቱት LSTMs እና ሌሎች የጥልቅ መማሪያ ሞዴሎች የሚያመልጡትን ውስብስብ እና ቀጥተኛ ያልሆኑ የፋይናንስ መረጃዎችን ሊይዙ ይችላሉ። ሌሎች ጥልቅ የመማሪያ አቀራረቦች ኮንቮሉሽን ነርቭ ኔትወርኮች (ሲኤንኤን) (አንዳንድ ጊዜ በቴክኒካል አመልካች “ምስሎች” ወይም በኮድ የተቀመጡ ቅደም ተከተሎች ላይ ጥቅም ላይ ይውላሉ)፣ ትራንስፎርመሮች (የተለያዩ የጊዜ እርምጃዎችን ወይም የመረጃ ምንጮችን አስፈላጊነት ለመመዘን የትኩረት ዘዴዎችን ይጠቀማሉ) እና ሌላው ቀርቶ ግራፍ ነርቭ ኔትወርኮች (ጂኤንኤን) (በገበያ ግራፍ ውስጥ ባሉ አክሲዮኖች መካከል ያለውን ግንኙነት ለመቅረጽ)። እነዚህ የተራቀቁ የነርቭ መረቦች የዋጋ መረጃን ብቻ ሳይሆን አማራጭ የመረጃ ምንጮችን እንደ የዜና ጽሑፍ፣ የማህበራዊ ሚዲያ ስሜት እና ሌሎችም ሊገቡ ይችላሉ፣ የገበያ እንቅስቃሴዎችን ሊተነብዩ የሚችሉ ረቂቅ ባህሪያትን ይማራሉ ( በማሽን Learning for Stock Market Prediction... | FMP )። የጥልቅ ትምህርት ተለዋዋጭነት ከዋጋ ጋር ነው የሚመጣው፡ በመረጃ የተራቡ፣ በስሌት የተጠናከሩ እና ብዙ ጊዜ እንደ “ጥቁር ሳጥኖች” በትንሽ አተረጓጎም ይሰራሉ።

• የማጠናከሪያ ትምህርት ፡ በ AI የአክሲዮን ትንበያ ውስጥ ያለው ሌላው ድንበር የማጠናከሪያ ትምህርት (RL) ፣ ግቡ ዋጋዎችን ለመተንበይ ብቻ ሳይሆን ጥሩ የግብይት ስትራቴጂ ለመማር ነው። በ RL ማዕቀፍ ውስጥ አንድ ወኪል (የ AI ሞዴል) እርምጃዎችን በመውሰድ (ግዢ፣ መሸጥ፣ ያዝ) እና ሽልማቶችን በመቀበል (ትርፍ ወይም ኪሳራ) ከአካባቢ (ገበያ) ጋር ይገናኛል። በጊዜ ሂደት፣ ወኪሉ ድምር ሽልማቱን የሚያሳድግ ፖሊሲ ይማራል። ጥልቅ የማጠናከሪያ ትምህርት (DRL) ትልቅ የገበያ ቦታን ለመቆጣጠር የነርቭ መረቦችን ከማጠናከሪያ ትምህርት ጋር ያጣምራል። በፋይናንሺያል ውስጥ የ RL ይግባኝ የውሳኔዎችን ቅደም ተከተል እና ለኢንቨስትመንት ተመላሽ ማመቻቸት, በተናጥል ዋጋዎችን ከመተንበይ ይልቅ. ለምሳሌ፣ የRL ወኪል በዋጋ ምልክቶች ላይ በመመስረት ወደ ቦታው መቼ እንደሚገባ ወይም እንደሚወጣ ሊማር እና የገበያ ሁኔታዎች ሲለዋወጡ መላመድ ይችላል። በተለይም, RL በቁጥር የንግድ ውድድር እና በአንዳንድ የባለቤትነት የንግድ ስርዓቶች ውስጥ የሚወዳደሩ AI ሞዴሎችን ለማሰልጠን ጥቅም ላይ ውሏል. ነገር ግን፣ የ RL ዘዴዎችም ጉልህ ፈተናዎች ያጋጥሟቸዋል፡ ሰፊ ስልጠና ያስፈልጋቸዋል (የአመታት የንግድ ልውውጥን ማስመሰል)፣ በጥንቃቄ ካልተቃኘ በተረጋጋ ሁኔታ ወይም በተለያየ ባህሪ ሊሰቃዩ ይችላሉ፣ እና አፈፃፀማቸው ለታሰበው የገበያ ሁኔታ በጣም ስሜታዊ ነው። የማጠናከሪያ ትምህርትን ወደ ውስብስብ የአክሲዮን ገበያዎች በመተግበር ላይ ከፍተኛ የስሌት ወጪ እና የመረጋጋት ችግሮች ያሉ ጉዳዮችን ተመልክተዋል እነዚህ ተግዳሮቶች ቢኖሩም፣ አርኤል ተስፋ ሰጪ አካሄድን ይወክላል፣ በተለይም ከሌሎች ቴክኒኮች ጋር ሲጣመር (ለምሳሌ፣ የዋጋ ትንበያ ሞዴሎችን እና አርኤል-ተኮር ድልድል ስትራቴጂን በመጠቀም) ድብልቅ የውሳኔ አሰጣጥ ስርዓት ለመመስረት ( የስቶክ ገበያ ትንበያ ጥልቅ የማጠናከሪያ ትምህርትን በመጠቀም )።

የመረጃ ምንጮች እና የስልጠና ሂደት

የአምሳያው አይነት ምንም ይሁን ምን, መረጃ የ AI የአክሲዮን ገበያ ትንበያ የጀርባ አጥንት ነው. ቅጦችን ለመለየት ሞዴሎች በተለምዶ በታሪካዊ የገበያ መረጃ እና ሌሎች ተዛማጅ የውሂብ ስብስቦች ላይ የሰለጠኑ ናቸው። የተለመዱ የመረጃ ምንጮች እና ባህሪያት የሚከተሉትን ያካትታሉ:

• ታሪካዊ ዋጋዎች እና ቴክኒካል አመልካቾች ፡ ከሞላ ጎደል ሁሉም ሞዴሎች ያለፉ የአክሲዮን ዋጋዎችን (ክፍት፣ ከፍተኛ፣ ዝቅተኛ፣ ቅርብ) እና የግብይት መጠኖችን ይጠቀማሉ። ከእነዚህ ውስጥ ተንታኞች ብዙውን ጊዜ ቴክኒካዊ አመልካቾችን (ተንቀሳቃሽ አማካዮች, አንጻራዊ ጥንካሬ ኢንዴክስ, MACD, ወዘተ) እንደ ግብዓቶች ያገኛሉ. እነዚህ አመልካቾች ሞዴሉ ሊጠቀምባቸው የሚችሉትን አዝማሚያዎች ወይም ግስጋሴዎች ለማጉላት ይረዳሉ። ለምሳሌ፣ አንድ ሞዴል የሚቀጥለውን ቀን የዋጋ እንቅስቃሴ ለመተንበይ የመጨረሻዎቹን 10 ቀናት የዋጋ እና የድምፅ መጠን፣ እና እንደ የ10-ቀን ተንቀሳቃሽ አማካኝ ወይም ተለዋዋጭ መለኪያዎችን እንደ ግብአት ሊወስድ ይችላል።

• የገበያ ኢንዴክሶች እና ኢኮኖሚያዊ መረጃዎች፡- ብዙ ሞዴሎች እንደ የመረጃ ጠቋሚ ደረጃዎች፣ የወለድ ተመኖች፣ የዋጋ ግሽበት፣ የሀገር ውስጥ ምርት ዕድገት ወይም ሌሎች የኢኮኖሚ አመልካቾች ያሉ ሰፊ የገበያ መረጃዎችን ያካትታሉ። እነዚህ የማክሮ ባህሪያት አውድ (ለምሳሌ አጠቃላይ የገበያ ስሜት ወይም ኢኮኖሚያዊ ጤና) በግለሰብ የአክሲዮን አፈጻጸም ላይ ተጽዕኖ ሊያሳርፉ ይችላሉ።

• የዜና እና የስሜት መረጃ ፡ ቁጥራቸው ከጊዜ ወደ ጊዜ እየጨመረ የመጣ የ AI ስርዓቶች እንደ የዜና ዘገባዎች፣ የማህበራዊ ሚዲያ ምግቦች (ትዊተር፣ ስቶክቲዊትስ) እና የፋይናንሺያል ሪፖርቶች ያሉ ያልተዋቀሩ መረጃዎችን ወደ ውስጥ ያስገባሉ። እንደ BERT ያሉ የላቁ ሞዴሎችን ጨምሮ የተፈጥሮ ቋንቋ ማቀነባበሪያ (NLP) ቴክኒኮች የገበያ ስሜትን ለመለካት ወይም ተዛማጅ ክስተቶችን ለመለየት ያገለግላሉ። ለምሳሌ፣ የዜና ስሜት በድንገት ለአንድ ኩባንያ ወይም ዘርፍ በጣም አሉታዊ ከሆነ፣ የ AI ሞዴል ተዛማጅ የአክሲዮን ዋጋዎችን መቀነስ ሊተነብይ ይችላል። የእውነተኛ ጊዜ ዜናዎችን እና የማህበራዊ ሚዲያ ስሜቶችን በማስኬድ AI ከሰዎች ነጋዴዎች ይልቅ ለአዳዲስ መረጃዎች ፈጣን ምላሽ መስጠት ይችላል።

• ተለዋጭ መረጃ ፡ አንዳንድ የተራቀቁ የሄጅ ፈንዶች እና AI ተመራማሪዎች አማራጭ የመረጃ ምንጮችን ይጠቀማሉ - የሳተላይት ምስሎች (ለመደብር ትራፊክ ወይም ለኢንዱስትሪ እንቅስቃሴ)፣ የክሬዲት ካርድ ግብይት ውሂብ፣ የድር ፍለጋ አዝማሚያዎች፣ ወዘተ - ትንበያ ግንዛቤዎችን ለማግኘት። እነዚህ ባህላዊ ያልሆኑ የውሂብ ስብስቦች አንዳንድ ጊዜ ለክምችት አፈጻጸም እንደ መሪ አመልካቾች ሆነው ሊያገለግሉ ይችላሉ፣ ምንም እንኳን በአብነት ስልጠና ላይ ውስብስብነትን የሚያስተዋውቁ ቢሆኑም።

የ AI ሞዴልን ለክምችት ትንበያ ማሰልጠን ይህንን ታሪካዊ መረጃ መመገብ እና የትንበያ ስህተትን ለመቀነስ የአምሳያው መለኪያዎችን ማስተካከልን ያካትታል። ስብስብ (ለምሳሌ፣ ቅጦችን ለመማር የቆየ ታሪክ) እና የሙከራ/የማረጋገጫ ስብስብ (የበለጠ የቅርብ ጊዜ መረጃ በማይታዩ ሁኔታዎች ላይ አፈፃፀሙን ለመገምገም) ይከፋፈላል የገበያ መረጃን ቅደም ተከተል ከግምት ውስጥ በማስገባት “ወደፊት ማየትን” ለማስወገድ ጥንቃቄ ይደረጋል - ለምሳሌ ፣ ሞዴሎች ከስልጠናው ጊዜ በኋላ ባሉት ጊዜያት በመረጃ ላይ ይገመገማሉ ፣ በእውነተኛ ንግድ ውስጥ እንዴት እንደሚሠሩ ለማስመሰል። የማረጋገጫ ቴክኒኮች (እንደ የእግር-ወደ ፊት ማረጋገጫ) ሞዴሉ በጥሩ ሁኔታ አጠቃላይ መሆኑን እና ለአንድ የተወሰነ ጊዜ ብቻ የተገጠመ አለመሆኑን ለማረጋገጥ ጥቅም ላይ ይውላሉ።

ከዚህም በላይ ባለሙያዎች የውሂብ ጥራት እና ቅድመ ሂደት ጉዳዮችን መፍታት አለባቸው. የጎደሉ መረጃዎች፣ ወጣ ያሉ (ለምሳሌ፣ በአክሲዮን ክፍፍል ወይም በአንድ ጊዜ ክስተቶች ምክንያት ድንገተኛ ፍጥነቶች) እና በገበያ ላይ ያሉ የአገዛዝ ለውጦች ሁሉም የሞዴል ስልጠና ላይ ተጽዕኖ ሊያሳድሩ ይችላሉ። እንደ መደበኛ ማድረግ፣ ማረም ወይም ወቅታዊ ማድረግ ያሉ ቴክኒኮች በግቤት ውሂቡ ላይ ሊተገበሩ ይችላሉ። አንዳንድ የላቁ አቀራረቦች የዋጋ ተከታታዮችን ወደ ክፍሎች (አዝማሚያዎች፣ ዑደቶች፣ ጫጫታ) ያበላሻሉ እና ለየብቻ ይቀርጻሉ (የተለያዩ ሞድ መበስበስን ከነርቭ መረቦች ጋር በማጣመር በምርምር እንደታየው ( በጥልቀት የማጠናከሪያ ትምህርት በመጠቀም የአክሲዮን ገበያ ትንበያ ))።

የተለያዩ ሞዴሎች የተለያዩ የሥልጠና መስፈርቶች አሏቸው፡ የጥልቅ መማሪያ ሞዴሎች በመቶ ሺዎች የሚቆጠሩ የመረጃ ነጥቦችን ሊፈልጉ እና ከጂፒዩ ማፋጠን ሊጠቀሙ ይችላሉ፣ ነገር ግን እንደ ሎጂስቲክ ሪግሬሽን ያሉ ቀላል ሞዴሎች በአንጻራዊ ሁኔታ ከትንሽ የውሂብ ስብስቦች ሊማሩ ይችላሉ። የማጠናከሪያ ትምህርት ሞዴሎች ከእነሱ ጋር መስተጋብር ለመፍጠር አስመሳይ ወይም አካባቢ ያስፈልጋቸዋል። አንዳንድ ጊዜ ታሪካዊ መረጃዎች ለ RL ወኪል ይጫወታሉ፣ ወይም የገበያ ማስመሰያዎች ተሞክሮዎችን ለመፍጠር ጥቅም ላይ ይውላሉ።

በመጨረሻም፣ አንዴ ከሠለጠኑ፣ እነዚህ ሞዴሎች የመተንበይ ተግባርን ያመጣሉ - ለምሳሌ፣ ለነገ የተተነበየ ዋጋ ሊሆን የሚችል ውጤት፣ አክሲዮን ከፍ ሊል የሚችልበት ዕድል፣ ወይም የሚመከር እርምጃ (ግዢ/መሸጥ)። ትክክለኛው ገንዘብ አደጋ ላይ ከመጣሉ በፊት እነዚህ ትንበያዎች በተለምዶ ወደ የንግድ ስትራቴጂ (ከቦታ መጠን፣ ከአደጋ አስተዳደር ደንቦች፣ ወዘተ) ጋር ይዋሃዳሉ።

ገደቦች እና ተግዳሮቶች

የ AI ሞዴሎች በሚያስደንቅ ሁኔታ የተራቀቁ ሲሆኑ፣ የአክሲዮን ገበያ ትንበያ በተፈጥሮው ፈታኝ ተግባር ነው ። የሚከተሉት AI በገበያዎች ውስጥ ዋስትና ያለው ሟርተኛ እንዳይሆን የሚከለክሉት ቁልፍ ገደቦች እና መሰናክሎች ናቸው።

• የገበያ ቅልጥፍና እና የዘፈቀደነት ፡ ቀደም ሲል እንደተገለፀው ቀልጣፋ የገበያ መላምት ዋጋዎች ቀድሞውኑ የሚታወቁ መረጃዎችን እንደሚያንፀባርቁ ይከራከራሉ, ስለዚህ ማንኛውም አዲስ መረጃ ወዲያውኑ ማስተካከያዎችን ያደርጋል. በተግባራዊ አነጋገር፣ ይህ ማለት የዋጋ ለውጦች በአብዛኛው የሚመነጩት ባልተጠበቁ ዜናዎች ወይም በዘፈቀደ መለዋወጥ ነው። በእርግጥ ለብዙ አሥርተ ዓመታት የተደረጉ ጥናቶች የአጭር ጊዜ የአክሲዮን ዋጋ እንቅስቃሴዎች በዘፈቀደ የእግር ጉዞ እንደሚመስሉ አረጋግጠዋል ( በመረጃ የሚመሩ የአክሲዮን ትንበያ ሞዴሎች በነርቭ ኔትወርኮች ላይ ተመስርተው፡ ግምገማ ) - የትናንትናው ዋጋ በነገው ላይ ምን ዓይነት ዕድል ሊተነብይ እንደሚችል ከመገመት ባሻገር። የአክሲዮን ዋጋዎች በመሠረቱ በዘፈቀደ ወይም “ውጤታማ” ከሆኑ፣ ምንም አይነት ስልተ ቀመር በከፍተኛ ትክክለኛነት በቋሚነት ሊተነብያቸው አይችልም። አንድ የጥናት ጥናት ባጭሩ እንዳስቀመጠው፣ “የነሲብ የእግር ጉዞ መላምት እና ቀልጣፋ የገበያ መላምት በመሠረቱ የወደፊቱን የአክሲዮን ዋጋ በአስተማማኝ ሁኔታ መተንበይ እንደማይቻል ያሳያል” ( የማሽን መማሪያን በመጠቀም ለ S&P 500 አክሲዮኖች መተንበይ | የፋይናንሺያል ፈጠራ | ሙሉ ጽሑፍ )። ይህ ማለት የ AI ትንበያዎች ሁልጊዜ ከንቱ ናቸው ማለት አይደለም፣ ነገር ግን መሰረታዊ ገደብን ያጎላል፡ አብዛኛው የገበያ እንቅስቃሴ የተሻለው ሞዴል እንኳን አስቀድሞ ሊተነብይ የማይችል ጫጫታ ሊሆን ይችላል።

• ጫጫታ እና ያልተጠበቁ ውጫዊ ሁኔታዎች ፡ የአክሲዮን ዋጋዎች በብዙ ምክንያቶች ተጽዕኖ ይደረግባቸዋል፣ ከእነዚህም ውስጥ ብዙዎቹ ያልተለመዱ እና የማይገመቱ ናቸው። ጂኦፖለቲካዊ ክስተቶች (ጦርነቶች፣ ምርጫዎች፣ የቁጥጥር ለውጦች)፣ የተፈጥሮ አደጋዎች፣ ወረርሽኞች፣ ድንገተኛ የድርጅት ቅሌቶች፣ ወይም የቫይረስ ማህበራዊ ሚዲያ ወሬዎች ሁሉም ሳይታሰብ ገበያዎችን ሊያንቀሳቅሱ ይችላሉ። እነዚህ አንድ ሞዴል የቅድሚያ የሥልጠና መረጃ ሊኖረው የማይችልባቸው (ከዚህ በፊት ታይተው የማያውቁ ስለሆኑ) ወይም እንደ ብርቅዬ ድንጋጤ የሚከሰቱ ክስተቶች ናቸው። ለምሳሌ፣ ከ2010–2019 በታሪካዊ መረጃ ላይ የሰለጠነ የትኛውም የ AI ሞዴል በ2020 መጀመሪያ ላይ የኮቪድ-19ን አደጋ አስቀድሞ አስቀድሞ ሊያውቅ ወይም በፍጥነት መመለሱን ሊያውቅ አይችልም። የፋይናንሺያል AI ሞዴሎች አገዛዞች ሲቀያየሩ ወይም ነጠላ ክስተት ዋጋዎችን ሲነዱ ይታገላሉ። አንድ ምንጭ እንዳስገነዘበው፣ እንደ ጂኦፖለቲካዊ ክስተቶች ወይም ድንገተኛ የኢኮኖሚ መረጃ ልቀቶች ያሉ ምክንያቶች ትንበያዎች ወዲያውኑ ጊዜ ያለፈባቸው እንዲሆኑ ሊያደርጉ ይችላሉ ( የማሽን መማር ለአክሲዮን ገበያ ትንበያ... | FMP ) ( የማሽን መማርን ለአክሲዮን ገበያ ትንበያ... | FMP )። በሌላ አገላለጽ፣ ያልተጠበቁ ዜናዎች ሁልጊዜም አልጎሪዝም ያላቸውን ትንበያዎች ሊሽሩ ይችላሉ ፣ ይህም ሊቀንስ የማይችል እርግጠኛ ያለመሆን ደረጃን በመርፌ ነው።

• ከመጠን በላይ መገጣጠም እና ማጠቃለያ ከመጠን በላይ ለመገጣጠም የተጋለጡ ናቸው - ማለትም ከስር አጠቃላይ ንድፎች ይልቅ በስልጠናው ውስጥ ያለውን "ጫጫታ" ወይም ጩኸቶችን በደንብ ሊማሩ ይችላሉ። ከመጠን በላይ የተገጠመ ሞዴል በታሪካዊ መረጃ ላይ በግሩም ሁኔታ ሊያከናውን ይችላል (እንዲያውም አስደናቂ የተፈተኑ ተመላሾችን ወይም ከፍተኛ የናሙና ትክክለኝነትን ያሳያል) ነገር ግን በአዲስ ውሂብ ላይ ክፉኛ ሊወድቅ ይችላል። ይህ በቁጥር ፋይናንስ ውስጥ የተለመደ ችግር ነው። ለምሳሌ፣ ውስብስብ የነርቭ አውታረ መረብ ከዚህ በፊት በአጋጣሚ የተያዙ አስመሳይ ግንኙነቶችን ሊወስድ ይችላል (እንደ ባለፉት 5 ዓመታት ውስጥ ከሰልፎች በፊት የተከሰቱ የተወሰኑ የጠቋሚ መሻገሮች ጥምረት) ነገር ግን እነዚያ ግንኙነቶች ወደ ፊት ላይቆዩ ይችላሉ። ተግባራዊ ምሳሌ፡ አንድ ሰው ያለፈው ዓመት የአክሲዮን አሸናፊዎች ሁልጊዜ ወደ ላይ እንደሚወጡ የሚተነብይ ሞዴል ሊነድፍ ይችላል - ለተወሰነ ጊዜ ሊስማማ ይችላል፣ ነገር ግን የገበያው አገዛዝ ከተቀየረ ያ ስርዓተ-ጥለት ይቋረጣል። ከመጠን በላይ መገጣጠም ከናሙና ውጭ ወደሆነ ደካማ አፈጻጸም ይመራል ፣ ይህ ማለት የአምሳያው ትንበያዎች በቀጥታ ንግድ ውስጥ ያሉ ትንበያዎች በልማት ውስጥ ጥሩ ቢመስሉም በዘፈቀደ የተሻሉ ሊሆኑ አይችሉም። ከመጠን በላይ መገጣጠምን ማስወገድ እንደ መደበኛ ማድረግ፣ የሞዴሉን ውስብስብነት ማረጋገጥ እና ጠንካራ ማረጋገጫን መጠቀም ያሉ ቴክኒኮችን ይፈልጋል። ይሁን እንጂ የ AI ሞዴሎችን ኃይል የሚሰጠው በጣም ውስብስብነትም ለዚህ ጉዳይ ተጋላጭ ያደርጋቸዋል.

• የውሂብ ጥራት እና ተገኝነት፡- “ቆሻሻ መጣያ፣ ቆሻሻ መጣያ” የሚለው አባባል በአክሲዮን ትንበያ AI ላይ በጥብቅ ይሠራል። የውሂብ ጥራት፣ ብዛት እና ተገቢነት በአምሳያው አፈጻጸም ላይ ከፍተኛ ተጽዕኖ ያሳድራል። ታሪካዊው መረጃ በቂ ካልሆነ (ለምሳሌ ጥልቅ ኔትወርክን በጥቂት አመታት የአክሲዮን ዋጋዎች ላይ ለማሰልጠን መሞከር) ወይም ውክልና የሌለው (ለምሳሌ፣ የድብርት ሁኔታን ለመተንበይ ብዙ ጊዜ የተገኘ መረጃን በመጠቀም) ሞዴሉ በደንብ አይጠቃለልም። ያዳላ ወይም ለተረፈው ተገዢ ሊሆን ይችላል (ለምሳሌ፣ የአክሲዮን ኢንዴክሶች በተፈጥሮ ደካማ አፈጻጸም ያላቸውን ኩባንያዎች በጊዜ ሂደት ይጥላሉ፣ ስለዚህ የታሪካዊ መረጃ ጠቋሚ መረጃ ወደ ላይ ያዛባል)። መረጃን ማጽዳት እና ማከም ቀላል ያልሆነ ተግባር ነው። በተጨማሪም፣ አማራጭ የመረጃ ምንጮች ውድ ወይም ለማግኘት ከባድ ሊሆኑ ይችላሉ፣ ይህም የችርቻሮ ባለሀብቶችን ባነሰ አጠቃላይ መረጃ ሲተው ለተቋማዊ ተጫዋቾች ትልቅ ቦታ ሊሰጥ ይችላል። የድግግሞሽ ጉዳይም አለ ፡ ከፍተኛ-ድግግሞሽ የግብይት ሞዴሎች በድምጽ መጠን በጣም ትልቅ የሆነ እና ልዩ መሠረተ ልማት የሚያስፈልገው የምልክት በቲክ ውሂብ ያስፈልጋቸዋል፣ ነገር ግን ዝቅተኛ ድግግሞሽ ሞዴሎች በየቀኑ ወይም ሳምንታዊ ውሂብ ሊጠቀሙ ይችላሉ። ውሂቡ በጊዜ ውስጥ መያዙን ማረጋገጥ (ለምሳሌ፣ ዜና ከተዛማጅ የዋጋ መረጃ ጋር) እና ከእይታ አድልዎ የጸዳ ቀጣይነት ያለው ፈተና ነው።

• የሞዴል ግልጽነት እና አተረጓጎም ፡ ብዙ AI ሞዴሎች፣ በተለይም ጥልቅ ትምህርት ያላቸው፣ እንደ ጥቁር ሳጥኖች ። በቀላሉ ሊብራራ የሚችል ምክንያት ሳይኖር ትንበያ ወይም የንግድ ምልክት ሊያወጡ ይችላሉ። ይህ ግልጽነት የጎደለው አሰራር ለባለሃብቶች ችግር ሊሆን ይችላል - በተለይም ተቋማዊ ውሳኔዎችን ለባለድርሻ አካላት ማመካኘት ወይም ደንቦችን ለማክበር። የ AI ሞዴል አንድ አክሲዮን ይወድቃል እና ለመሸጥ የሚመከር ከሆነ፣ የፖርትፎሊዮ አስተዳዳሪ ምክንያቱን ካልተረዱ ሊያመነታ ይችላል። የአምሳያው ትክክለኛነት ምንም ይሁን ምን የ AI ውሳኔዎች ግልጽነት መተማመንን እና ጉዲፈቻን ሊቀንስ ይችላል። ይህ ፈተና ሊብራራ የሚችል AI ለፋይናንስ ምርምርን እያነሳሳ ነው፣ ነገር ግን ብዙ ጊዜ በሞዴል ውስብስብነት/ትክክለኝነት እና አተረጓጎም መካከል የንግድ ልውውጥ መኖሩ እውነት ነው።

• የመላመድ ገበያዎች እና ውድድር መላመድ መሆናቸውን ልብ ማለት ያስፈልጋል ። አንድ ጊዜ የሚገመተው ንድፍ ከተገኘ (በ AI ወይም በማንኛውም ዘዴ) እና በብዙ ነጋዴዎች ጥቅም ላይ ከዋለ፣ መስራት ሊያቆም ይችላል። ለምሳሌ፣ የ AI ሞዴል አንድ የተወሰነ ምልክት ብዙውን ጊዜ ከአክሲዮን መጨመር እንደሚቀድም ካወቀ፣ ነጋዴዎች ያንን ምልክት ቀድመው መስራት ስለሚጀምሩ ዕድሉን ይሰርዛሉ። በመሰረቱ፣ ገበያዎች የታወቁ ስልቶችን ለማጥፋት ሊሻሻሉ ይችላሉ ። ዛሬ፣ ብዙ የንግድ ድርጅቶች እና ገንዘቦች AI እና ኤምኤልን ይጠቀማሉ። ይህ ውድድር ማንኛውም ጠርዝ ብዙውን ጊዜ ትንሽ እና አጭር ነው ማለት ነው. ውጤቱም የኤአይኢ ሞዴሎች ተለዋዋጭ የገበያ ተለዋዋጭነትን ለመከታተል የማያቋርጥ ማሰልጠን እና ማዘመን ሊያስፈልጋቸው ይችላል። በፈሳሽ እና በበሰሉ ገበያዎች (እንደ አሜሪካ ትላልቅ ካፕ አክሲዮኖች) በርካታ የተራቀቁ ተጫዋቾች ተመሳሳይ ምልክቶችን ለማግኘት እያደኑ ነው፣ ይህም ዳርን ለመጠበቅ በጣም አስቸጋሪ ያደርገዋል። በአንጻሩ፣ ባነሰ ቀልጣፋ ገበያዎች ወይም ጠቃሚ ንብረቶች፣ AI ጊዜያዊ ቅልጥፍናዎችን ሊያገኝ ይችላል - ነገር ግን እነዚያ ገበያዎች እየዘመኑ ሲሄዱ ክፍተቱ ሊዘጋ ይችላል። ይህ ተለዋዋጭ የገበያ ተፈጥሮ መሰረታዊ ፈተና ነው፡ “የጨዋታው ህግጋት” ቋሚ አይደሉም፣ ስለዚህ ባለፈው አመት የተሰራውን ሞዴል በሚቀጥለው አመት እንደገና ማስተካከል ሊያስፈልግ ይችላል።

• የገሃዱ ዓለም ገደቦች ፡ የኤአይአይ ሞዴል ዋጋዎችን በትክክል በትክክል መተንበይ ቢችልም ትንበያዎችን ወደ ትርፍ መቀየር ሌላ ፈተና ነው። ግብይት እንደ ኮሚሽኖች፣ መንሸራተት እና ግብሮች ያሉ የግብይት ወጪዎችን አንድ ሞዴል ብዙ ትናንሽ የዋጋ እንቅስቃሴዎችን በትክክል ሊተነብይ ይችላል፣ ነገር ግን ትርፉ በክፍያ እና በገቢያ ተጽዕኖ ሊጠፋ ይችላል። የስጋት አያያዝም ወሳኝ ነው - ምንም ትንበያ 100% የተረጋገጠ አይደለም፣ ስለዚህ ማንኛውም በ AI የሚመራ ስትራቴጂ ሊደርስ የሚችለውን ኪሳራ (በማቆሚያ-ኪሳራ ትዕዛዞች፣ በፖርትፎሊዮ ዳይቨርሲቲዎች፣ ወዘተ.) መመዝገብ አለበት። ተቋማቱ የ AI ትንበያዎችን ወደ ሰፊ የአደጋ ማእቀፍ በማዋሃድ AI በእርሻ ላይ ስህተት ሊሆን በሚችል ትንበያ ላይ እንደማይወራረድ ለማረጋገጥ። እነዚህ ተግባራዊ እሳቤዎች ማለት ከእውነተኛ አለም ግጭቶች በኋላ ጠቃሚ ለመሆን የኤአይአይ ቲዎሬቲካል ጠርዝ ትልቅ መሆን አለበት ማለት ነው።

በማጠቃለያው AI እጅግ በጣም ጥሩ ችሎታዎች አሉት, ነገር ግን እነዚህ ገደቦች የአክሲዮን ገበያው በከፊል ሊተነበይ የሚችል, ከፊል የማይታወቅ ስርዓት መቆየቱን . የ AI ሞዴሎች መረጃን በተቀላጠፈ ሁኔታ በመተንተን እና ምናልባትም ስውር ትንበያ ምልክቶችን በመለየት ዕድሉን ወደ ባለሀብት ሞገስ ማጋደል ይችላሉ። ነገር ግን፣ ቀልጣፋ የዋጋ አወጣጥ፣ ጫጫታ ያለው መረጃ፣ ያልተጠበቁ ክስተቶች እና ተግባራዊ ገደቦች ጥምረት ማለት ምርጡ AI እንኳን አንዳንድ ጊዜ ስህተት ይሆናል - ብዙውን ጊዜ በማይታወቅ ሁኔታ።

የ AI ሞዴሎች አፈፃፀም፡ ማስረጃው ምን ይላል?

ከሁለቱም እድገቶች እና ተግዳሮቶች አንፃር፣ AI በአክሲዮን ትንበያ ላይ ተግባራዊ ለማድረግ ከምርምር እና ከእውነተኛው ዓለም ሙከራዎች ምን ተምረናል? የእስካሁኑ ውጤቶቹ የተደባለቁ ናቸው፣ ሁለቱንም ተስፋ ሰጭ ስኬቶች እና አሳሳቢ ውድቀቶችን ።

• የ AI ሞዴሎች በተወሰኑ ሁኔታዎች ውስጥ የዘፈቀደ ግምትን ማሸነፍ እንደሚችሉ በርካታ ጥናቶች አረጋግጠዋል። ለምሳሌ፣ በ2024 የተደረገ ጥናት በቬትናም የአክሲዮን ገበያ ያለውን የአክሲዮን የዋጋ አዝማሚያ በመተግበር ከፍተኛ ትንበያ ትክክለኛነትን ዘግቧል - 93 በመቶ ገደማ በፈተና መረጃ ላይ ( በአክሲዮን ገበያ ላይ ያለውን የአክሲዮን ዋጋ አዝማሚያ ለመተንበይ የማሽን መማሪያ ስልተ ቀመሮችን መተግበር - የቬትናም ጉዳይ | ሂውማኒቲስ እና ማህበራዊ ሳይንስ ኮሙኒኬሽንስ )። ይህ የሚያሳየው በዚያ ገበያ (በታዳጊ ኢኮኖሚ) ውስጥ ሞዴሉ ወጥነት ያለው ዘይቤዎችን ለመያዝ መቻሉን ነው፣ ምናልባትም ገበያው ኤል.ኤስ.ኤም. የተማረው ውጤታማ ጉድለቶች ወይም ጠንካራ ቴክኒካዊ አዝማሚያዎች ስላሉት ሊሆን ይችላል። የ S&P 500 አክሲዮኖች (በጣም ቀልጣፋ ገበያ) የአጭር ጊዜ ተመላሾችን ለመተንበይ ሞክረዋል እንደ የመደብ ችግር ቀርፀውታል - በሚቀጥሉት 10 ቀናት ውስጥ አንድ አክሲዮን መረጃ ጠቋሚውን በ2% ይበልጣል ወይም አይበልጠው እንደሆነ መተንበይ - እንደ Random Forests፣ SVM እና LSTM ያሉ ስልተ ቀመሮችን በመጠቀም። ውጤቱ፡ የ LSTM ሞዴል ከሁለቱም የኤምኤል ሞዴሎች እና የዘፈቀደ መነሻ መስመር በልጦ ነበር ፣ በውጤቶቹ አሀዛዊ ትርጉም ያለው ፋይዳ ያለው ዕድል ብቻ እንዳልሆነ ለመጠቆም ( የማሽን መማሪያን በመጠቀም ለ S&P 500 አክሲዮኖች አንጻራዊ ተመላሾችን መተንበይ | የፋይናንሺያል ፈጠራ | ሙሉ ጽሑፍ )። የዘፈቀደ የእግር ጉዞ መላምት ዕድል “በቸልተኝነት ትንሽ” ነበር፣ ይህም የኤምኤል አምሳያዎቻቸው ትክክለኛ ትንበያ ምልክቶችን እንዳገኙ ያሳያል ብለው ደምድመዋል። እነዚህ ምሳሌዎች AI በእርግጥ የአክሲዮን እንቅስቃሴዎችን ለመተንበይ ጠርዝ የሚሰጡ ቅጦችን (መጠነኛ ቢሆንም እንኳ) መለየት እንደሚችል ያሳያሉ፣ በተለይም በትላልቅ የውሂብ ስብስቦች ላይ ሲሞከር።

• በኢንዱስትሪ ውስጥ የሚታወቁ የአጠቃቀም ጉዳዮች፡- ከአካዳሚክ ጥናቶች ውጭ፣ በግብይት ስራዎቻቸው AIን በተሳካ ሁኔታ ስለተጠቀሙ የሄጅ ፈንዶች እና የፋይናንስ ተቋማት ሪፖርቶች አሉ። አንዳንድ ከፍተኛ-ድግግሞሽ የንግድ ድርጅቶች በሴኮንድ ክፍልፋዮች ውስጥ ጥቃቅን መዋቅራዊ ቅጦችን ለመለየት እና ምላሽ ለመስጠት AIን ይጠቀማሉ። ትልልቅ ባንኮች ለፖርትፎሊዮ ድልድል እና ለአደጋ ትንበያ ፣ ይህ ሁልጊዜ የአንድን አክሲዮን ዋጋ ለመተንበይ ባይሆንም፣ የገበያውን ትንበያ (እንደ ተለዋዋጭነት ወይም ግኑኝነት) ያካትታል። የንግድ ውሳኔዎችን ለማድረግ የማሽን መማሪያን የሚጠቀሙ በ AI የሚመሩ ገንዘቦችም አሉ (ብዙውን ጊዜ “ኳንት ፈንድ” ይባላሉ) - አንዳንዶች የሰዎችን እና የማሽን ኢንተለጀንስ ጥምረት ስለሚጠቀሙ የተወሰኑት ለተወሰነ ጊዜ ከገበያው የተሻለ ውጤት አግኝተዋል። የስሜት ትንተና መጠቀም ነው ፡ ለምሳሌ፡ ዜናን እና ትዊተርን በመቃኘት የአክሲዮን ዋጋዎች በምላሹ እንዴት እንደሚንቀሳቀሱ ለመተንበይ። እንደነዚህ ያሉ ሞዴሎች 100% ትክክል ላይሆኑ ይችላሉ, ነገር ግን ነጋዴዎች በዜና ዋጋ ላይ ትንሽ ጅምር ሊሰጡ ይችላሉ. ኩባንያዎች እንደ አእምሯዊ ንብረት ሆነው የተሳካላቸው የ AI ስትራቴጂዎችን ዝርዝሮች በቅርበት እንደሚጠብቁ ልብ ሊባል የሚገባው ጉዳይ ነው፣ ስለዚህ በሕዝብ ግዛት ውስጥ ያለው መረጃ የመዘግየት ወይም የታሪክ መረጃ ሊሆን ይችላል።

• ዝቅተኛ አፈጻጸም እና ውድቀቶች ጉዳዮች ፡ ለእያንዳንዱ የስኬት ታሪክ፣ ጥንቃቄ የተሞላበት ተረቶች አሉ። በአንድ ገበያ ወይም የጊዜ ገደብ ውስጥ ከፍተኛ ትክክለኛነትን የሚናገሩ ብዙ የአካዳሚክ ጥናቶች አጠቃላይ ማድረግ አልቻሉም። አንድ ታዋቂ ሙከራ የተሳካ የህንድ የስቶክ ገበያ ትንበያ ጥናትን (በቴክኒካል አመልካቾች ላይ ኤምኤልን በመጠቀም ከፍተኛ ትክክለኛነት ያለው) በአሜሪካ አክሲዮኖች ላይ ለመድገም ሞክሯል። ማባዛቱ ምንም ጉልህ የሆነ የመተንበይ ኃይል - በእውነቱ ፣ አክሲዮኑን ሁል ጊዜ ለመተንበይ ቀላል ያልሆነ ስትራቴጂ በሚቀጥለው ቀን ውስብስብ የኤምኤል ሞዴሎችን በትክክል በላቀ ነው። ደራሲዎቹ ውጤታቸው “የዘፈቀደ የእግር ጉዞ ንድፈ ሃሳብን ይደግፋሉ” ፣ ይህ ማለት የአክሲዮን እንቅስቃሴዎች በመሠረቱ ያልተጠበቁ ነበሩ እና የኤምኤል ሞዴሎች አልረዱም። ይህ የሚያሳየው ውጤቶቹ በገበያ እና በጊዜ ሁኔታ በከፍተኛ ሁኔታ ሊለያዩ እንደሚችሉ ነው። በተመሳሳይ፣ በርካታ የKaggle ውድድሮች እና የኳንት ጥናት ውድድሮች እንደሚያሳዩት ሞዴሎች ብዙውን ጊዜ ያለፈውን መረጃ በትክክል ማመጣጠን ቢችሉም ፣በቀጥታ ንግድ ውስጥ ያላቸው አፈፃፀም ብዙውን ጊዜ አዳዲስ ሁኔታዎች ሲያጋጥማቸው ወደ 50% ትክክለኛነት (ለአቅጣጫ ትንበያ) ይመለሳል። እንደ እ.ኤ.አ. በ2007 እንደ 2007 የኳንት ፈንድ ውድቀት እና በኤአይ-ተኮር ፈንዶች ያጋጠሟቸው ችግሮች በ2020 ወረርሽኝ ወረርሽኝ ወቅት የኤአይአይ ሞዴሎች የገበያው አገዛዝ ሲቀየር በድንገት ሊወድቁ እንደሚችሉ ያሳያሉ። የተረፈ አድልኦ በአመለካከቶች ውስጥም አንድ ምክንያት ነው - ስለ AI ስኬቶች ከውድቀቶቹ በበለጠ ብዙ ጊዜ እንሰማለን ነገር ግን ከትዕይንቱ በስተጀርባ ብዙ ሞዴሎች እና ገንዘቦች በጸጥታ ይወድቃሉ እና ይዘጋሉ ምክንያቱም ስልታቸው መስራቱን ያቆማል።

• በገበያ ውስጥ ያሉ ልዩነቶች፡- ከጥናቶች አንድ አስደሳች ምልከታ የኤአይኤ ውጤታማነት በገበያ ብስለት እና ቅልጥፍና ። በአንፃራዊነት ባነሰ ቀልጣፋ ወይም ብቅ ባሉ ገበያዎች፣ የበለጠ ጥቅም ላይ የሚውሉ ቅጦች ሊኖሩ ይችላሉ (በዝቅተኛ የትንታኔ ሽፋን፣ የፈሳሽ ውስንነት ወይም የባህሪ አድሏዊነት)፣ AI ሞዴሎች ከፍተኛ ትክክለኛነትን እንዲያገኙ ያስችላቸዋል። የቬትናም ገበያ LSTM ጥናት በ93% ትክክለኛነት ለዚህ ምሳሌ ሊሆን ይችላል። በአንጻሩ፣ እንደ ዩኤስ ባሉ በጣም ቀልጣፋ ገበያዎች፣ እነዚያ ቅጦች በፍጥነት ወደ ሽምግልና ሊወገዱ ይችላሉ። በቬትናም ጉዳይ እና በዩኤስ የማባዛት ጥናት መካከል ያለው የተቀላቀሉ ውጤቶች ይህንን ልዩነት ይጠቁማሉ። በአለምአቀፍ ደረጃ፣ ይህ ማለት AI በአሁኑ ጊዜ በተወሰኑ ገበያዎች ወይም የንብረት ክፍሎች ውስጥ የተሻለ ትንበያ አፈፃፀም ሊያመጣ ይችላል (ለምሳሌ ፣ አንዳንዶች የሸቀጦችን ዋጋ ለመተንበይ AIን ተተግብረዋል ወይም የተለያዩ ስኬት ያላቸውን የክሪፕቶፕ አዝማሚያዎች)። ከጊዜ በኋላ፣ ሁሉም ገበያዎች ወደ ከፍተኛ ቅልጥፍና ሲሄዱ፣ ለቀላል ትንበያ መስኮቱ እየጠበበ ይሄዳል።

• ትክክለኛነት እና ትርፋማነት፡- የትንበያ ትክክለኛነትን ከኢንቨስትመንት ትርፋማነት መለየትም አስፈላጊ ነው ። አንድ ሞዴል የአንድ አክሲዮን ዕለታዊ ወደ ላይ ወይም ወደ ታች እንቅስቃሴ ለመተንበይ 60% ትክክለኛ ብቻ ሊሆን ይችላል - ይህ በጣም ከፍተኛ አይመስልም - ነገር ግን እነዚያ ትንበያዎች በስማርት የንግድ ስትራቴጂ ውስጥ ጥቅም ላይ ከዋሉ በጣም ትርፋማ ሊሆኑ ይችላሉ። በአንጻሩ፣ አንድ ሞዴል 90% ትክክለኛነትን ሊኮራ ይችላል፣ ነገር ግን 10% ጊዜ ስህተት የሆነው ከትላልቅ የገበያ እንቅስቃሴዎች (እና ትልቅ ኪሳራ) ጋር የሚገጣጠም ከሆነ ትርፋማ ሊሆን ይችላል። ብዙ የ AI የአክሲዮን ትንበያ ጥረቶች በአቅጣጫ ትክክለኛነት ወይም በስህተት መቀነስ ላይ ያተኩራሉ፣ ነገር ግን ባለሀብቶች ለአደጋ የተስተካከሉ ምላሾች ያስባሉ። ስለዚህ፣ ግምገማዎች ብዙውን ጊዜ እንደ ሻርፕ ሬሾ፣ ቀረጻዎች እና የአፈጻጸም ወጥነት ያሉ መለኪያዎችን ያጠቃልላሉ፣ ጥሬ የመምታት መጠንን ብቻ አይደለም። አንዳንድ የ AI ሞዴሎች ቦታዎችን የሚያስተዳድሩ እና በራስ-ሰር አደጋን በሚፈጥሩ በአልጎሪዝም የግብይት ስርዓቶች ውስጥ ተዋህደዋል - እውነተኛ አፈፃፀማቸው የሚለካው በተናጥል ከሚገመተው ስታቲስቲክስ ይልቅ ቀጥታ የንግድ ልውውጥ ነው። እስካሁን ድረስ ሙሉ በሙሉ ራሱን የቻለ “AI ነጋዴ” በአስተማማኝ ሁኔታ ገንዘብን ከአመት አመት የሚያወጣ ሳይንሳዊ ልብ ወለድ ከእውነታው በላይ ነው፣ ነገር ግን ጠባብ አፕሊኬሽኖች (እንደ AI ሞዴል የአጭር ጊዜ የገበያ ተለዋዋጭነትን ነጋዴዎች ለዋጋ አማራጮች ሊጠቀሙበት እንደሚችሉ ወዘተ.) በፋይናንሺያል መሳሪያ ስብስብ ውስጥ ቦታ አግኝተዋል።

በአጠቃላይ፣ መረጃው እንደሚያመለክተው AI የተወሰኑ የገበያ ንድፎችን ከአጋጣሚ በተሻለ ትክክለኛነት ሊተነብይ ይችላል ፣ እና ይህን ሲያደርጉ የግብይት ጫፍን ሊሰጥ ይችላል። ነገር ግን፣ ያ ጠርዝ ብዙ ጊዜ ትንሽ ነው እና ትልቅ ጥቅም ለማግኘት የተራቀቀ ግድያ ያስፈልገዋል። አንድ ሰው ሲጠይቅ AI የአክሲዮን ገበያውን መተንበይ ይችላል? አሁን ባለው ማስረጃ ላይ ተመስርተው በጣም ታማኝ የሆነው መልስ: AI አንዳንድ ጊዜ በተወሰኑ ሁኔታዎች ውስጥ የአክሲዮን ገበያውን ገፅታዎች ሊተነብይ ይችላል, ነገር ግን በማንኛውም ጊዜ ለሁሉም አክሲዮኖች በቋሚነት ይህን ማድረግ አይችልም . ስኬቶች ከፊል እና በዐውደ-ጽሑፍ ላይ የተመሰረቱ ናቸው.

ማጠቃለያ፡ በአክሲዮን ገበያ ትንበያ ውስጥ ለ AI የሚጠበቁ ተጨባጭ ነገሮች

AI እና የማሽን መማር ያለምንም ጥርጥር በፋይናንስ ውስጥ ኃይለኛ መሳሪያዎች ሆነዋል። ግዙፍ የውሂብ ስብስቦችን በማዘጋጀት, የተደበቁ ግንኙነቶችን በማወቅ እና አልፎ ተርፎም በመብረር ላይ ስልቶችን በማጣጣም ረገድ በጣም ጥሩ ናቸው. ተጨባጭ ግን ውስን ድሎችን አስረክቧል ባለሀብቶች እና ተቋማት በውሳኔ አሰጣጥ ላይ AI እንዲረዳ በተጨባጭ ሊጠብቁ ይችላሉ - ለምሳሌ ትንበያ ምልክቶችን በማመንጨት ፣ ፖርትፎሊዮዎችን በማመቻቸት ወይም አደጋን በመቆጣጠር - ነገር ግን ትርፍ እንደሚያስገኝ እንደ ክሪስታል ኳስ እንዳያገለግል።

AI ምን
ይችላል : AI በኢንቨስትመንት ውስጥ ያለውን የትንታኔ ሂደት ማሻሻል ይችላል. የዓመታት የገበያ መረጃን፣ የዜና ምግቦችን እና የፋይናንሺያል ሪፖርቶችን በሰከንዶች ውስጥ በማጣራት የሰው ልጅ ችላ ሊላቸው የሚችላቸውን ስውር ቅጦችን ወይም ያልተለመዱ ነገሮችን በመለየት ( በማሽን መማር ለስቶክ ገበያ ትንበያ... | FMP )። በመቶዎች የሚቆጠሩ ተለዋዋጮችን (ቴክኒካል፣ መሰረታዊ፣ ስሜት፣ ወዘተ) ወደ አንድ ወጥ የሆነ ትንበያ ሊያጣምር ይችላል። በአጭር ጊዜ ግብይት ውስጥ፣ AI ስልተ ቀመሮች አንድ አክሲዮን ከሌላው እንደሚበልጥ በዘፈቀደ ትክክለኛነት በመጠኑ በተሻለ ሁኔታ ሊተነብዩ ወይም ገበያ ተለዋዋጭነት ሊጨምር ነው። እነዚህ የመጨመሪያ ጠርዞች፣ በአግባቡ ጥቅም ላይ ሲውሉ፣ ወደ እውነተኛ የገንዘብ ትርፍ ሊተረጎሙ ይችላሉ። በአደጋ አያያዝ ውስጥም ሊረዳ ይችላል - ስለ ውድቀት ቅድመ ማስጠንቀቂያዎችን መለየት ወይም ስለ ትንበያ የመተማመን ደረጃ ባለሀብቶችን ማሳወቅ። ሌላው የ AI ተግባራዊ ሚና በስትራቴጂ አውቶሜሽን ፡ ስልተ ቀመሮች የንግድ ልውውጦችን በከፍተኛ ፍጥነት እና ድግግሞሽ፣ በ24/7 ክስተቶች ምላሽ መስጠት እና ተግሣጽን ማስፈጸም (ስሜታዊ ንግድ የለም)፣ በተለዋዋጭ ገበያዎች ውስጥ ጠቃሚ ሊሆን ይችላል።

AI
የማይችለው (ገና) ፡ በአንዳንድ ሚዲያዎች ውስጥ ከፍተኛ ወሬ ቢኖርም AI ሁልጊዜ ገበያውን በመምታት ወይም ዋና ዋና የለውጥ ነጥቦችን በመመልከት የአክሲዮን ገበያን በቋሚነት እና በአስተማማኝ ሁኔታ መተንበይ ገበያዎች በሰዎች ባህሪ፣ በዘፈቀደ ክስተቶች እና ማንኛውንም የማይንቀሳቀስ ሞዴል በሚቃወሙ ውስብስብ የአስተያየት ምልከታዎች ተጽዕኖ ይደርስባቸዋል። AI እርግጠኛ አለመሆንን አያስወግድም; ፕሮባቢሊቲዎችን ብቻ ይመለከታል። አንድ AI ነገ አንድ አክሲዮን 70% ከፍ ሊል እንደሚችል ሊያመለክት ይችላል - ይህ ማለት ደግሞ 30% የማይሆን ​​ዕድል ማለት ነው. ግብይቶችን ማጣት እና መጥፎ ጥሪዎች የማይቀር ናቸው። AI ከስልጠናው መረጃ ውጭ የሆኑ እውነተኛ ልብ ወለድ ክስተቶችን (ብዙውን ጊዜ "ጥቁር ስዋን" የሚል ስያሜ የተሰጠው) አስቀድሞ መገመት አይችልም። ከዚህም በላይ ማንኛውም የተሳካ ትንበያ ሞዴል ጥቅሙን ሊሽር የሚችል ውድድርን ይጋብዛል. በመሠረቱ፣ የገበያውን የወደፊት ዕጣ ፈንታ አርቆ ለማሰብ ዋስትና የሚሰጥ እንደ ክሪስታል ኳስ ዓይነት AI የለም ባለሀብቶች ሌላ ነኝ ከሚል ማንኛውም ሰው መጠንቀቅ አለባቸው።

ገለልተኛ፣ እውነታዊ እይታ
፡ ከገለልተኛ እይታ አንጻር AI በባህላዊ ትንተና እና በሰዎች ማስተዋል ምትክ ሳይሆን እንደ ማሻሻያ ነው የሚታየው። በተግባር ብዙ ተቋማዊ ባለሀብቶች ከሰው ተንታኞች እና የፖርትፎሊዮ አስተዳዳሪዎች ግብአት ጎን ለጎን የ AI ሞዴሎችን ይጠቀማሉ። AI ቁጥሮችን ሊሰብር እና ትንበያዎችን ሊያወጣ ይችላል፣ ነገር ግን ሰዎች አላማውን ያዘጋጃሉ፣ ውጤቶችን ይተረጉማሉ እና ለዐውደ-ጽሑፉ ስልቶችን ያስተካክላሉ (ለምሳሌ ባልተጠበቀ ቀውስ ወቅት ሞዴልን መሻር)። በ AI የሚነዱ መሳሪያዎችን ወይም የንግድ ቦቶችን የሚጠቀሙ የችርቻሮ ባለሀብቶች ንቁ ሆነው ይቆዩ እና የመሳሪያውን አመክንዮ እና ወሰን ይረዱ። የ AI ምክሮችን በጭፍን መከተል አደገኛ ነው - ከብዙዎች መካከል እንደ አንድ ግብአት ሊጠቀምበት ይገባል.

በተጨባጭ የሚጠበቁ ነገሮችን በማዘጋጀት አንድ ሰው መደምደም ይችላል: AI የአክሲዮን ገበያውን በተወሰነ ደረጃ ሊተነብይ ይችላል, ነገር ግን በእርግጠኝነት እና ያለ ስህተት አይደለም . ትክክለኛ ጥሪ የማድረግ እድሎችን ሊጨምር ቅልጥፍናን ይችላል ፣ ይህም በውድድር ገበያዎች ውስጥ በትርፍ እና በኪሳራ መካከል ያለው ልዩነት ሊሆን ይችላል። ነገር ግን፣ ለስኬት ዋስትና አይሰጥም ወይም በተፈጥሮ ያለውን ተለዋዋጭነት እና የፍትሃዊነት ገበያ ስጋትን ማስወገድ አይችልም አንድ ሕትመት እንዳመለከተው፣ በተቀላጠፈ ስልተ ቀመሮችም ቢሆን፣ በአክሲዮን ገበያው ውስጥ ያለው ውጤት ከሞዴል መረጃ በላይ በሆኑ ምክንያቶች የተነሳ “በተፈጥሮ ሊተነበይ የማይችል” ።

ወደፊት ያለው መንገድ፡ በጉጉት
ስንጠባበቅ የኤአይኤ በስቶክ ገበያ ትንበያ ላይ ያለው ሚና እያደገ መምጣቱ አይቀርም። ቀጣይነት ያለው ጥናት አንዳንድ ውሱንነቶችን እየፈታ ነው (ለምሳሌ፣ የአገዛዝ ለውጦችን የሚያመለክቱ ሞዴሎችን ማዘጋጀት፣ ወይም ሁለቱንም በውሂብ ላይ የተመሰረተ እና በክስተት ላይ የተመሰረተ ትንታኔን የሚያካትቱ ድብልቅ ስርዓቶችን ማዘጋጀት)። ከቋሚ የሰለጠኑ ሞዴሎች በተሻለ ሁኔታ ተለዋዋጭ አካባቢዎችን ሊያስተናግድ የሚችል ከአዳዲስ የገበያ መረጃዎች ጋር በቅጽበት የሚላመዱ የማጠናከሪያ ትምህርት ወኪሎች ፍላጎት አለ በተጨማሪም AIን ከባህሪ ፋይናንስ ወይም ከአውታረ መረብ ትንተና ቴክኒኮች ጋር ማጣመር የበለጸጉ የገበያ ተለዋዋጭ ሞዴሎችን ሊያመጣ ይችላል። የሆነ ሆኖ፣ በጣም የላቀው የወደፊት AI እንኳን በአቅም እና በጥርጣሬ ወሰን ውስጥ ይሰራል።

በማጠቃለያው “AI የአክሲዮን ገበያውን መተንበይ ይችላል?” ቀላል አዎ ወይም የለም መልስ የለውም። በጣም ትክክለኛው መልስ: AI የአክሲዮን ገበያውን ለመተንበይ ሊረዳ ይችላል, ግን የማይሳሳት አይደለም. በጥበብ ጥቅም ላይ ሲውል የትንበያ እና የግብይት ስልቶችን የሚያጎለብቱ ኃይለኛ መሳሪያዎችን ያቀርባል, ነገር ግን የገበያውን መሠረታዊ ያልተጠበቀ ሁኔታ አያስወግድም. ባለሀብቶች AI ለጥንካሬዎቹ - የውሂብ ሂደት እና የስርዓተ-ጥለት ማወቂያን - ድክመቶቹን እያወቁ መቀበል አለባቸው። ይህን ሲያደርጉ አንድ ሰው ከሁለቱም ዓለማት ምርጡን መጠቀም ይችላል-የሰው ፍርድ እና የማሽን ኢንተለጀንስ አብረው የሚሰሩ። የአክሲዮን ገበያው 100% ሊገመት የማይችል ሊሆን ይችላል፣ ነገር ግን በተጨባጭ የሚጠበቁ ነገሮች እና የ AI ጥንቁቅ አጠቃቀም፣ የገበያ ተሳታፊዎች የተሻለ መረጃ ያለው፣ የበለጠ ሥርዓታማ የኢንቨስትመንት ውሳኔዎችን በየጊዜው በማደግ ላይ ባለው የፋይናንስ ገጽታ ላይ ጥረት ማድረግ ይችላሉ።

ከዚህ በኋላ ማንበብ ሊፈልጓቸው የሚችሏቸው ነጭ ወረቀቶች፡-

🔗 AI የማይተኩ ስራዎች - እና AI ምን ስራዎችን ይተካዋል?
AI ዓለም አቀፋዊ የስራ ስምሪትን ሲያስተካክል የትኞቹ ሙያዎች ለወደፊት ማረጋገጫ እንደሆኑ እና የትኞቹ በጣም የተጋለጡ እንደሆኑ ይወቁ።

🔗 ጀነሬቲቭ AI ያለ ሰው ጣልቃ ገብነት ምን ሊደረግ ይችላል?
በተግባራዊ ሁኔታዎች ውስጥ የጄኔሬቲቭ AI የአሁኑን ድንበሮች እና በራስ ገዝ ችሎታዎች ይረዱ።

🔗 Generative AI በሳይበር ደህንነት ውስጥ እንዴት መጠቀም ይቻላል?
AI እንዴት ዛቻዎችን እንደሚከላከል እና የሳይበርን የመቋቋም አቅም በሚገመት እና በራስ ገዝ መሳሪያዎች እንደሚያሳድግ ይወቁ።