የ AI የአክሲዮን ገበያን መተንበይ ይችላል?

መግቢያ

የአክሲዮን ገበያን መተንበይ ከረጅም ጊዜ በፊት በዓለም ዙሪያ በተቋማትም ሆነ በችርቻሮ ባለሀብቶች የሚፈለግ የፋይናንስ "ቅዱስ ስጦታ" ሆኖ ቆይቷል። በቅርብ ጊዜ በአርቴፊሻል ኢንተለጀንስ (AI) እና በማሽን ለርኒንግ (ML) ፣ ብዙዎች እነዚህ ቴክኖሎጂዎች የአክሲዮን ዋጋዎችን የመተንበይ ሚስጥር በመጨረሻ ከፈቱት ብለው ያስባሉ። አርቴፊሻል ኢንተለጀንስ የአክሲዮን ገበያን መተንበይ ይችላል? በፋይናንስ ገበያ ትንበያ አውድ ውስጥ ምን ማድረግ እንደሚችል እና እንደማይችል ከሚገልጸው ድምቀት ይልቅ በምርምር ላይ የተመሠረተ ገለልተኛ ትንተና እናቀርባለን።

በፋይናንሺያል ቲዎሪ፣ የትንበያ ተግዳሮት በብቃት ባለው የገበያ መላምት (EMH) ። EMH (በተለይም በ"ጠንካራ" መልኩ) የአክሲዮን ዋጋዎች በማንኛውም ጊዜ የሚገኙትን ሁሉንም መረጃዎች ሙሉ በሙሉ እንደሚያንፀባርቁ ይጠቁማል፣ ይህም ማለት ማንኛውም ባለሀብት (ውስጣዊ ሰዎችም እንኳን) በሚገኙ መረጃዎች ላይ በመገበያየት ገበያውን በተከታታይ ሊያሻሽሉ አይችሉም ማለት ነው ( በነርቭ አውታረ መረቦች ላይ የተመሰረቱ በመረጃ ላይ የተመሰረቱ የአክሲዮን ትንበያ ሞዴሎች፡ ግምገማ )። በቀላል አነጋገር፣ ገበያዎች በጣም ቀልጣፋ ከሆኑ እና ዋጋዎች በዘፈቀደ መንገድ ፣ የወደፊት ዋጋዎችን በትክክል መተንበይ ፈጽሞ የማይቻል ሊሆን ይችላል። ይህ ንድፈ ሐሳብ ቢኖርም፣ ገበያውን የማሸነፍ ፍላጎት ወደ የላቀ የትንበያ ዘዴዎች ሰፊ ምርምርን አነሳስቷል። የAI እና የማሽን ትምህርት ለዚህ ፍለጋ ማዕከላዊ ሆነዋል፣ ምክንያቱም ከፍተኛ መጠን ያለው መረጃ የማስኬድ እና ሰዎች ሊያመልጧቸው የሚችሉ ስውር ቅጦችን የመለየት ችሎታቸው ነው ( ለአክሲዮን ገበያ ትንበያ ማሽን መማርን መጠቀም... | FMP )።

ይህ ነጭ ወረቀት ለአክሲዮን ገበያ ትንበያ ጥቅም ላይ የሚውሉ የAI ቴክኒኮችን አጠቃላይ አጠቃላይ እይታ ይሰጣል እና ውጤታማነታቸውን ይገመግማል። ቲዎሪካል መሠረቶች (ከባህላዊ የጊዜ ተከታታይ ዘዴዎች እስከ ጥልቅ የነርቭ አውታረ መረቦች እና የማጠናከሪያ ትምህርት) እንመረምራለን፣ ለእነዚህ ሞዴሎች የውሂብ እና የሥልጠና ሂደትን ገደቦች እና ተግዳሮቶች እንደ የገበያ ቅልጥፍና፣ የውሂብ ጫጫታ እና የማይታሰቡ ውጫዊ ክስተቶችን እናጎላለን። እስካሁን የተገኙትን ድብልቅ ውጤቶች ለማሳየት የእውነተኛ ዓለም ጥናቶች እና ምሳሌዎች ተካተዋል። በመጨረሻም፣ ለባለሀብቶች እና ለባለሙያዎች ተጨባጭ ግምቶችን በማቅረብ እንደመደማለን፡ የAI አስደናቂ ችሎታዎችን በመቀበል የፋይናንስ ገበያዎች ምንም አይነት ስልተ ቀመር ሙሉ በሙሉ ሊያስወግዳቸው የማይችል የማይገመት ደረጃን እንደያዙ በመገንዘብ።

በአክሲዮን ገበያ ትንበያ ውስጥ የ AI ቲዎሬቲካል መሠረቶች

ዘመናዊ በAI ላይ የተመሠረተ የአክሲዮን ትንበያ የተገነባው በስታቲስቲክስ፣ በፋይናንስ እና በኮምፒውተር ሳይንስ ውስጥ ለአስርተ ዓመታት በተደረጉ ጥናቶች ላይ ነው። ከባህላዊ ሞዴሎች እስከ ዘመናዊ የAI አቀራረቦች ያለውን ስፔክትረም መረዳት ጠቃሚ ነው፡

• ባህላዊ የጊዜ ተከታታይ ሞዴሎች፡- ቀደምት የአክሲዮን ትንበያዎች በቀደሙት ዋጋዎች ላይ ቅጦችን የወደፊት ትንበያ ሊያሳዩ እንደሚችሉ በሚያስቡ ስታቲስቲካዊ ሞዴሎች ላይ የተመሰረቱ ናቸው። እንደ ARIMA (ራስ-ወደ ኋላ የሚመለስ የተቀናጀ የማንቀሳቀስ አማካይ) እና ARCH/GARCH በጊዜ ተከታታይ መረጃዎች ውስጥ መስመራዊ አዝማሚያዎችን እና የተለዋዋጭነት ክላስተርን በመያዝ ላይ ያተኩራሉ ( በነርቭ አውታረ መረቦች ላይ የተመሰረቱ በመረጃ የሚመሩ የአክሲዮን ትንበያ ሞዴሎች፡ ግምገማ )። እነዚህ ሞዴሎች በቋሚነት እና በቀጥተኛነት ግምቶች ስር ታሪካዊ የዋጋ ቅደም ተከተሎችን በሞዴልነት በመተንበይ ለመተንበይ መነሻ መስመር ይሰጣሉ። ጠቃሚ ቢሆኑም፣ ባህላዊ ሞዴሎች ብዙውን ጊዜ ከእውነተኛ ገበያዎች ውስብስብ፣ መስመራዊ ያልሆኑ ቅጦች ጋር ይታገላሉ፣ ይህም በተግባር ውስን የሆነ የትንበያ ትክክለኛነትን ያስከትላል ( በነርቭ አውታረ መረቦች ላይ የተመሰረቱ በመረጃ የሚመሩ የአክሲዮን ትንበያ ሞዴሎች፡ ግምገማ )።

• የማሽን መማሪያ ስልተ ቀመሮች ከውሂብ በቀጥታ በመማር ቅጦች አማካኝነት አስቀድሞ ከተገለጹት የስታቲስቲክስ ቀመሮች አልፈው ይሄዳሉ ። እንደ የድጋፍ ቬክተር ማሽኖች (SVM) ፣ የዘፈቀደ ደኖች እና የቅልመት መጨመር ያሉ ለአክሲዮን ትንበያ ተተግብረዋል። ከቴክኒካል አመልካቾች (ለምሳሌ፣ የሚንቀሳቀሱ አማካዮች፣ የንግድ መጠን) እስከ መሰረታዊ አመልካቾች (ለምሳሌ፣ ገቢዎች፣ ማክሮ ኢኮኖሚክ መረጃ) - ድረስ ሰፊ የግብዓት ባህሪያትን ማካተት እና በመካከላቸው መስመራዊ ያልሆኑ ግንኙነቶችን ማግኘት ይችላሉ። ለምሳሌ፣ የዘፈቀደ የደን ወይም የቅልመት ማሳደግ ሞዴል በአንድ ጊዜ በደርዘን የሚቆጠሩ ነገሮችን ግምት ውስጥ ማስገባት ይችላል፣ ቀላል መስመራዊ ሞዴል ሊያመልጣቸው የሚችላቸውን መስተጋብሮች ይይዛል። እነዚህ የML ሞዴሎች በውሂቡ ውስጥ ውስብስብ ምልክቶችን በመለየት ትንበያ ትክክለኛነትን በመጠኑ የማሻሻል ችሎታ አሳይተዋል ( ለአክሲዮን ገበያ ትንበያ የማሽን መማሪያን መጠቀም... | FMP )። ሆኖም፣ ከመጠን በላይ መገጣጠምን ለማስወገድ ጥንቃቄ የተሞላበት ማስተካከያ እና በቂ መረጃ ያስፈልጋቸዋል (ሲግናል ሳይሆን የመማሪያ ድምጽ)።

• ጥልቅ ትምህርት (የነርቭ ኔትወርኮች)፡- ጥልቅ የነርቭ ኔትወርኮች ፣ በሰው አንጎል አወቃቀር ተመስጦ፣ በቅርብ ዓመታት ውስጥ ለአክሲዮን ገበያ ትንበያ ተወዳጅ ሆነዋል። ከእነዚህም መካከል፣ ተደጋጋሚ የነርቭ ኔትወርኮች (RNNs) እና የእነሱ ተለዋጭ የረጅም ጊዜ የማስታወስ ችሎታ (LSTM) ኔትወርኮች እንደ የአክሲዮን ዋጋ የጊዜ ተከታታይ ላሉ የቅደም ተከተል መረጃዎች በተለይ የተነደፉ ናቸው። LSTMs ያለፉትን መረጃዎች ማስታወስ እና የጊዜ ጥገኝነቶችን መያዝ ይችላሉ፣ ይህም በገበያ መረጃ ውስጥ አዝማሚያዎችን፣ ዑደቶችን ወይም ሌሎች በጊዜ ላይ የተመሰረቱ ቅጦችን ለመቅረጽ ተስማሚ ያደርጋቸዋል። ጥናቶች እንደሚያሳዩት LSTMs እና ሌሎች ጥልቅ የመማሪያ ሞዴሎች ቀላል ሞዴሎች ውስብስብ፣ መስመራዊ ያልሆኑ ግንኙነቶችን በፋይናንሺያል መረጃ ውስጥ ሊይዙ ይችላሉ። ሌሎች ጥልቅ የመማሪያ አቀራረቦች ኮንቮሽናል የነርቭ ኔትወርኮች (CNNs) (አንዳንድ ጊዜ በቴክኒካል አመልካች "ምስሎች" ወይም በተመሰጠሩ ቅደም ተከተሎች ላይ ጥቅም ላይ ይውላሉ)፣ ትራንስፎርመሮች (የተለያዩ የጊዜ ደረጃዎችን ወይም የውሂብ ምንጮችን አስፈላጊነት ለመመዘን የትኩረት ዘዴዎችን የሚጠቀሙ)፣ እና የግራፍ የነርቭ ኔትወርኮች (GNNs) (በገበያ ግራፍ ውስጥ በአክሲዮኖች መካከል ያለውን ግንኙነት ለመቅረጽ) እንኳን። እነዚህ የተራቀቁ የነርቭ መረቦች የዋጋ መረጃን ብቻ ሳይሆን እንደ የዜና ጽሑፍ፣ የማህበራዊ ሚዲያ ስሜት እና ሌሎችንም ያሉ አማራጭ የመረጃ ምንጮችን ሊወስዱ ይችላሉ፣ የገበያ እንቅስቃሴዎችን ሊተነብዩ የሚችሉ ረቂቅ ባህሪያትን መማር ( ለአክሲዮን ገበያ ትንበያ ማሽን መማርን መጠቀም... | FMP )። የጥልቅ ትምህርት ተለዋዋጭነት ከዋጋ ጋር ይመጣል፡- መረጃ የሚራቡ፣ በኮምፒውተር ላይ ከፍተኛ ትኩረት የሚስቡ እና ብዙውን ጊዜ እንደ “ጥቁር ሳጥኖች” ሆነው አነስተኛ ትርጉም ያላቸው ሆነው ይሰራሉ።

• የማጠናከሪያ ትምህርት ፡ በ AI የአክሲዮን ትንበያ ውስጥ ሌላኛው ድንበር የማጠናከሪያ ትምህርት (RL) ሲሆን ግቡ ዋጋዎችን መተንበይ ብቻ ሳይሆን ጥሩ የንግድ ስትራቴጂ መማር ነው። በ RL ማዕቀፍ ውስጥ፣ አንድ ወኪል (AI ሞዴል) ከአካባቢ (ገበያ) ጋር እርምጃ በመውሰድ (በመግዛት፣ በመሸጥ፣ በመያዝ) እና ሽልማቶችን (ትርፍ ወይም ኪሳራዎችን) በመቀበል ይገናኛል። ከጊዜ በኋላ ወኪሉ የተጠራቀመ ሽልማትን ከፍ የሚያደርግ ፖሊሲ ይማራል። ጥልቅ የማጠናከሪያ ትምህርት (DRL) የነርቭ አውታረ መረቦችን ከማጠናከሪያ ትምህርት ጋር በማጣመር የገበያዎችን ሰፊ ግዛት ቦታ ለመቆጣጠር ያዋህዳል። በፋይናንስ ውስጥ የ RL ማራኪነት የውሳኔዎችን ቅደም ተከተል እና ለኢንቨስትመንት ተመላሽ በቀጥታ ማመቻቸት ችሎታው ነው። ለምሳሌ፣ የ RL ወኪል በዋጋ ምልክቶች ላይ ተመስርቶ መቼ መግባት ወይም መውጣት እንዳለበት መማር እና የገበያ ሁኔታዎች ሲቀየሩ እንኳን መላመድ ይችላል። በተለይም፣ RL በቁጥር የንግድ ውድድሮች እና በአንዳንድ የባለቤትነት የንግድ ስርዓቶች ውስጥ የሚወዳደሩ የ AI ሞዴሎችን ለማሰልጠን ጥቅም ላይ ውሏል። ይሁን እንጂ፣ የRL ዘዴዎችም ከፍተኛ ተግዳሮቶች ያጋጥሟቸዋል፡- ሰፊ ስልጠና ያስፈልጋቸዋል (ለዓመታት የልውውጥ ማስመሰል)፣ በጥንቃቄ ካልተስተካከለ አለመረጋጋት ወይም የተለያየ ባህሪ ሊሰቃዩ ይችላሉ፣ እና አፈፃፀማቸው ለታሰበው የገበያ አካባቢ በጣም ስሜታዊ ነው። ተመራማሪዎች ከፍተኛ የኮምፒውተር ወጪ እና የመረጋጋት ችግሮች ። እነዚህ ተግዳሮቶች ቢኖሩም፣ RL ከሌሎች ቴክኒኮች ጋር ሲጣመር ተስፋ ሰጪ አካሄድን ይወክላል (ለምሳሌ፣ የዋጋ ትንበያ ሞዴሎችን እና በRL ላይ የተመሠረተ የምደባ ስትራቴጂን መጠቀም) ለመመስረት የተቀናጀ የውሳኔ አሰጣጥ ስርዓት (የአክሲዮን ገበያ ትንበያን በጥልቀት ማጠናከሪያ ትምህርትን በመጠቀም )።

የውሂብ ምንጮች እና የሥልጠና ሂደት

የሞዴል ዓይነት ምንም ይሁን ምን፣ መረጃ የAI የአክሲዮን ገበያ ትንበያ ዋና አካል ነው ። ሞዴሎች ቅጦችን ለመለየት በተለምዶ በታሪካዊ የገበያ መረጃ እና በሌሎች ተዛማጅ የውሂብ ስብስቦች ላይ የሰለጠኑ ናቸው። የተለመዱ የውሂብ ምንጮች እና ባህሪያት የሚከተሉትን ያካትታሉ

• ታሪካዊ ዋጋዎች እና ቴክኒካዊ አመልካቾች ፡ ሁሉም ሞዴሎች ማለት ይቻላል ያለፉትን የአክሲዮን ዋጋዎች (ክፍት፣ ከፍተኛ፣ ዝቅተኛ፣ ዝግ) እና የንግድ መጠኖችን ይጠቀማሉ። ከእነዚህ ውስጥ ተንታኞች ብዙውን ጊዜ ቴክኒካዊ አመልካቾችን (የሚንቀሳቀሱ አማካዮች፣ አንጻራዊ የጥንካሬ መረጃ ጠቋሚ፣ MACD፣ ወዘተ) እንደ ግብዓቶች ያወጣሉ። እነዚህ አመልካቾች ሞዴሉ ሊጠቀምበት የሚችለውን አዝማሚያ ወይም ሞመንተም ለማጉላት ይረዳሉ። ለምሳሌ፣ አንድ ሞዴል የሚቀጥለውን ቀን የዋጋ እንቅስቃሴ ለመተንበይ የመጨረሻዎቹን 10 ቀናት ዋጋዎችን እና መጠንን እንዲሁም የ10-ቀን ተንቀሳቃሽ አማካይ ወይም የተለዋዋጭነት መለኪያዎችን እንደ ግብዓት ሊወስድ ይችላል።

• የገበያ ኢንዴክሶች እና የኢኮኖሚ መረጃዎች፡- ብዙ ሞዴሎች እንደ የኢንዴክስ ደረጃዎች፣ የወለድ መጠኖች፣ የዋጋ ግሽበት፣ የሀገር ውስጥ ምርት ዕድገት ወይም ሌሎች ኢኮኖሚያዊ አመልካቾች ያሉ ሰፋ ያለ የገበያ መረጃዎችን ያካትታሉ። እነዚህ ማክሮ ባህሪያት የግለሰብ የአክሲዮን አፈፃፀም ላይ ተጽዕኖ ሊያሳድሩ የሚችሉ አውዶችን (ለምሳሌ፣ አጠቃላይ የገበያ ስሜት ወይም የኢኮኖሚ ጤና) ይሰጣሉ።

• የዜና እና የስሜት መረጃ፡- ቁጥራቸው እየጨመረ የመጣ የAI ስርዓቶች እንደ የዜና መጣጥፎች፣ የማህበራዊ ሚዲያ ምግቦች (ትዊተር፣ ስቶክትዊትስ) እና የፋይናንስ ሪፖርቶች ያሉ ያልተዋቀሩ መረጃዎችን ይቀበላሉ። እንደ BERT ያሉ የላቁ ሞዴሎችን ጨምሮ የተፈጥሮ ቋንቋ ማቀነባበሪያ (NLP) ቴክኒኮች የገበያ ስሜትን ለመለካት ወይም ተዛማጅ ክስተቶችን ለመለየት ያገለግላሉ። ለምሳሌ፣ የዜና ስሜት በድንገት ለኩባንያ ወይም ለዘርፍ በከፍተኛ ሁኔታ አሉታዊ ከሆነ፣ የAI ሞዴል በተዛማጅ የአክሲዮን ዋጋዎች ላይ ውድቀት ሊተነብይ ይችላል። በእውነተኛ ጊዜ ዜናዎችን እና የማህበራዊ ሚዲያ ስሜቶችን ፣ የAI ቴክኖሎጂ ከሰው ነጋዴዎች ይልቅ ለአዳዲስ መረጃዎች በፍጥነት ምላሽ መስጠት ይችላል።

• አማራጭ መረጃ፡- አንዳንድ የተራቀቁ የሄጅ ፈንድ እና የAI ተመራማሪዎች ትንበያዊ ግንዛቤዎችን ለማግኘት አማራጭ የውሂብ ምንጮችን - የሳተላይት ምስሎችን (ለሱቅ ትራፊክ ወይም ለኢንዱስትሪ እንቅስቃሴ)፣ የክሬዲት ካርድ ግብይት ውሂብ፣ የድር ፍለጋ አዝማሚያዎች፣ ወዘተ - ይጠቀማሉ። እነዚህ ባህላዊ ያልሆኑ የውሂብ ስብስቦች አንዳንድ ጊዜ ለአክሲዮን አፈጻጸም ግንባር ቀደም አመልካቾች ሆነው ሊያገለግሉ ይችላሉ፣ ምንም እንኳን በሞዴል ስልጠና ውስጥ ውስብስብነትን ቢያስገቡም።

የአክሲዮን ትንበያን ለመተንበይ የAI ሞዴልን ማሰልጠን ይህንን ታሪካዊ መረጃ መስጠት እና የሞዴሉን መለኪያዎች ማስተካከልን ያካትታል። በተለምዶ፣ መረጃው በስልጠና ስብስብ (ለምሳሌ፣ ቅጦችን ለመማር የቆየ ታሪክ) እና የሙከራ/ማረጋገጫ ስብስብ (በማይታዩ ሁኔታዎች ላይ አፈጻጸምን ለመገምገም የቅርብ ጊዜ መረጃ) ይከፈላል። የገበያ ውሂብ ቅደም ተከተል ባህሪን ከግምት ውስጥ በማስገባት፣ "ወደፊት ከማየት" ለመቆጠብ ጥንቃቄ ይደረጋል - ለምሳሌ፣ ሞዴሎች በእውነተኛ ንግድ ውስጥ እንዴት እንደሚሰሩ ለማስመሰል ከስልጠናው ጊዜ በኋላ ባሉት ጊዜያት ባለው መረጃ ላይ ይገመገማሉ። የመስቀል-ማረጋገጫ ቴክኒኮች ሞዴሉ በጥሩ ሁኔታ እንዲጠቃለል እና ለአንድ የተወሰነ ጊዜ ብቻ እንዲስማማ ለማረጋገጥ ያገለግላሉ።

ከዚህም በላይ ባለሙያዎች የውሂብ ጥራት እና የቅድመ-ሂደት ጉዳዮችን መፍታት አለባቸው። የጠፉ መረጃዎች፣ ውጫዊ ሁኔታዎች (ለምሳሌ፣ በአክሲዮን መከፋፈል ወይም በአንድ ጊዜ ክስተቶች ምክንያት ድንገተኛ ጭማሪዎች) እና በገበያዎች ላይ ያሉ የስርዓት ለውጦች ሁሉም የሞዴል ስልጠናን ሊነኩ ይችላሉ። እንደ መደበኛነት፣ አዝማሚያን መቀነስ ወይም ወቅታዊነትን ማስወገድ ያሉ ቴክኒኮች በግብዓት መረጃው ላይ ሊተገበሩ ይችላሉ። አንዳንድ የላቁ አቀራረቦች የዋጋ ተከታታዮችን ወደ ክፍሎች (አዝማሚያዎች፣ ዑደቶች፣ ጫጫታ) ያፈርሳሉ እና ለየብቻ ይቀርጻሉ (እንደተለዋዋጭ ሁነታ መበስበስ ከነርቭ መረቦች ጋር በማጣመር ጥናት እንደሚታየው ( የአክሲዮን ገበያ ትንበያ ጥልቅ ማጠናከሪያ ትምህርትን በመጠቀም ))።

የተለያዩ ሞዴሎች የተለያዩ የሥልጠና መስፈርቶች አሏቸው፡ ጥልቅ የመማሪያ ሞዴሎች በመቶ ሺዎች የሚቆጠሩ የውሂብ ነጥቦችን ሊፈልጉ እና ከጂፒዩ ፍጥነት ሊጠቀሙ ይችላሉ፣ እንደ ሎጂስቲክ ሪግሬሽን ያሉ ቀላል ሞዴሎች ግን በአንጻራዊ ሁኔታ ከትንሽ የውሂብ ስብስቦች ሊማሩ ይችላሉ። የማጠናከሪያ ትምህርት ሞዴሎች ከነሱ ጋር ለመግባባት አስመሳይ ወይም አካባቢ ያስፈልጋቸዋል፤ አንዳንድ ጊዜ ታሪካዊ መረጃዎች ለRL ወኪል እንደገና ይገለበጣሉ፣ ወይም የገበያ አስመሳይዎች ልምዶችን ለማመንጨት ያገለግላሉ።.

በመጨረሻም፣ እነዚህ ሞዴሎች አንዴ ከሰለጠኑ በኋላ፣ የመተንበይ ተግባር ያስገኛሉ - ለምሳሌ፣ ለነገ የሚገመት ዋጋ ሊሆን የሚችል ውጤት፣ አንድ አክሲዮን የመጨመር እድል ወይም የሚመከር እርምጃ (ግዢ/መሸጥ)። እነዚህ ትንበያዎች ከዚያም ትክክለኛው ገንዘብ አደጋ ላይ ከመጣሉ በፊት በተለምዶ በንግድ ስትራቴጂ (የአቋም መጠን፣ የአደጋ አስተዳደር ደንቦች፣ ወዘተ) ውስጥ ይዋሃዳሉ።.

ገደቦች እና ተግዳሮቶች

የAI ሞዴሎች እጅግ በጣም የተራቀቁ ቢሆኑም፣ የአክሲዮን ገበያ ትንበያ በተፈጥሮው ፈታኝ ተግባር ነው ። የሚከተሉት ዋና ዋና ገደቦች እና የAI በገበያዎች ውስጥ የተረጋገጠ ሟርተኛ እንዳይሆን የሚከለክሉ እንቅፋቶች ናቸው

• የገበያ ቅልጥፍና እና የዘፈቀደነት ፡ ቀደም ሲል እንደተጠቀሰው፣ ቀልጣፋ የገበያ መላምት ዋጋዎች ቀድሞውኑ የሚታወቁ መረጃዎችን እንደሚያንፀባርቁ ይከራከራል፣ ስለዚህ ማንኛውም አዲስ መረጃ ፈጣን ማስተካከያዎችን ያስከትላል። በተግባራዊ አነጋገር፣ ይህ ማለት የዋጋ ለውጦች በአብዛኛው የሚከሰቱት ባልተጠበቁ ዜናዎች ወይም በዘፈቀደ መዋዠቆች ነው። በእርግጥም፣ ለአስርተ ዓመታት የተደረጉ ጥናቶች የአጭር ጊዜ የአክሲዮን ዋጋ እንቅስቃሴዎች የዘፈቀደ የእግር ጉዞ ይመስላሉ ( በመረጃ ላይ የተመሰረቱ የአክሲዮን ትንበያ ሞዴሎች በነርቭ አውታረ መረቦች ላይ የተመሰረቱ፡ ግምገማ ) - የትላንቱ ዋጋ ከነገው ጋር ብዙም ግንኙነት የለውም፣ ከሚጠበቀው ዕድል በላይ። የአክሲዮን ዋጋዎች በመሠረቱ የዘፈቀደ ወይም “ውጤታማ” ከሆኑ፣ ምንም ስልተ ቀመር በከፍተኛ ትክክለኛነት በተከታታይ ሊተነብይ አይችልም። አንድ የምርምር ጥናት በአጭሩ እንዳስቀመጠው፣ “የዘፈቀደ የእግር ጉዞ መላምት እና ቀልጣፋ የገበያ መላምት የወደፊት የአክሲዮን ዋጋዎችን በስርዓት፣ በአስተማማኝ ሁኔታ መተንበይ እንደማይቻል በመሠረቱ ይናገራሉ” ( የማሽን ትምህርትን በመጠቀም ለ S&P 500 አክሲዮኖች አንጻራዊ ተመላሾችን መተንበይ | የፋይናንስ ፈጠራ | ሙሉ ጽሑፍ )። ይህ ማለት የ AI ትንበያዎች ሁልጊዜ ከንቱ ናቸው ማለት አይደለም፣ ነገር ግን መሠረታዊ ገደብን ያጎላል፡ አብዛኛው የገበያው እንቅስቃሴ ምርጡ ሞዴል እንኳን አስቀድሞ ሊተነብይ የማይችል ጫጫታ ሊሆን ይችላል።

• ጫጫታ እና ያልተጠበቁ ውጫዊ ምክንያቶች ፡ የአክሲዮን ዋጋዎች በብዙ ምክንያቶች ተጽዕኖ ይደረግባቸዋል፣ ብዙዎቹም ውጫዊ እና ያልተጠበቁ ናቸው። የጂኦፖለቲካል ክስተቶች (ጦርነቶች፣ ምርጫዎች፣ የቁጥጥር ለውጦች)፣ የተፈጥሮ አደጋዎች፣ ወረርሽኞች፣ ድንገተኛ የኮርፖሬት ቅሌቶች ወይም የቫይረስ ማህበራዊ ሚዲያ ወሬዎች ሁሉም ገበያዎችን ባልተጠበቀ ሁኔታ ሊያንቀሳቅሱ ይችላሉ። እነዚህ አንድ ሞዴል ቀደም ሲል የስልጠና መረጃ ሊኖረው የማይችልባቸው ወይም እንደ ብርቅዬ ድንጋጤዎች የሚከሰቱ ክስተቶች ናቸው። ለምሳሌ፣ ከ2010–2019 ባለው ታሪካዊ መረጃ ላይ የሰለጠነ የAI ሞዴል በ2020 መጀመሪያ ላይ የኮቪድ-19 ውድቀትን ወይም ፈጣን መልሶ ማግኘቱን አስቀድሞ ሊተነብይ አይችልም። የፋይናንስ የAI ሞዴሎች ስርዓቶች ሲቀየሩ ወይም አንድ ነጠላ ክስተት ዋጋዎችን ሲያንቀሳቅስ ይታገላሉ። አንድ ምንጭ እንደሚያሳየው፣ እንደ ጂኦፖሊቲካዊ ክስተቶች ወይም ድንገተኛ የኢኮኖሚ መረጃ ልቀቶች ያሉ ነገሮች ትንበያዎችን ወዲያውኑ ሊያባክኑ ይችላሉ ( የማሽን መማርን ለአክሲዮን ገበያ ትንበያ መጠቀም... | FMP ) ( የማሽን መማርን ለአክሲዮን ገበያ ትንበያ መጠቀም... | FMP )። በሌላ አነጋገር፣ ያልተጠበቁ ዜናዎች ሁልጊዜ የአልጎሪዝም ትንበያዎችን ሊሽሩ ይችላሉ ፣ ይህም የማይቀለበስ የጥርጣሬ ደረጃን ሊያስገባ ይችላል።

• ከመጠን በላይ መገጣጠም እና አጠቃላይነት ከመጠን በላይ መገጣጠም የተጋለጡ ናቸው - ይህ ማለት ከስር ካለው አጠቃላይ ቅጦች ይልቅ በስልጠና መረጃ ውስጥ ያለውን "ጫጫታ" ወይም ጉድለቶችን በደንብ ሊማሩ ይችላሉ ማለት ነው። ከመጠን በላይ መገጣጠም ሞዴል በታሪካዊ መረጃዎች ላይ ድንቅ በሆነ መንገድ ሊሰራ ይችላል (አስደናቂ የኋላ ተሞክረዋል ወይም ከፍተኛ የናሙና ትክክለኛነትን እንኳን ያሳያል) ነገር ግን በአዲሱ መረጃ ላይ በመጥፎ ሁኔታ ሊወድቅ ይችላል። ይህ በቁጥር ፋይናንስ ውስጥ የተለመደ ወጥመድ ነው። ለምሳሌ፣ ውስብስብ የነርቭ አውታረ መረብ በአጋጣሚ የተያዙ የተሳሳቱ ትስስሮችን ሊወስድ ይችላል (እንደ ባለፉት 5 ዓመታት ውስጥ ከሰልፎች በፊት የነበሩ የተወሰኑ የአመላካች መሻገሪያዎች ጥምረት) ነገር ግን እነዚህ ግንኙነቶች ወደፊት ላይቀጥሉ ይችላሉ። ተግባራዊ ምሳሌ፡- ያለፈው ዓመት የአክሲዮን አሸናፊዎች ሁልጊዜ እንደሚጨምሩ የሚተነብይ ሞዴል መንደፍ ይቻላል - ለተወሰነ ጊዜ ሊስማማ ይችላል፣ ነገር ግን የገበያው ስርዓት ከተቀየረ ያ ንድፍ ይሰበራል። ከመጠን በላይ መገጣጠም ደካማ የናሙና አፈፃፀም ያስከትላል ፣ ይህም ማለት የሞዴሉ የቀጥታ ንግድ ትንበያዎች በልማት ውስጥ ጥሩ ቢመስሉም ከዘፈቀደ የተሻለ ሊሆኑ አይችሉም። ከመጠን በላይ መገጣጠምን ማስወገድ እንደ መደበኛነት፣ የሞዴል ውስብስብነትን መቆጣጠር እና ጠንካራ ማረጋገጫ መጠቀም ያሉ ቴክኒኮችን ይፈልጋል። ይሁን እንጂ፣ የ AI ሞዴሎችን ኃይል የሚሰጠው ውስብስብነት ለዚህ ችግር ተጋላጭ ያደርጋቸዋል።

• የውሂብ ጥራት እና ተገኝነት፡- “ቆሻሻ ማስገባት፣ ቆሻሻ ማስወገድ” የሚለው አባባል በክምችት ትንበያ ላይ ለAI በእጅጉ ይሠራል። የውሂብ ጥራት፣ ብዛት እና ተገቢነት የሞዴል አፈጻጸምን በእጅጉ ይነካል። ታሪካዊ መረጃው በቂ ካልሆነ (ለምሳሌ፣ በጥቂት ዓመታት የአክሲዮን ዋጋዎች ላይ ጥልቅ አውታረ መረብን ለማሰልጠን መሞከር) ወይም ውክልና ከሌለው (ለምሳሌ፣ በአብዛኛው ከከፍተኛ ደረጃ ጊዜ የተገኘውን መረጃ በመጠቀም የድብርት ሁኔታን ለመተንበይ)፣ ሞዴሉ በደንብ አይጠቃለልም። መረጃው አድልዎ ወይም ለህልውና ሊጋለጥ ይችላል (ለምሳሌ፣ የአክሲዮን ኢንዴክሶች በተፈጥሮ ደካማ አፈጻጸም ያላቸውን ኩባንያዎች በጊዜ ሂደት ይጥላሉ፣ ስለዚህ ታሪካዊ የኢንዴክስ መረጃ ወደ ላይ ሊወድቅ ይችላል)። ውሂብን ማጽዳት እና ማዘጋጀት ቀላል ያልሆነ ተግባር ነው። በተጨማሪም፣ አማራጭ የውሂብ የድግግሞሽ ጉዳይም አለ ፡ ከፍተኛ ድግግሞሽ የንግድ ሞዴሎች በመጠን ትልቅ የሆነ እና ልዩ መሠረተ ልማት የሚያስፈልጋቸው የቲክ-በቲክ መረጃ ያስፈልጋቸዋል፣ ዝቅተኛ ድግግሞሽ ሞዴሎች ደግሞ ዕለታዊ ወይም ሳምንታዊ መረጃን ሊጠቀሙ ይችላሉ። መረጃው በወቅቱ (ለምሳሌ፣ ዜናው ከተዛማጅ የዋጋ መረጃ ጋር) እና ከቅድመ እይታ አድልዎ የጸዳ መሆኑን ማረጋገጥ ቀጣይ ፈተና ነው።

• የሞዴል ግልጽነት እና ትርጓሜ፡- ብዙ የAI ሞዴሎች፣ በተለይም ጥልቅ መማሪያዎች፣ እንደ ጥቁር ሳጥኖች ። በቀላሉ ሊብራራ የሚችል ምክንያት ሳይኖር ትንበያ ወይም የንግድ ምልክት ሊያወጡ ይችላሉ። ይህ የግልጽነት እጦት ለባለሀብቶች ችግር ሊሆን ይችላል - በተለይም ውሳኔዎችን ለባለድርሻ አካላት ማረጋገጥ ወይም ደንቦችን ማክበር ለሚያስፈልጋቸው ተቋማዊ አካላት። የAI ሞዴል አክሲዮን እንደሚወድቅ ከተነበየ እና መሸጥን ቢመክር፣ የፖርትፎሊዮ አስተዳዳሪ ምክንያቱን ካልተረዱ ሊያመነታ ይችላል። የAI ውሳኔዎች ግልጽነት የሞዴሉ ትክክለኛነት ምንም ይሁን ምን እምነትን እና ተቀባይነትን ሊቀንስ ይችላል። ይህ ፈተና ለፋይናንስ ሊብራራ የሚችል የAI ምርምርን እያነሳሳ ነው፣ ነገር ግን በሞዴል ውስብስብነት/ትክክለኛነት እና በትርጓሜ መካከል ብዙ ጊዜ መለዋወጥ መኖሩ እውነት ነው።

• ተለዋዋጭ ገበያዎች እና ውድድር፡- ተለዋዋጭ መሆናቸውን ልብ ማለት አስፈላጊ ነው ። አንድ ትንበያ ንድፍ አንዴ ከተገኘ (በ AI ወይም በማንኛውም ዘዴ) እና በብዙ ነጋዴዎች ጥቅም ላይ ከዋለ በኋላ መስራት ሊያቆም ይችላል። ለምሳሌ፣ የ AI ሞዴል የተወሰነ ምልክት ብዙውን ጊዜ የአክሲዮን ጭማሪ እንደሚቀድም ካወቀ፣ ነጋዴዎች ቀደም ብለው በዚያ ምልክት ላይ እርምጃ መውሰድ ይጀምራሉ፣ በዚህም እድሉን ያጣሉት። በመሠረቱ፣ ገበያዎች የሚታወቁ ስልቶችን ውድቅ ለማድረግ ሊሻሻሉ ይችላሉ ። ዛሬ፣ ብዙ የንግድ ድርጅቶች እና ፈንዶች የ AI እና የ ML ን ይጠቀማሉ። ይህ ውድድር ማለት ማንኛውም ጠርዝ ብዙውን ጊዜ ትንሽ እና አጭር ጊዜ የሚቆይ ነው ማለት ነው። ውጤቱም የ AI ሞዴሎች ከሚለዋወጡ የገበያ ተለዋዋጭነት ጋር ለመጣጣም የማያቋርጥ ዳግም ስልጠና እና ማዘመን ሊያስፈልጋቸው ይችላል። በከፍተኛ ፈሳሽ እና በበሰሉ ገበያዎች (እንደ የአሜሪካ ትላልቅ ካፒታል አክሲዮኖች) ውስጥ፣ በርካታ የተራቀቁ ተጫዋቾች ተመሳሳይ ምልክቶችን እየፈለጉ ነው፣ ይህም ጠርዝን ለመጠበቅ እጅግ በጣም አስቸጋሪ ያደርገዋል። በተቃራኒው፣ ብዙም ውጤታማ ባልሆኑ ገበያዎች ወይም ልዩ ሀብቶች ውስጥ፣ የ AI ጊዜያዊ ብቃት ማነስ ሊያገኝ ይችላል - ነገር ግን እነዚያ ገበያዎች ዘመናዊ ሲሆኑ፣ ክፍተቱ ሊዘጋ ይችላል። የገበያዎች ተለዋዋጭ ባህሪ መሰረታዊ ፈተና ነው፡- “የጨዋታው ህጎች” ቋሚ አይደሉም፣ ስለዚህ ባለፈው ዓመት የሰራ ሞዴል በሚቀጥለው ዓመት እንደገና ጥቅም ላይ መዋል ሊያስፈልግ ይችላል።

• የእውነተኛ ዓለም ገደቦች፡- የAI ሞዴል ዋጋዎችን በትክክለኛ ትክክለኛነት መተንበይ ቢችልም፣ ትንበያዎችን ወደ ትርፍ መቀየር ሌላ ፈተና ነው። ንግድ የግብይት ወጪዎችን ። ሞዴል ብዙ ትናንሽ የዋጋ እንቅስቃሴዎችን በትክክል ሊተነብይ ይችላል፣ ነገር ግን ትርፉ በክፍያዎች እና በንግድ እንቅስቃሴዎች የገበያ ተጽዕኖ ሊጠፋ ይችላል። የአደጋ አስተዳደርም ወሳኝ ነው - ምንም ትንበያ 100% እርግጠኛ አይደለም፣ ስለዚህ ማንኛውም በAI ላይ የተመሰረተ ስትራቴጂ ሊከሰቱ የሚችሉ ኪሳራዎችን (በማቆሚያ-ኪሳራ ትዕዛዞች፣ በፖርትፎሊዮ ልዩነት፣ ወዘተ) ግምት ውስጥ ማስገባት አለበት። ተቋማት ብዙውን ጊዜ የAI ትንበያዎችን ወደ ሰፊ የአደጋ ማዕቀፍ ያዋህዳሉ፣ ይህም የAI ትንበያዎች በስህተት ሊሆን በሚችል ትንበያ ላይ እንዳይወራረድ ለማረጋገጥ ነው። እነዚህ ተግባራዊ ጉዳዮች ማለት የAI የቲዎሬቲካል ጠርዝ ከእውነተኛው ዓለም ግጭቶች በኋላ ጠቃሚ እንዲሆን ከፍተኛ መሆን አለበት።

ለማጠቃለል፣ የ AI ግዙፍ ችሎታዎች አሉት፣ ነገር ግን እነዚህ ገደቦች የአክሲዮን ገበያው በከፊል ሊገመት የማይችል፣ በከፊል ሊገመት የማይችል ስርዓት ሆኖ እንዲቀጥል ። የ AI ሞዴሎች መረጃን በብቃት በመተንተን እና ምናልባትም ስውር ትንበያ ምልክቶችን በማጋለጥ ባለሀብቱን የሚደግፍ ዕድል ሊያዛቡ ይችላሉ። ሆኖም፣ ቀልጣፋ የዋጋ አሰጣጥ፣ ጫጫታ ያለው መረጃ፣ ያልተጠበቁ ክስተቶች እና ተግባራዊ ገደቦች ጥምረት ማለት ምርጡ የ AI እንኳን አንዳንድ ጊዜ የተሳሳቱ ይሆናሉ ማለት ነው - ብዙውን ጊዜ ያልተጠበቀ ነው።

የ AI ሞዴሎች አፈጻጸም፡ ማስረጃው ምን ይላል?

ከተብራሩት እድገቶችም ሆነ ተግዳሮቶች አንፃር፣ ከምርምር እና በአክሲዮን ትንበያ ውስጥ AIን ለመተግበር ከእውነተኛው ዓለም ሙከራዎች ምን ተምረናል? እስካሁን ድረስ ውጤቶቹ የተደባለቁ ናቸው፣ ተስፋ ሰጪ ስኬቶችን እና አሳሳቢ ውድቀቶችንም

• የAI የላቀ የአፈጻጸም ዕድል ምሳሌዎች፡- በርካታ ጥናቶች እንደሚያሳዩት የAI ሞዴሎች በተወሰኑ ሁኔታዎች ውስጥ የዘፈቀደ ግምትን ማሸነፍ ይችላሉ። ለምሳሌ፣ በ2024 የተደረገ ጥናት በቬትናም የአክሲዮን ገበያ ውስጥ አዝማሚያዎችን በአክሲዮን ገበያ ውስጥ የአክሲዮን ዋጋ አዝማሚያን ለመተንበይ የማሽን መማሪያ ስልተ ቀመሮችን መተግበር - የቬትናም ጉዳይ | የሰብአዊነት እና የማህበራዊ ሳይንስ ኮሙኒኬሽን )። ይህ የሚያሳየው በዚያ ገበያ (በአዳዲስ ኢኮኖሚዎች) ውስጥ፣ ሞዴሉ ወጥ የሆኑ ቅጦችን መያዝ ችሏል፣ ምናልባትም ገበያው LSTM የተማረው ብቃት ማነስ ወይም ጠንካራ የቴክኒክ አዝማሚያዎች ስለነበሩት ሊሆን ይችላል። በ2024 የተደረገ ሌላ ጥናት ሰፋ ያለ ወሰን ወስዷል፡ ተመራማሪዎች ለሁሉም የS&P 500 አክሲዮኖች (በጣም ቀልጣፋ ገበያ) የአጭር ጊዜ ተመላሾችን ለመተንበይ ሞክረዋል። እንደ የምደባ ችግር አድርገውታል - አንድ አክሲዮን በሚቀጥሉት 10 ቀናት ውስጥ ኢንዴክስን በ2% እንደሚበልጥ ይተነብያል - እንደ Random Forests፣ SVM እና LSTM ስልተ ቀመሮችን በመጠቀም። ውጤቱ፡ የ LSTM ሞዴል ከሌሎቹ የML ሞዴሎች እና ከዘፈቀደ የመነሻ መስመር በላይ ብልጫ አሳይቷል ፣ ውጤቶቹ በስታቲስቲክስ ጉልህ ሲሆኑ፣ ዕድል ብቻ እንዳልሆነ ለመጠቆም በቂ ነው ( የማሽን መማሪያን በመጠቀም የS&P 500 አክሲዮኖች አንጻራዊ ተመላሾችን መተንበይ | የፋይናንስ ፈጠራ | ሙሉ ጽሑፍ የዘፈቀደ የእግር ጉዞ ዕድል “በቸልተኝነት ትንሽ” እንደሆነ ደምድመዋል፣ ይህም የML ሞዴሎቻቸው እውነተኛ ትንበያ ምልክቶችን እንዳገኙ ያሳያል። እነዚህ ምሳሌዎች AI የአክሲዮን እንቅስቃሴዎችን በመተንበይ ረገድ ጠቀሜታ የሚሰጡ (ምንም እንኳን መጠነኛ ቢሆንም) ቅጦችን መለየት እንደሚችል ያሳያሉ፣ በተለይም በትላልቅ የውሂብ ስብስቦች ላይ ሲሞከር።

• በኢንዱስትሪ ውስጥ የሚታዩ የአጠቃቀም ጉዳዮች፡- ከአካዳሚክ ጥናቶች ውጭ፣ የሄጅ ፈንዶች እና የፋይናንስ ተቋማት በንግድ ስራዎቻቸው ውስጥ AIን በተሳካ ሁኔታ እንደሚጠቀሙ የሚገልጹ ሪፖርቶች አሉ። አንዳንድ ከፍተኛ ድግግሞሽ ያላቸው የንግድ ድርጅቶች በአንድ ሰከንድ ውስጥ የገበያ ማይክሮ-መዋቅር ቅጦችን ለመለየት እና ምላሽ ለመስጠት AI ይጠቀማሉ። ትላልቅ ባንኮች ለፖርትፎሊዮ ምደባ እና ለአደጋ ትንበያ ፣ እነዚህም ሁልጊዜ የአንድ አክሲዮን ዋጋ መተንበይ ባይሆንም፣ የገበያውን ገጽታዎች መተንበይ (እንደ ተለዋዋጭነት ወይም ትስስር ያሉ) ያካትታሉ። እንዲሁም በAI የሚመሩ ፈንዶች (ብዙውን ጊዜ "የኳንት ፈንዶች" ይባላሉ) የንግድ ውሳኔዎችን ለማድረግ የማሽን መማርን የሚጠቀሙ አሉ - አንዳንዶቹ ለተወሰኑ ጊዜያት ገበያውን በተሻለ ሁኔታ ሠርተዋል፣ ምንም እንኳን ብዙውን ጊዜ የሰው እና የማሽን ብልህነት ጥምረት ስለሚጠቀሙ ያንን ለAI ብቻ መስጠት ከባድ ነው። ተጨባጭ አተገባበር የስሜት ትንተና AI አጠቃቀም ነው፡ ለምሳሌ፣ የአክሲዮን ዋጋዎች በምላሹ እንዴት እንደሚንቀሳቀሱ ለመተንበይ ዜና እና ትዊተርን መቃኘት። እንደዚህ ያሉ ሞዴሎች 100% ትክክል ላይሆኑ ይችላሉ፣ ነገር ግን ለነጋዴዎች በዜና ዋጋ ላይ ትንሽ ጅምር ሊሰጡ ይችላሉ። ድርጅቶች በተለምዶ የተሳካላቸው የAI ስልቶችን ዝርዝሮች እንደ አእምሯዊ ንብረት በቅርበት እንደሚጠብቁ ልብ ሊባል ይገባል፣ ስለዚህ በሕዝብ ጎራ ውስጥ ያለው ማስረጃ መዘግየት ወይም አፈ ታሪክ ሊሆን ይችላል።

• የአፈጻጸም ማነስ እና ውድቀቶች ጉዳዮች ፡ ለእያንዳንዱ የስኬት ታሪክ፣ የማስጠንቀቂያ ታሪኮች አሉ። በአንድ ገበያ ወይም በጊዜ ገደብ ውስጥ ከፍተኛ ትክክለኛነት እንዳላቸው የሚናገሩ ብዙ የአካዳሚክ ጥናቶች አጠቃላይ ለማድረግ አልቻሉም። አንድ ታዋቂ ሙከራ በአሜሪካ አክሲዮኖች ላይ የተሳካ የህንድ የአክሲዮን ገበያ ትንበያ ጥናት (በቴክኒካል አመልካቾች ላይ ML በመጠቀም ከፍተኛ ትክክለኛነት የነበረው) ለመድገም ሞክሯል። መባዛቱ ምንም ጉልህ የሆነ የትንበያ ኃይል - እንዲያውም፣ አክሲዮኑ በሚቀጥለው ቀን እንደሚጨምር የመተንበይ ሞኝነት የተሞላበት ስትራቴጂ ውስብስብ የሆነውን የML ሞዴሎችን በትክክል አሸንፏል። ደራሲዎቹ ውጤቶቻቸው "የዘፈቀደ የእግር ጉዞ ንድፈ ሐሳብን ይደግፋሉ" ፣ ይህም ማለት የአክሲዮን እንቅስቃሴዎች በመሠረቱ ያልተጠበቁ ነበሩ እና የML ሞዴሎች አልረዱም ማለት ነው። ይህ ማለት ውጤቶቹ በገበያ እና በጊዜ በእጅጉ ሊለያዩ እንደሚችሉ ያጎላል። በተመሳሳይ፣ በርካታ የካግል ውድድሮች እና የቁጥር ምርምር ውድድሮች እንደሚያሳዩት ሞዴሎች ብዙውን ጊዜ ያለፈውን መረጃ በጥሩ ሁኔታ ሊያሟሉ ቢችሉም፣ በቀጥታ ንግድ ውስጥ ያላቸው አፈፃፀም ብዙውን ጊዜ አዲስ ሁኔታዎች ሲያጋጥሟቸው ወደ 50% ትክክለኛነት (ለአቅጣጫ ትንበያ) ይመለሳል። እንደ 2007 የኳንት ፈንድ መፍረስ እና በ2020 ወረርሽኝ ወቅት በAI-የሚመሩ ፈንዶች ያጋጠሟቸው ችግሮች ያሉ ምሳሌዎች የAI ሞዴሎች የገበያ ስርዓቱ ሲለወጥ በድንገት ሊወድቁ እንደሚችሉ ያሳያሉ። የተረፉ ሰዎች አድልዎ በግንዛቤዎች ውስጥም አንዱ ምክንያት ነው - ስለ AI ስኬቶች ከውድቀቶች ይልቅ ብዙ ጊዜ እንሰማለን፣ ነገር ግን ከትዕይንቱ በስተጀርባ ብዙ ሞዴሎች እና ገንዘቦች ስልቶቻቸው መስራት ስላቆሙ በጸጥታ ይወድቃሉ እና ይዘጋሉ።

• በገበያዎች መካከል ያሉ ልዩነቶች፡- ከጥናቶች የተገኘ አንድ አስደሳች ምልከታ የAI ውጤታማነት በገበያ ብስለት እና ቅልጥፍና ። በአንጻራዊ ሁኔታ ብዙም ውጤታማ ባልሆኑ ወይም በማደግ ላይ ባሉ ገበያዎች ውስጥ፣ የበለጠ ጥቅም ላይ ሊውሉ የሚችሉ ቅጦች ሊኖሩ ይችላሉ (በዝቅተኛ የትንታኔ ሽፋን፣ በፈሳሽነት ገደቦች ወይም በባህሪ አድልዎዎች ምክንያት)፣ የAI ሞዴሎች ከፍተኛ ትክክለኛነትን እንዲያገኙ ያስችላቸዋል። የቬትናም ገበያ LSTM ጥናት በ93% ትክክለኛነት የዚህ ምሳሌ ሊሆን ይችላል። በተቃራኒው፣ እንደ አሜሪካ ባሉ በጣም ቀልጣፋ ገበያዎች ውስጥ፣ እነዚህ ቅጦች በፍጥነት ሊፈረጁ ይችላሉ። በቬትናም ጉዳይ እና በአሜሪካ የመባዛት ጥናት መካከል ያሉት የተደባለቁ ውጤቶች ይህንን ልዩነት ያመለክታሉ። በዓለም አቀፍ ደረጃ፣ ይህ ማለት AI በአሁኑ ጊዜ በተወሰኑ ልዩ ገበያዎች ወይም የንብረት ክፍሎች የተሻለ ትንበያ አፈፃፀም ሊያመጣ ይችላል ማለት ነው (ለምሳሌ፣ አንዳንዶች የሸቀጥ ዋጋዎችን ወይም የተለያየ ስኬት ያላቸውን የክሪፕቶ ምንዛሬ አዝማሚያዎችን ለመተንበይ AIን ተጠቅመዋል)። ከጊዜ በኋላ፣ ሁሉም ገበያዎች ወደ ከፍተኛ ውጤታማነት ሲሸጋገሩ፣ ለቀላል ትንበያ አሸናፊዎች መስኮቱ ይቀንሳል።

• ትክክለኛነት እና ትርፋማነት ፡ የትንበያ ትክክለኛነትን ከኢንቨስትመንት ትርፋማነት መለየትም አስፈላጊ ነው ። አንድ ሞዴል የአንድን አክሲዮን ዕለታዊ ወደላይ ወይም ወደታች እንቅስቃሴ በመተንበይ ረገድ 60% ብቻ ትክክል ሊሆን ይችላል - ይህ በጣም ከፍተኛ አይመስልም - ነገር ግን እነዚያ ትንበያዎች በብልጥ የንግድ ስትራቴጂ ውስጥ ጥቅም ላይ ከዋሉ በጣም ትርፋማ ሊሆኑ ይችላሉ። በተቃራኒው፣ አንድ ሞዴል 90% ትክክለኛነት ሊኮራ ይችላል ነገር ግን 10% ጊዜ ስህተት ከሆነ ከትልቅ የገበያ እንቅስቃሴዎች (እና በዚህም ምክንያት ትልቅ ኪሳራ) ጋር የሚገጣጠም ከሆነ ትርፋማ ላይሆን ይችላል። ብዙ የ AI የአክሲዮን ትንበያ ጥረቶች በአቅጣጫ ትክክለኛነት ወይም በስህተት መቀነስ ላይ ያተኩራሉ፣ ነገር ግን ባለሀብቶች ለአደጋ የተስተካከሉ ተመላሾችን ያስባሉ። ስለዚህ፣ ግምገማዎች ብዙውን ጊዜ እንደ Sharpe ጥምርታ፣ መጎተቻዎች እና የአፈጻጸም ወጥነት ያሉ መለኪያዎችን ያካትታሉ፣ ጥሬ የመምታት መጠን ብቻ አይደለም። አንዳንድ የ AI ሞዴሎች ቦታዎችን እና አደጋን በራስ-ሰር በሚያስተዳድሩ አልጎሪዝም የንግድ ስርዓቶች ውስጥ ተዋህደዋል - እውነተኛ አፈፃፀማቸው የሚለካው በተናጥል የሚተነብዩ ስታቲስቲክስ ሳይሆን በቀጥታ የንግድ ተመላሾች ነው። እስካሁን ድረስ፣ ገንዘብን ከዓመት ወደ ዓመት በአስተማማኝ ሁኔታ የሚያጠራቅም ሙሉ በሙሉ ራሱን የቻለ “የAI ነጋዴ” ከእውነታው ይልቅ የሳይንስ ልብወለድ ነው፣ ነገር ግን ጠባብ አፕሊኬሽኖች (እንደ ነጋዴዎች የዋጋ አማራጮችን ዋጋ ለመስጠት የሚጠቀሙባቸውን የአጭር ጊዜ የገበያ ተለዋዋጭነትን ፣ ወዘተ) በፋይናንስ መሳሪያው ውስጥ ቦታ አግኝተዋል።

በአጠቃላይ ሲታይ፣ ማስረጃዎቹ እንደሚያሳዩት AI የተወሰኑ የገበያ ቅጦችን ከአጋጣሚ በተሻለ ትክክለኛነት መተንበይ ይችላል ፣ እና ይህን በማድረግ የንግድ ጠርዝ ሊፈጥር ይችላል። ሆኖም፣ ያ ጠርዝ ብዙውን ጊዜ ትንሽ ነው እና ለመጠቀም የተራቀቀ አፈፃፀም ይፈልጋል። አንድ ሰው AI የአክሲዮን ገበያን መተንበይ ይችላልን? ፣ በአሁኑ ማስረጃ ላይ በመመስረት በጣም ሐቀኛ የሆነው መልስ ፡ AI አንዳንድ ጊዜ በተወሰኑ ሁኔታዎች ውስጥ የአክሲዮን ገበያ ገጽታዎችን መተንበይ ይችላል፣ ነገር ግን በሁሉም ጊዜ ለሁሉም አክሲዮኖች በተከታታይ ማድረግ አይችልም ። ስኬቶች ከፊል እና አውድ-ተኮር ናቸው።

ማጠቃለያ፡ በአክሲዮን ገበያ ትንበያ ውስጥ ለ AI ተጨባጭ ግምቶች

የአይቲ እና የማሽን መማሪያ በፋይናንስ ዘርፍ ኃይለኛ መሳሪያዎች መሆናቸው አያጠራጥርም። ግዙፍ የውሂብ ስብስቦችን በማስኬድ፣ የተደበቁ ግንኙነቶችን በመግለጥ እና እንዲያውም ስልቶችን በዝግታ በማስተካከል ረገድ የተካኑ ናቸው። የአክሲዮን ገበያን ለመተንበይ በተደረገው ጥረት፣ አይቲ ተጨባጭ ግን ውስን ድሎችን አስመዝግቧል። ባለሀብቶች እና ተቋማት አይቲ በውሳኔ አሰጣጥ ላይ እንደሚረዳ በተጨባጭ መጠበቅ ይችላሉ - ለምሳሌ፣ ትንበያ ምልክቶችን በማመንጨት፣ ፖርትፎሊዮዎችን በማመቻቸት ወይም አደጋን በማስተዳደር - ነገር ግን ትርፍን የሚያረጋግጥ ክሪስታል ኳስ ሆኖ ለማገልገል አይደለም።

AI ምን
ማድረግ ይችላል ፡ AI በኢንቨስትመንት ውስጥ የትንታኔ ሂደቱን ሊያሻሽል ይችላል። ለዓመታት የገበያ መረጃ፣ የዜና ምግቦች እና የፋይናንስ ሪፖርቶችን በሰከንዶች ውስጥ በማጣራት፣ አንድ ሰው ሊያያቸው የሚችላቸውን ስውር ቅጦችን ወይም ያልተለመዱ ነገሮችን ( ለአክሲዮን ገበያ ትንበያ ማሽን መማርን መጠቀም... | FMP ) መለየት ይችላል። በመቶዎች የሚቆጠሩ ተለዋዋጮችን (ቴክኒካዊ፣ መሠረታዊ፣ ስሜት፣ ወዘተ) ወደ አንድ ወጥ የሆነ ትንበያ ሊያጣምር ይችላል። በአጭር ጊዜ ንግድ፣ የAI ስልተ ቀመሮች አንድ አክሲዮን ከሌላው እንደሚበልጥ ወይም ገበያ በተለዋዋጭነት ላይ ሊጨምር እንደሆነ ከዘፈቀደ ትክክለኛነት በትንሹ በተሻለ ሊተነብዩ ይችላሉ። እነዚህ ጭማሪ ጠርዞች በአግባቡ ጥቅም ላይ ሲውሉ ወደ እውነተኛ የገንዘብ ትርፍ ሊተረጎሙ ይችላሉ። AI እንዲሁም በአደጋ አስተዳደር - ስለ ውድቀት የመጀመሪያ ማስጠንቀቂያዎችን መለየት ወይም ለባለሀብቶች ስለ ትንበያ የመተማመን ደረጃ ማሳወቅ። የAI ሌላው ተግባራዊ ሚና በስትራቴጂ አውቶሜሽን ፡ ስልተ ቀመሮች በከፍተኛ ፍጥነት እና ድግግሞሽ ግብይቶችን ማከናወን፣ ለክስተቶች 24/7 ምላሽ መስጠት እና ተግሣጽን (ስሜታዊ ንግድ አለመኖር) ማስፈጸም ይችላሉ፣ ይህም በተለዋዋጭ ገበያዎች ውስጥ ጠቃሚ ሊሆን ይችላል።

የአይአይ (AI) ምን
አይችልም (አሁንም) ፡ በአንዳንድ ሚዲያዎች ከፍተኛ ግርግር ቢኖርም፣ አይአይ የአክሲዮን ገበያን ሁልጊዜ ገበያውን በማሸነፍ ወይም ዋና ዋና የለውጥ ነጥቦችን በማየት ሁሉን አቀፍ በሆነ መልኩ በተከታታይ እና በአስተማማኝ ሁኔታ መተንበይ አይችልም። ገበያዎች በሰዎች ባህሪ፣ በዘፈቀደ ክስተቶች እና ማንኛውንም የማይንቀሳቀስ ሞዴል በሚቃወሙ ውስብስብ የግብረመልስ ዑደቶች ይጎዳሉ። አይአይ እርግጠኛ አለመሆንን አያስወግድም፤ እድሎችን ብቻ ነው የሚያስተናግደው። አይአይ (AI) አንድ አክሲዮን ነገ የሚያድግበትን 70% እድል ሊያመለክት ይችላል - ይህም ማለት ደግሞ 30% ዕድል የለውም ማለት ነው። የንግድ ልውውጦችን እና መጥፎ ጥሪዎችን ማጣት የማይቀር ነው። አይአይ (AI) ከስልጠና መረጃው ዓለም ውጭ የሆኑ በእውነት አዳዲስ ክስተቶችን (ብዙውን ጊዜ "ጥቁር ስዋንስ" ተብለው ይጠራሉ) መገመት አይችልም። ከዚህም በላይ፣ ማንኛውም ስኬታማ ትንበያ ሞዴል ጥቅሙን ሊያበላሽ የሚችል ውድድርን ይጋብዛል። በመሠረቱ፣ የክሪስታል ኳስ አቻ የሆነ አይአይ የለም ። ባለሀብቶች ሌላ የሚናገር ማንኛውም ሰው መጠንቀቅ አለባቸው።

ገለልተኛ፣ ተጨባጭ አመለካከት
፡ ከገለልተኛ እይታ አንጻር፣ አርቴፊሻል ኢንቨስተሮች ባህላዊ ትንተና እና የሰውን ግንዛቤ እንደ ማሻሻያ እንጂ እንደ ምትክ አይታዩም። በተግባር፣ ብዙ የተቋማዊ ባለሀብቶች የAR ቴሌኮሙኒኬሽን ሞዴሎችን ከሰው ተንታኞች እና ከፖርትፎሊዮ አስተዳዳሪዎች ግብዓት ጎን ለጎን ይጠቀማሉ። አርቴፊሻል ኢንቨስተሮች ቁጥሮችን እና የውጤት ትንበያዎችን ሊያጣምሩ ይችላሉ፣ ነገር ግን ሰዎች ዓላማዎቹን ያስቀምጣሉ፣ ውጤቶችን ይተረጉማሉ እና ለአውድ ስልቶችን ያስተካክላሉ (ለምሳሌ፣ ባልተጠበቀ ቀውስ ወቅት ሞዴልን መሻር)። አርቴፊሻል ኢንቨስተሮችን ወይም የንግድ ቦቶችን የሚጠቀሙ የችርቻሮ ባለሀብቶች ንቁ ሆነው የመሳሪያውን አመክንዮ እና ገደቦች መረዳት አለባቸው። የአርቴፊሻል ኢንቨስተሮችን ምክር በጭፍን መከተል አደገኛ ነው - ከብዙዎች መካከል እንደ አንድ ግብዓት መጠቀም አለበት።

ተጨባጭ ግምቶችን በማስቀመጥ ረገድ፣ አንድ ሰው የሚከተለውን መደምደም ይችላል፡- AI የአክሲዮን ገበያን በተወሰነ ደረጃ መተንበይ ይችላል፣ ነገር ግን በእርግጠኝነት እና ያለ ስህተት አይደለም ትክክለኛ ጥሪ የማድረግ እድልን ሊጨምር ቅልጥፍናን ይችላል ፣ ይህም በተወዳዳሪ ገበያዎች ውስጥ በትርፍ እና በኪሳራ መካከል ያለው ልዩነት ሊሆን ይችላል። ሆኖም፣ ማረጋገጥ ወይም የፍትሃዊነት ገበያዎችን ውስጣዊ ተለዋዋጭነት እና አደጋ ማስወገድ አይችልም። አንድ ጽሑፍ እንዳመለከተው፣ ቀልጣፋ ስልተ ቀመሮች ቢኖሩም፣ በአክሲዮን ገበያ ውስጥ ያሉ ውጤቶች ከተቀረጸ መረጃ ውጭ ባሉ ምክንያቶች "በተፈጥሮ ሊተነበዩ የማይችሉ" የአክሲዮን ገበያ ትንበያ ጥልቅ ማጠናከሪያ ትምህርትን በመጠቀም )።

ወደፊት የሚሄደው መንገድ
፡ ወደፊት ስንመለከት፣ የ AI በአክሲዮን ገበያ ትንበያ ውስጥ ያለው ሚና ሊያድግ ይችላል። ቀጣይነት ያለው ጥናት አንዳንድ ገደቦችን እየፈታ ነው (ለምሳሌ፣ ለስርዓት ለውጦች ተጠያቂ የሆኑ ሞዴሎችን ማዘጋጀት፣ ወይም በውሂብ-ተኮር እና በክስተት ላይ የተመሠረተ ትንተናን የሚያካትቱ የተደባለቁ ስርዓቶችን ማዘጋጀት)። እንዲሁም የማጠናከሪያ ትምህርት ወኪሎች ፣ ይህም ከስታቲስቲክስ የሰለጠኑ ሞዴሎች በተሻለ ሁኔታ ሊለዋወጥ የሚችል ነው። በተጨማሪም፣ የ AI ከባህሪ ፋይናንስ ወይም ከኔትወርክ ትንተና ቴክኒኮች ጋር ማጣመር የበለፀጉ የገበያ ተለዋዋጭ ሞዴሎችን ሊያስገኝ ይችላል። ያም ሆኖ፣ በጣም የላቁ የወደፊት የ AI እንኳን በእድል እና እርግጠኛ አለመሆን ወሰን ውስጥ ይሰራል።

ባጭሩ፣ “AI የአክሲዮን ገበያን መተንበይ ይችላል?” ቀላል አዎ ወይም አይደለም የሚል መልስ የለውም። በጣም ትክክለኛው መልስ ፡ AI የአክሲዮን ገበያን ለመተንበይ ሊረዳ ይችላል፣ ነገር ግን የማይሻር አይደለም። በጥበብ ጥቅም ላይ ሲውል ትንበያዎችን እና የንግድ ስልቶችን ሊያሻሽሉ የሚችሉ ኃይለኛ መሳሪያዎችን ያቀርባል፣ ነገር ግን የገበያዎችን መሠረታዊ መተንበይ አለመቻል አያስወግድም። ባለሀብቶች AIን በጥንካሬዎቹ - የውሂብ ማቀነባበሪያ እና የቅጥ ማወቂያ - መቀበል አለባቸው፣ ድክመቶቹንም እያወቁ። ይህን በማድረግ፣ ከሁለቱም ዓለማት ምርጡን መጠቀም ይችላሉ፡ የሰው ፍርድ እና የማሽን ብልህነት አብረው ሲሰሩ። የአክሲዮን ገበያው 100% ሊተነብይ የሚችል ላይሆን ይችላል፣ ነገር ግን በተጨባጭ ግምቶች እና በአርቴፊሻል ኢንተለጀንስ ጥንቃቄ የተሞላበት አጠቃቀም፣ የገበያ ተሳታፊዎች በየጊዜው በሚለዋወጠው የፋይናንስ ገጽታ ውስጥ የተሻለ መረጃ ያላቸው፣ የበለጠ ዲሲፕሊን ያላቸው የኢንቨስትመንት ውሳኔዎችን ለማግኘት መጣር ይችላሉ።

ከዚህ በኋላ ሊያነቧቸው የሚችሏቸው ነጭ ወረቀቶች፡

🔗 የአዕምሮ ህክምና ባለሙያ (AI) ሊተኩ የማይችሉ ስራዎች - እና የአዕምሮ ህክምና ባለሙያ (AI) የትኞቹን ስራዎች ይተካሉ?
የአዕምሮ ህክምና ባለሙያ (AI) ዓለም አቀፍ የስራ ስምሪትን እንደገና ሲቀርጽ የትኞቹን ስራዎች ወደፊት እንደሚገፉ እና የትኞቹን ስራዎች ለአደጋ እንደሚያጋልጡ ይወቁ።

🔗 የሰው ልጅ ጣልቃ ገብነት ሳይኖር ጀነሬቲቭ ኤአይ ምን ማድረግ ይችላል?
በተግባራዊ ሁኔታዎች ውስጥ የጄኔሬቲቭ ኤአይ የአሁኑን ወሰኖች እና ራስን የቻለ አቅም ይረዱ።

🔗 ጀነሬቲቭ ኤአይ በሳይበር ደህንነት ውስጥ እንዴት ጥቅም ላይ ሊውል ይችላል?
ኤአይ እንዴት ከአደጋዎች እንደሚከላከል እና የሳይበር መቋቋምን እንደሚጨምር በመተንበይ እና በራስ ገዝ በሚሰሩ መሳሪያዎች ይወቁ።