Από τους σταθερούς αλγόριθμους στα συστήματα που σκέφτονται: Πώς η τεχνητή νοημοσύνη αντικαθιστά τον παραδοσιακό αυτοματισμό στις συναλλαγές;

Ξεπερνώντας την εποχή του «αν ισχύει το Α, κάνε το Β»

Τα κλασικά αυτοματοποιημένα συστήματα, τα οποία χρησιμοποιούν οι ιδιώτες και οι θεσμικοί επενδυτές από την αρχή της χιλιετίας, λειτουργούν με βάση την αρχή των ακριβώς καθορισμένων κανόνων. Ένας προγραμματιστής εγγράφει σαφείς συνθήκες στον κώδικα, όπως η διασταύρωση δύο κινητών μέσων όρων ή η επίτευξη μιας συγκεκριμένης τιμής ενός τεχνικού δείκτη, και το σύστημα τις εκτελεί μηχανικά. Το πρόβλημα με αυτή την παραδοσιακή αυτοματοποίηση προκύπτει όταν ο χαρακτήρας της αγοράς αλλάζει και μια φάση σαφούς τάσης αντικαθίσταται από πλευρική κίνηση. Ένας στατικός αλγόριθμος δεν μπορεί να προσαρμοστεί στη νέα πραγματικότητα, δεν μπορεί να σκεφτεί εκτός του πλαισίου του πηγαίου κώδικα του και συνεχίζει να λειτουργεί με ζημίες έως ότου κάποιος τον επαναπρογραμματίσει χειροκίνητα.

Η τεχνητή νοημοσύνη και η μηχανική μάθηση αλλάζουν εντελώς αυτή την προσέγγιση, επειδή το σύστημα δεν περιμένει πλέον σταθερούς κανόνες από έναν προγραμματιστή. Αντ' αυτού, αποκτά πρόσβαση σε έναν τεράστιο όγκο ιστορικών και ζωντανών δεδομένων και αναζητά το ίδιο τους βέλτιστους κανόνες. Αυτή η μετατόπιση σημαίνει ότι η τεχνολογία μετακινείται από την τυφλή εκτέλεση εντολών προς την ανεξάρτητη ανάλυση πιθανοτήτων, η οποία αλλάζει ριζικά το ποσοστό επιτυχίας των συστημάτων σε ένα μεταβαλλόμενο περιβάλλον αγοράς.

Σε τι συνίσταται το εξελικτικό άλμα της τεχνητής νοημοσύνης;

Η μετάβαση από την καθαρή αυτοματοποίηση στην τεχνητή νοημοσύνη φέρνει θεμελιώδεις τεχνολογικές διαφορές, η πρώτη από τις οποίες είναι η δυναμική προσαρμογή σε πραγματικό χρόνο. Ενώ ένα κλασικό ρομπότ δοκιμάζεται σε ιστορικά δεδομένα, βελτιστοποιείται χρησιμοποιώντας δεδομένα του παρελθόντος και εισέρχεται στην ζωντανή αγορά με αυτές τις σταθερές παραμέτρους, η τεχνητή νοημοσύνη μπορεί να προσαρμόζει τις εσωτερικές της ρυθμίσεις εν κινήσει. Εάν το σύστημα ανιχνεύσει ότι η μεταβλητότητα έχει αυξηθεί απότομα στην αγορά ή ότι η συνολική δομή των εντολών έχει αλλάξει, προσαρμόζεται στη νέα κατάσταση χωρίς να χρειάζεται ο προγραμματιστής να παρέμβει στον κώδικα.

Ένα άλλο τεράστιο άλμα είναι η ικανότητα επεξεργασίας μη δομημένων δεδομένων μέσω προηγμένων γλωσσικών μοντέλων. Οι παλαιοί αλγόριθμοι μπορούσαν να διαβάσουν μόνο ακριβείς αριθμούς, δηλαδή τιμή, όγκο και χρόνο. Η σύγχρονη τεχνητή νοημοσύνη, ωστόσο, μπορεί να διαβάσει τα τελευταία πρακτικά από μια συνεδρίαση κεντρικής τράπεζας, εκθέσεις από παγκόσμιους οργανισμούς ή οικονομικές αναλύσεις σε ένα χιλιοστό του δευτερολέπτου. Το σύστημα κατανοεί το συγκειμενικό νόημα του κειμένου, αξιολογεί το συνολικό κλίμα και προσαρμόζει αμέσως την έκθεσή του στην αγορά αναλόγως, κάτι που απαιτεί ασύγκριτα περισσότερο χρόνο από έναν άνθρωπο. Επιπλέον, αυτά τα συστήματα μπορούν να εντοπίζουν ταυτόχρονα εξαιρετικά πολύπλοκα μοτίβα και μη γραμμικές σχέσεις μεταξύ δεκάδων διαφορετικών μέσων, τα οποία είναι εντελώς αόρατα στο ανθρώπινο μάτι ή σε έναν απλό κώδικα.

Η άλλη πλευρά του νομίσματος και οι κίνδυνοι της νέας προσέγγισης

Αν και η τεχνητή νοημοσύνη προωθεί σημαντικά τις δυνατότητες των συναλλαγών, φέρνει συγκεκριμένους κινδύνους που η κλασική αυτοματοποίηση δεν χρειάστηκε να αντιμετωπίσει σε τόσο μεγάλο βαθμό. Η μεγαλύτερη παγίδα είναι η λεγόμενη υπερ-βελτιστοποίηση του συστήματος με τη χρήση ιστορικών δεδομένων. Η τεχνητή νοημοσύνη διαθέτει τόσο τεράστια υπολογιστική ισχύ που μπορεί να βρει ένα τέλειο μαθηματικό πρότυπο σε οποιοδήποτε δείγμα ιστορικών τιμών. Ωστόσο, αυτό το πρότυπο είναι συχνά άχρηστο στην πραγματική αγορά, διότι αντί να μάθει την πραγματική λογική της αγοράς, το σύστημα έχει απλώς μάθει να αντιγράφει τέλεια ιστορικούς θορύβους και ανωμαλίες που δεν θα εκδηλωθούν ποτέ ξανά με τον ίδιο τρόπο.

Ο δεύτερος σοβαρός κίνδυνος είναι το φαινόμενο της «μαύρης κουτί», όπου η διαδικασία λήψης αποφάσεων γίνεται αδιαφανής για τους ανθρώπους. Με ένα κλασικό αυτοματοποιημένο σύστημα, γνωρίζετε ακριβώς γιατί ο κώδικας αγόρασε ή πούλησε ένα συγκεκριμένο περιουσιακό στοιχείο, επειδή οι συνθήκες είναι σαφώς αναγνώσιμες στο σενάριο. Με τα προηγμένα νευρωνικά δίκτυα, ωστόσο, η λήψη αποφάσεων βασίζεται σε εκατομμύρια μεταβλητές και τις αμοιβαίες συνδέσεις τους. Το αποτέλεσμα είναι μια κατάσταση όπου ακόμη και ο προγραμματιστής συχνά δεν μπορεί να προσδιορίσει εκ των υστέρων ακριβώς γιατί η τεχνητή νοημοσύνη έλαβε μια συγκεκριμένη εμπορική απόφαση, κάτι που περιπλέκει σημαντικά τον έλεγχο του κινδύνου.

Πώς ωφελείται ο σύγχρονος επενδυτής από αυτή την εξέλιξη;

Η εφαρμογή της τεχνητής νοημοσύνης στην πράξη δεν σημαίνει ότι η εποχή των ανεξάρτητων επενδυτών φτάνει οριστικά στο τέλος της. Η τρέχουσα τάση κινείται προς ένα υβριδικό μοντέλο, όπου ένα άτομο λειτουργεί ως στρατηγικός διαχειριστής και η τεχνητή νοημοσύνη ως το υψηλής απόδοσης εκτελεστικό του στοιχείο. Οι απλοί επενδυτές λιανικής σήμερα δεν χρειάζεται πλέον να κατασκευάζουν τους δικούς τους υπερυπολογιστές ή να κατακτούν πολύπλοκες γλώσσες προγραμματισμού, καθώς η τεχνολογία γίνεται όλο και πιο προσιτή.