AI ສາມາດຄາດຄະເນຕະຫຼາດຫຼັກຊັບໄດ້ບໍ?

ແນະນຳ

ການຄາດເດົາຕະຫຼາດຫຼັກຊັບແມ່ນເປັນ "grail ສັກສິດ" ທາງດ້ານການເງິນທີ່ຊອກຫາມາດົນນານໂດຍນັກລົງທຶນສະຖາບັນແລະຜູ້ຂາຍຍ່ອຍທົ່ວໂລກ. ດ້ວຍຄວາມກ້າວຫນ້າທີ່ຜ່ານມາໃນ Artificial Intelligence (AI) ແລະ ການຮຽນຮູ້ເຄື່ອງຈັກ (ML) , ຫຼາຍຄົນສົງໄສວ່າເຕັກໂນໂລຢີເຫຼົ່ານີ້ສຸດທ້າຍໄດ້ປົດລັອກຄວາມລັບໃນການຄາດຄະເນລາຄາຫຼັກຊັບ. AI ສາມາດຄາດຄະເນຕະຫຼາດຫຼັກຊັບໄດ້ບໍ? ກະດາດສີຂາວນີ້ກວດເບິ່ງຄໍາຖາມດັ່ງກ່າວຈາກທັດສະນະທົ່ວໂລກ, ອະທິບາຍວິທີການທີ່ຕົວແບບທີ່ຂັບເຄື່ອນໂດຍ AI ພະຍາຍາມຄາດຄະເນການເຄື່ອນໄຫວຂອງຕະຫຼາດ, ພື້ນຖານທາງທິດສະດີທີ່ຢູ່ເບື້ອງຫຼັງແບບຈໍາລອງເຫຼົ່ານີ້, ແລະຂໍ້ຈໍາກັດທີ່ແທ້ຈິງທີ່ເຂົາເຈົ້າປະເຊີນ. ພວກເຮົານໍາສະເຫນີການວິເຄາະທີ່ບໍ່ມີອະຄະຕິ, ອີງໃສ່ການຄົ້ນຄວ້າແທນທີ່ຈະ hype, ຂອງສິ່ງທີ່ AI ສາມາດ ແລະ ບໍ່ສາມາດ ເຮັດໄດ້ໃນແງ່ຂອງການຄາດຄະເນຕະຫຼາດການເງິນ.

ໃນທິດສະດີທາງດ້ານການເງິນ, ສິ່ງທ້າທາຍຂອງການຄາດຄະເນແມ່ນ underscored ໂດຍ ສົມມຸດຕິຖານຕະຫຼາດປະສິດທິພາບ (EMH) . EMH (ໂດຍສະເພາະໃນຮູບແບບ "ທີ່ເຂັ້ມແຂງ" ຂອງມັນ) ຊີ້ໃຫ້ເຫັນວ່າລາຄາຫຼັກຊັບສະທ້ອນໃຫ້ເຫັນເຖິງຂໍ້ມູນທີ່ມີຢູ່ທັງຫມົດໃນເວລາໃດກໍ່ຕາມ, ຊຶ່ງຫມາຍຄວາມວ່າບໍ່ມີນັກລົງທຶນ (ບໍ່ແມ່ນແຕ່ພາຍໃນ) ສາມາດປະຕິບັດຕະຫຼາດຢ່າງຕໍ່ເນື່ອງໂດຍການຊື້ຂາຍຂໍ້ມູນທີ່ມີຢູ່ ( ແບບຈໍາລອງການພະຍາກອນຫຼັກຊັບທີ່ມີຂໍ້ມູນໂດຍອີງໃສ່ເຄືອຂ່າຍ neural: ການທົບທວນຄືນ ). ໃນຄໍາສັບທີ່ງ່າຍດາຍ, ຖ້າຕະຫຼາດມີປະສິດທິພາບສູງແລະລາຄາຍ້າຍອອກໄປໃນ ແບບສຸ່ມ , ການຄາດເດົາຢ່າງຖືກຕ້ອງກ່ຽວກັບລາຄາໃນອະນາຄົດຄວນຈະເປັນໄປບໍ່ໄດ້. ເຖິງວ່າຈະມີທິດສະດີນີ້, ການລໍ້ລວງຂອງການຕີຕະຫຼາດໄດ້ກະຕຸ້ນການຄົ້ນຄວ້າຢ່າງກວ້າງຂວາງໄປສູ່ວິທີການຄາດຄະເນແບບພິເສດ. AI ແລະການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ກາຍເປັນຈຸດໃຈກາງຂອງການຄົ້ນຫານີ້, ຍ້ອນຄວາມສາມາດໃນການປະມວນຜົນຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍແລະກໍານົດຮູບແບບທີ່ອ່ອນໂຍນທີ່ມະນຸດອາດຈະພາດ ( ການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການຄາດເດົາຕະຫຼາດຫຼັກຊັບ ... | FMP ).

ກະດາດສີຂາວນີ້ສະຫນອງພາບລວມທີ່ສົມບູນແບບຂອງເຕັກນິກ AI ທີ່ໃຊ້ສໍາລັບການຄາດຄະເນຕະຫຼາດຫຼັກຊັບແລະປະເມີນປະສິດທິຜົນຂອງພວກເຂົາ. ພວກເຮົາຈະເຈາະເລິກເຖິງ ພື້ນຖານທາງທິດສະດີ ຂອງແບບຈໍາລອງທີ່ນິຍົມ (ຈາກວິທີການຊຸດເວລາແບບດັ້ງເດີມໄປສູ່ເຄືອຂ່າຍ neural ເລິກແລະການຮຽນຮູ້ເສີມ), ປຶກສາຫາລືກ່ຽວ ຂໍ້ມູນແລະຂະບວນການຝຶກອົບຮົມ ສໍາລັບຕົວແບບເຫຼົ່ານີ້, ແລະຊີ້ໃຫ້ເຫັນ ຂໍ້ຈໍາກັດທີ່ສໍາຄັນແລະຄວາມທ້າທາຍທີ່ ລະບົບດັ່ງກ່າວປະເຊີນ, ເຊັ່ນ: ປະສິດທິພາບຂອງຕະຫຼາດ, ສຽງຂອງຂໍ້ມູນ, ແລະເຫດການພາຍນອກທີ່ບໍ່ສາມາດຄາດເດົາໄດ້. ການສຶກສາແລະຕົວຢ່າງທີ່ແທ້ຈິງຂອງໂລກໄດ້ຖືກລວມເຂົ້າເພື່ອສະແດງໃຫ້ເຫັນຜົນໄດ້ຮັບປະສົມທີ່ໄດ້ຮັບມາເຖິງຕອນນັ້ນ. ສຸດທ້າຍ, ພວກເຮົາສະຫຼຸບດ້ວຍຄວາມຄາດຫວັງທີ່ແທ້ຈິງສໍາລັບນັກລົງທຶນແລະນັກປະຕິບັດ: ການຮັບຮູ້ຄວາມສາມາດທີ່ຫນ້າປະທັບໃຈຂອງ AI ໃນຂະນະທີ່ຮັບຮູ້ວ່າຕະຫຼາດການເງິນຍັງຮັກສາລະດັບຂອງຄວາມບໍ່ແນ່ນອນທີ່ບໍ່ມີວິທີການສາມາດລົບລ້າງຢ່າງເຕັມສ່ວນ.

ພື້ນຖານທິດສະດີຂອງ AI ໃນການຄາດເດົາຕະຫຼາດຫຼັກຊັບ

ການຄາດຄະເນຫຼັກຊັບທີ່ອີງໃສ່ AI ທີ່ທັນສະໄຫມກໍ່ສ້າງຕາມການຄົ້ນຄ້ວາຫຼາຍທົດສະວັດໃນສະຖິຕິ, ການເງິນ, ແລະວິທະຍາສາດຄອມພິວເຕີ. ມັນເປັນປະໂຫຍດທີ່ຈະເຂົ້າໃຈ spectrum ຂອງວິທີການຈາກແບບດັ້ງເດີມໄປສູ່ AI ທີ່ທັນສະໄຫມ:

• ແບບຈໍາລອງຊຸດເວລາແບບດັ້ງເດີມ: ການຄາດຄະເນຫຼັກຊັບເບື້ອງຕົ້ນແມ່ນອີງໃສ່ຕົວແບບສະຖິຕິທີ່ສົມມຸດວ່າຮູບແບບຂອງລາຄາທີ່ຜ່ານມາສາມາດຄາດຄະເນອະນາຄົດໄດ້. ແບບຈໍາລອງເຊັ່ນ : ARIMA (Auto-Regressive Integrated Moving Average) ແລະ ARCH/GARCH ເນັ້ນໃສ່ການຈັບເອົາທ່າອ່ຽງເສັ້ນຊື່ ແລະກຸ່ມການຜັນຜວນໃນຂໍ້ມູນຊຸດເວລາ ( ແບບຈໍາລອງການພະຍາກອນຫຼັກຊັບທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນໂດຍອີງໃສ່ເຄືອຂ່າຍ neural: ການທົບທວນຄືນ ). ຮູບແບບເຫຼົ່ານີ້ສະຫນອງພື້ນຖານສໍາລັບການຄາດຄະເນໂດຍການສ້າງແບບຈໍາລອງລໍາດັບລາຄາປະຫວັດສາດພາຍໃຕ້ການສົມມຸດຕິຖານຂອງ stationarity ແລະ linearity. ໃນຂະນະທີ່ເປັນປະໂຫຍດ, ແບບດັ້ງເດີມມັກຈະຕໍ່ສູ້ກັບຮູບແບບທີ່ສະລັບສັບຊ້ອນ, ບໍ່ແມ່ນເສັ້ນຂອງຕະຫຼາດທີ່ແທ້ຈິງ, ນໍາໄປສູ່ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນທີ່ຈໍາກັດໃນການປະຕິບັດ ( ແບບຈໍາລອງການຄາດຄະເນຫຼັກຊັບທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນໂດຍອີງໃສ່ເຄືອຂ່າຍ neural: ການທົບທວນຄືນ ).

• ຂັ້ນຕອນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ: ວິທີການຮຽນຮູ້ເຄື່ອງຈັກເກີນກວ່າສູດສະຖິຕິທີ່ກຳນົດໄວ້ລ່ວງໜ້າໂດຍ ການຮຽນຮູ້ຮູບແບບໂດຍກົງຈາກຂໍ້ມູນ . ສູດການຄິດໄລ່ເຊັ່ນ: ເຄື່ອງຈັກ vector ສະຫນັບສະຫນູນ (SVM) , ປ່າສຸ່ມ , ແລະ gradient boosting ໄດ້ຖືກນໍາໃຊ້ກັບການຄາດຄະເນຫຼັກຊັບ. ພວກເຂົາສາມາດລວມເອົາລັກສະນະການປ້ອນຂໍ້ມູນຢ່າງກວ້າງຂວາງ - ຈາກຕົວຊີ້ວັດດ້ານວິຊາການ (ຕົວຢ່າງ, ການເຄື່ອນຍ້າຍສະເລ່ຍ, ປະລິມານການຊື້ຂາຍ) ໄປຫາຕົວຊີ້ວັດພື້ນຖານ (ຕົວຢ່າງ, ລາຍຮັບ, ຂໍ້ມູນເສດຖະກິດມະຫາພາກ) - ແລະຊອກຫາຄວາມສໍາພັນທີ່ບໍ່ແມ່ນເສັ້ນຊື່ລະຫວ່າງພວກມັນ. ຕົວຢ່າງ, ຮູບແບບການຊຸກຍູ້ແບບສຸ່ມປ່າ ຫຼື gradient ສາມາດພິຈາລະນາຫຼາຍປັດໃຈພ້ອມໆກັນ, ຈັບເອົາການໂຕ້ຕອບທີ່ຕົວແບບເສັ້ນດ່ຽວອາດຈະພາດ. ແບບຈໍາລອງ ML ເຫຼົ່ານີ້ໄດ້ສະແດງໃຫ້ເຫັນຄວາມສາມາດເລັກນ້ອຍໃນການປັບປຸງຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນໂດຍການກວດສອບສັນຍານທີ່ຊັບຊ້ອນໃນຂໍ້ມູນ ( ການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການຄາດເດົາຕະຫຼາດຫຼັກຊັບ ... | FMP ). ຢ່າງໃດກໍຕາມ, ພວກເຂົາເຈົ້າຮຽກຮ້ອງໃຫ້ມີການປັບລະມັດລະວັງແລະຂໍ້ມູນພຽງພໍເພື່ອຫຼີກເວັ້ນການ overfitting (ການຮຽນຮູ້ສິ່ງລົບກວນແທນທີ່ຈະເປັນສັນຍານ).

• ການຮຽນຮູ້ເລິກ (ເຄືອຂ່າຍ neural): ເຄືອຂ່າຍ neural ເລິກ , ໄດ້ຮັບການດົນໃຈໂດຍໂຄງສ້າງຂອງສະຫມອງຂອງມະນຸດ, ໄດ້ກາຍເປັນທີ່ນິຍົມສໍາລັບການຄາດຄະເນຕະຫຼາດຫຼັກຊັບໃນຊຸມປີມໍ່ໆມານີ້. ໃນບັນດາເຫຼົ່ານີ້, Recurrent Neural Networks (RNNs) ແລະ ຄວາມຊົງຈໍາໄລຍະສັ້ນໄລຍະຍາວ (LSTM) ຖືກອອກແບບໂດຍສະເພາະສໍາລັບຂໍ້ມູນລໍາດັບເຊັ່ນຊຸດເວລາລາຄາຫຼັກຊັບ. LSTMs ສາມາດຮັກສາຄວາມຊົງຈໍາຂອງຂໍ້ມູນທີ່ຜ່ານມາແລະເກັບກໍາຄວາມເພິ່ງພາອາໄສຊົ່ວຄາວ, ເຮັດໃຫ້ມັນເຫມາະສົມກັບແນວໂນ້ມຂອງຕົວແບບ, ຮອບວຽນ, ຫຼືຮູບແບບທີ່ໃຊ້ເວລາອື່ນໆໃນຂໍ້ມູນຕະຫຼາດ. ການຄົ້ນຄວ້າຊີ້ໃຫ້ເຫັນວ່າ LSTMs ແລະແບບຈໍາລອງການຮຽນຮູ້ເລິກອື່ນໆສາມາດເກັບກໍາ ຄວາມສໍາພັນທີ່ຊັບຊ້ອນ, ບໍ່ມີເສັ້ນ ໃນຂໍ້ມູນທາງດ້ານການເງິນທີ່ຕົວແບບງ່າຍດາຍພາດ. ວິທີການຮຽນຮູ້ເລິກອື່ນໆລວມມີ Convolutional Neural Networks (CNNs) (ບາງຄັ້ງໃຊ້ໃນຕົວຊີ້ວັດດ້ານວິຊາການ "ຮູບພາບ" ຫຼືລໍາດັບທີ່ເຂົ້າລະຫັດ), Transformers (ເຊິ່ງໃຊ້ກົນໄກການເອົາໃຈໃສ່ເພື່ອຊັ່ງນໍ້າຫນັກຄວາມສໍາຄັນຂອງຂັ້ນຕອນເວລາທີ່ແຕກຕ່າງກັນຫຼືແຫຼ່ງຂໍ້ມູນ), ແລະແມ້ກະທັ້ງ Graph Neural Networks (GNNs) (ເພື່ອສ້າງແບບຈໍາລອງຄວາມສໍາພັນລະຫວ່າງຮຸ້ນໃນຕາຕະລາງຕະຫຼາດ). ເຫຼົ່ານີ້ neural nets ກ້າວຫນ້າສາມາດ ingest ບໍ່ພຽງແຕ່ຂໍ້ມູນລາຄາ, ແຕ່ຍັງແຫຼ່ງຂໍ້ມູນທາງເລືອກເຊັ່ນ: ຂໍ້ຄວາມຂ່າວ, ຄວາມຮູ້ສຶກສື່ມວນຊົນສັງຄົມ, ແລະອື່ນໆ, ການຮຽນຮູ້ລັກສະນະທີ່ບໍ່ມີຕົວຕົນທີ່ອາດຈະເປັນການຄາດຄະເນການເຄື່ອນໄຫວຂອງຕະຫຼາດ ( ການນໍາໃຊ້ເຄື່ອງຈັກການຮຽນຮູ້ສໍາລັບການຄາດເດົາຕະຫຼາດຫຼັກຊັບ ... | FMP ). ຄວາມຍືດຫຍຸ່ນຂອງການຮຽນຮູ້ແບບເລິກເຊິ່ງມາພ້ອມກັບຄ່າໃຊ້ຈ່າຍ: ພວກມັນຫິວຂໍ້ມູນ, ຄອມພິວເຕີ້ຫຼາຍ, ແລະມັກຈະດໍາເນີນການເປັນ "ກ່ອງດໍາ" ທີ່ມີການຕີຄວາມຫມາຍຫນ້ອຍ.

• ການຮຽນຮູ້ການເສີມສ້າງ: ອີກດ້ານຫນຶ່ງຂອງການຄາດຄະເນຫຼັກຊັບ AI ແມ່ນ ການຮຽນຮູ້ການເສີມສ້າງ (RL) , ບ່ອນທີ່ເປົ້າຫມາຍບໍ່ພຽງແຕ່ເພື່ອຄາດຄະເນລາຄາ, ແຕ່ເພື່ອຮຽນຮູ້ຍຸດທະສາດການຄ້າທີ່ດີທີ່ສຸດ. ໃນກອບ RL, ຕົວແທນ (ຕົວແບບ AI) ພົວພັນກັບສະພາບແວດລ້ອມ (ຕະຫຼາດ) ໂດຍການດໍາເນີນການ (ຊື້, ຂາຍ, ຖື) ແລະໄດ້ຮັບລາງວັນ (ຜົນກໍາໄລຫຼືການສູນເສຍ). ເມື່ອເວລາຜ່ານໄປ, ຕົວແທນຮຽນຮູ້ນະໂຍບາຍທີ່ເພີ່ມລາງວັນສະສົມສູງສຸດ. Deep Reinforcement Learning (DRL) ປະສົມປະສານເຄືອຂ່າຍ neural ກັບການຮຽນຮູ້ເສີມເພື່ອຈັດການກັບລັດຂະຫນາດໃຫຍ່ຂອງຕະຫຼາດ. ການອຸທອນຂອງ RL ໃນດ້ານການເງິນແມ່ນຄວາມສາມາດໃນການພິຈາລະນາ ລໍາດັບຂອງການຕັດສິນໃຈ ແລະການເພີ່ມປະສິດທິພາບໂດຍກົງສໍາລັບຜົນຕອບແທນຂອງການລົງທຶນ, ແທນທີ່ຈະຄາດຄະເນລາຄາໃນການໂດດດ່ຽວ. ສໍາລັບຕົວຢ່າງ, ຕົວແທນ RL ສາມາດຮຽນຮູ້ເວລາທີ່ຈະເຂົ້າຫຼືອອກຈາກຕໍາແຫນ່ງໂດຍອີງໃສ່ສັນຍານລາຄາແລະແມ້ກະທັ້ງການປັບຕົວເມື່ອສະພາບຕະຫຼາດປ່ຽນແປງ. ໂດຍສະເພາະ, RL ໄດ້ຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມແບບຈໍາລອງ AI ທີ່ແຂ່ງຂັນໃນການແຂ່ງຂັນການຊື້ຂາຍປະລິມານແລະໃນບາງລະບົບການຄ້າທີ່ເປັນເຈົ້າຂອງ. ຢ່າງໃດກໍ່ຕາມ, ວິທີການ RL ຍັງປະເຊີນກັບສິ່ງທ້າທາຍທີ່ສໍາຄັນ: ພວກເຂົາຕ້ອງການການຝຶກອົບຮົມຢ່າງກວ້າງຂວາງ (ການຈໍາລອງປີຂອງການຄ້າ), ສາມາດທົນທຸກຈາກຄວາມບໍ່ສະຖຽນລະພາບຫຼືພຶດຕິກໍາທີ່ແຕກຕ່າງຖ້າບໍ່ຖືກປັບຢ່າງລະມັດລະວັງ, ແລະການປະຕິບັດຂອງພວກເຂົາແມ່ນມີຄວາມອ່ອນໄຫວສູງຕໍ່ສະພາບແວດລ້ອມຕະຫຼາດທີ່ສົມມຸດຕິຖານ. ນັກຄົ້ນຄວ້າໄດ້ສັງເກດເຫັນບັນຫາຕ່າງໆເຊັ່ນ ຄ່າໃຊ້ຈ່າຍໃນຄອມພິວເຕີ້ສູງແລະບັນຫາຄວາມຫມັ້ນຄົງ ໃນການນໍາໃຊ້ການຮຽນຮູ້ການເສີມສ້າງໃນຕະຫຼາດຫຼັກຊັບທີ່ສັບສົນ. ເຖິງວ່າຈະມີສິ່ງທ້າທາຍເຫຼົ່ານີ້, RL ເປັນຕົວແທນຂອງວິທີການທີ່ມີທ່າອ່ຽງ, ໂດຍສະເພາະໃນເວລາທີ່ປະສົມປະສານກັບເຕັກນິກອື່ນໆ (ຕົວຢ່າງ, ການນໍາໃຊ້ແບບຈໍາລອງການຄາດເດົາລາຄາບວກກັບຍຸດທະສາດການຈັດສັນໂດຍອີງໃສ່ RL) ເພື່ອສ້າງລະບົບການຕັດສິນໃຈແບບປະສົມ ( ການຄາດເດົາຕະຫຼາດຫຼັກຊັບໂດຍນໍາໃຊ້ການຮຽນຮູ້ການເສີມສ້າງຢ່າງເລິກເຊິ່ງ ).

ແຫຼ່ງຂໍ້ມູນ ແລະຂະບວນການຝຶກອົບຮົມ

ໂດຍບໍ່ສົນເລື່ອງຂອງຮູບແບບ, ຂໍ້ມູນແມ່ນກະດູກສັນຫຼັງ ຂອງການຄາດຄະເນຕະຫຼາດຫຼັກຊັບ AI. ໂດຍທົ່ວໄປແລ້ວຕົວແບບຕ່າງໆແມ່ນໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນຕະຫຼາດປະຫວັດສາດ ແລະຊຸດຂໍ້ມູນອື່ນໆທີ່ກ່ຽວຂ້ອງເພື່ອກວດຫາຮູບແບບຕ່າງໆ. ແຫຼ່ງຂໍ້ມູນ ແລະຄຸນສົມບັດທົ່ວໄປລວມມີ:

• ລາຄາປະຫວັດສາດແລະຕົວຊີ້ວັດດ້ານວິຊາການ: ເກືອບທຸກຕົວແບບໃຊ້ລາຄາຫຼັກຊັບທີ່ຜ່ານມາ (ເປີດ, ສູງ, ຕໍ່າ, ປິດ) ແລະປະລິມານການຊື້ຂາຍ. ຈາກສິ່ງເຫຼົ່ານີ້, ນັກວິເຄາະມັກຈະເອົາຕົວຊີ້ວັດດ້ານວິຊາການ (ສະເລ່ຍການເຄື່ອນຍ້າຍ, ດັດຊະນີຄວາມເຂັ້ມແຂງພີ່ນ້ອງ, MACD, ແລະອື່ນໆ) ເປັນວັດສະດຸປ້ອນ. ຕົວຊີ້ບອກເຫຼົ່ານີ້ສາມາດຊ່ວຍເນັ້ນໃຫ້ເຫັນແນວໂນ້ມ ຫຼືຈັງຫວະທີ່ຕົວແບບອາດຈະຂຸດຄົ້ນໄດ້. ຕົວຢ່າງ, ຮູບແບບອາດຈະໃຊ້ເວລາເປັນວັດສະດຸປ້ອນໃນ 10 ມື້ສຸດທ້າຍຂອງລາຄາ ແລະປະລິມານ, ບວກກັບຕົວຊີ້ວັດເຊັ່ນ: 10 ມື້ການເຄື່ອນຍ້າຍໂດຍສະເລ່ຍຫຼືມາດຕະການການເຫນັງຕີງ, ເພື່ອຄາດຄະເນການເຄື່ອນໄຫວຂອງລາຄາໃນມື້ຕໍ່ມາ.

• ດັດຊະນີຕະຫຼາດ ແລະຂໍ້ມູນເສດຖະກິດ: ຫຼາຍໆຕົວແບບລວມເອົາຂໍ້ມູນຕະຫຼາດທີ່ກວ້າງຂຶ້ນ ເຊັ່ນ: ລະດັບດັດຊະນີ, ອັດຕາດອກເບ້ຍ, ອັດຕາເງິນເຟີ້, ການເຕີບໂຕຂອງ GDP ຫຼືຕົວຊີ້ວັດດ້ານເສດຖະກິດອື່ນໆ. ລັກສະນະມະຫາພາກເຫຼົ່ານີ້ໃຫ້ບໍລິບົດ (ຕົວຢ່າງ, ຄວາມຮູ້ສຶກຂອງຕະຫຼາດໂດຍລວມ ຫຼືສຸຂະພາບເສດຖະກິດ) ທີ່ສາມາດມີອິດທິພົນຕໍ່ການປະຕິບັດຫຼັກຊັບຂອງບຸກຄົນ.

• ຂໍ້ມູນຂ່າວ ແລະຄວາມຮູ້ສຶກ: ຈໍານວນທີ່ເພີ່ມຂຶ້ນຂອງລະບົບ AI ໄດ້ຮັບຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງເຊັ່ນ: ບົດຄວາມຂ່າວ, ຟີດສື່ມວນຊົນສັງຄົມ (Twitter, Stocktwits), ແລະບົດລາຍງານທາງດ້ານການເງິນ. ເຕັກນິກການປຸງແຕ່ງພາສາທໍາມະຊາດ (NLP), ລວມທັງຕົວແບບຂັ້ນສູງເຊັ່ນ BERT, ຖືກໃຊ້ເພື່ອວັດແທກຄວາມຮູ້ສຶກຂອງຕະຫຼາດ ຫຼືກວດສອບເຫດການທີ່ກ່ຽວຂ້ອງ. ຍົກຕົວຢ່າງ, ຖ້າຄວາມຮູ້ສຶກຂ່າວກະທັນຫັນປ່ຽນເປັນລົບຕໍ່ບໍລິສັດຫຼືຂະແຫນງການ, ຮູບແບບ AI ອາດຈະຄາດຄະເນການຫຼຸດລົງຂອງລາຄາຫຼັກຊັບທີ່ກ່ຽວຂ້ອງ. ໂດຍການປະມວນຜົນ ຂ່າວໃນເວລາຈິງແລະຄວາມຮູ້ສຶກສື່ມວນຊົນສັງຄົມ , AI ສາມາດປະຕິກິລິຍາໄວກວ່າຜູ້ຄ້າມະນຸດຕໍ່ກັບຂໍ້ມູນໃຫມ່.

• ຂໍ້ມູນທາງເລືອກ: ບາງກອງທຶນ hedge ທີ່ມີຄວາມຊັບຊ້ອນແລະນັກຄົ້ນຄວ້າ AI ໃຊ້ແຫຼ່ງຂໍ້ມູນທາງເລືອກ - ຮູບພາບດາວທຽມ (ສໍາລັບການຈະລາຈອນໃນຮ້ານຫຼືກິດຈະກໍາອຸດສາຫະກໍາ), ຂໍ້ມູນການເຮັດທຸລະກໍາບັດເຄຣດິດ, ແນວໂນ້ມການຊອກຫາເວັບ, ແລະອື່ນໆ - ເພື່ອໃຫ້ໄດ້ຮັບຄວາມເຂົ້າໃຈໃນການຄາດຄະເນ. ຊຸດຂໍ້ມູນທີ່ບໍ່ແມ່ນແບບດັ້ງເດີມເຫຼົ່ານີ້ບາງຄັ້ງສາມາດເປັນຕົວຊີ້ວັດຊັ້ນນໍາສໍາລັບການປະຕິບັດຫຼັກຊັບ, ເຖິງແມ່ນວ່າພວກເຂົາຍັງແນະນໍາຄວາມສັບສົນໃນການຝຶກອົບຮົມຕົວແບບ.

ການຝຶກອົບຮົມຕົວແບບ AI ສໍາລັບການຄາດຄະເນຫຼັກຊັບກ່ຽວຂ້ອງກັບການໃຫ້ມັນຂໍ້ມູນປະຫວັດສາດນີ້ແລະປັບຕົວກໍານົດການຂອງຕົວແບບເພື່ອຫຼຸດຜ່ອນຄວາມຜິດພາດຂອງການຄາດຄະເນ. ໂດຍປົກກະຕິ, ຂໍ້ມູນຖືກແບ່ງອອກເປັນ ຊຸດການຝຶກອົບຮົມ (ຕົວຢ່າງ, ປະຫວັດສາດເກົ່າແກ່ເພື່ອຮຽນຮູ້ຮູບແບບ) ແລະ ຊຸດການທົດສອບ / ການກວດສອບ (ຂໍ້ມູນຫຼ້າສຸດເພື່ອປະເມີນການປະຕິບັດໃນເງື່ອນໄຂທີ່ບໍ່ສາມາດເຫັນໄດ້). ເນື່ອງຈາກລັກສະນະລໍາດັບຂອງຂໍ້ມູນຕະຫຼາດ, ການດູແລແມ່ນຖືກປະຕິບັດເພື່ອຫຼີກເວັ້ນການ "ເບິ່ງໄປໃນອະນາຄົດ" - ຕົວຢ່າງ, ຮູບແບບຕ່າງໆໄດ້ຖືກປະເມີນຈາກຂໍ້ມູນຈາກໄລຍະເວລາຫຼັງຈາກໄລຍະເວລາການຝຶກອົບຮົມ, ເພື່ອຈໍາລອງວິທີທີ່ພວກເຂົາປະຕິບັດໃນການຊື້ຂາຍທີ່ແທ້ຈິງ. ການກວດສອບຂ້າມຜ່ານ ທີ່ດັດແປງສໍາລັບຊຸດເວລາ (ເຊັ່ນ: ການກວດສອບການຍ່າງໄປຂ້າງຫນ້າ) ຖືກນໍາໃຊ້ເພື່ອຮັບປະກັນວ່າຕົວແບບທົ່ວໄປດີແລະບໍ່ພຽງແຕ່ເຫມາະສົມກັບໄລຍະເວລາໃດຫນຶ່ງ.

ຍິ່ງໄປກວ່ານັ້ນ, ຜູ້ປະຕິບັດຕ້ອງແກ້ໄຂບັນຫາຄຸນນະພາບຂອງຂໍ້ມູນແລະການປຸງແຕ່ງກ່ອນ. ຂໍ້ມູນທີ່ຂາດຫາຍໄປ, outliers (ຕົວຢ່າງ, spikes ຢ່າງກະທັນຫັນເນື່ອງຈາກການແບ່ງປັນຫຼັກຊັບຫຼືເຫດການຫນຶ່ງຄັ້ງ), ແລະການປ່ຽນແປງລະບອບໃນຕະຫຼາດທັງຫມົດສາມາດສົ່ງຜົນກະທົບຕໍ່ການຝຶກອົບຮົມຕົວແບບ. ເຕັກນິກເຊັ່ນ: ການເຮັດໃຫ້ເປັນປົກກະຕິ, ຫຼຸດລົງ, ຫຼື de-seasonalizing ອາດຈະຖືກນໍາໃຊ້ກັບຂໍ້ມູນການປ້ອນຂໍ້ມູນ. ບາງວິທີການແບບພິເສດ decompose ຊຸດລາຄາເຂົ້າໄປໃນອົງປະກອບ (ແນວໂນ້ມ, ວົງຈອນ, ສິ່ງລົບກວນ) ແລະສ້າງແບບຈໍາລອງໃຫ້ເຂົາເຈົ້າແຍກຕ່າງຫາກ (ດັ່ງທີ່ເຫັນໃນການຄົ້ນຄວ້າປະສົມປະສານ decomposition ຮູບແບບການປ່ຽນແປງກັບຕາຫນ່າງ neural ( ການຄາດເດົາຕະຫຼາດຫຼັກຊັບໂດຍນໍາໃຊ້ການຮຽນຮູ້ການເສີມສ້າງເລິກ )).

ຮູບແບບຕ່າງໆມີຄວາມຕ້ອງການການຝຶກອົບຮົມທີ່ແຕກຕ່າງກັນ: ຮູບແບບການຮຽນຮູ້ເລິກອາດຈະຕ້ອງການຂໍ້ມູນຫຼາຍຮ້ອຍພັນຈຸດແລະໄດ້ຮັບຜົນປະໂຫຍດຈາກການເລັ່ງ GPU, ໃນຂະນະທີ່ຕົວແບບທີ່ງ່າຍດາຍເຊັ່ນ: logistic regression ສາມາດຮຽນຮູ້ຈາກຊຸດຂໍ້ມູນທີ່ມີຂະຫນາດນ້ອຍກວ່າ. ຮູບແບບການຮຽນຮູ້ການເສີມສ້າງຮຽກຮ້ອງໃຫ້ມີການຈໍາລອງຫຼືສະພາບແວດລ້ອມເພື່ອພົວພັນກັບ; ບາງຄັ້ງຂໍ້ມູນປະຫວັດສາດຖືກຫຼິ້ນຄືນໃຫ້ກັບຕົວແທນ RL, ຫຼືເຄື່ອງຈໍາລອງຕະຫຼາດຖືກນໍາໃຊ້ເພື່ອສ້າງປະສົບການ.

ສຸດທ້າຍ, ເມື່ອໄດ້ຮັບການຝຶກອົບຮົມ, ແບບຈໍາລອງເຫຼົ່ານີ້ເຮັດໃຫ້ຫນ້າທີ່ຄາດຄະເນ - ຕົວຢ່າງ, ຜົນຜະລິດທີ່ອາດຈະເປັນລາຄາທີ່ຄາດຄະເນສໍາລັບມື້ອື່ນ, ຄວາມເປັນໄປໄດ້ທີ່ຫຼັກຊັບຈະເພີ່ມຂຶ້ນ, ຫຼືການປະຕິບັດທີ່ແນະນໍາ (ຊື້ / ຂາຍ). ໂດຍທົ່ວໄປແລ້ວການຄາດຄະເນເຫຼົ່ານີ້ຖືກລວມເຂົ້າໃນຍຸດທະສາດການຄ້າ (ດ້ວຍຂະຫນາດຕໍາແຫນ່ງ, ກົດລະບຽບການຄຸ້ມຄອງຄວາມສ່ຽງ, ແລະອື່ນໆ) ກ່ອນທີ່ເງິນທີ່ແທ້ຈິງຈະມີຄວາມສ່ຽງ.

ຂໍ້ຈໍາກັດແລະສິ່ງທ້າທາຍ

ໃນຂະນະທີ່ແບບຈໍາລອງ AI ໄດ້ກາຍເປັນຄວາມຊັບຊ້ອນຢ່າງບໍ່ຫນ້າເຊື່ອ, ການຄາດຄະເນຕະຫຼາດຫຼັກຊັບຍັງຄົງເປັນວຽກທີ່ທ້າທາຍ . ຕໍ່ໄປນີ້ແມ່ນຂໍ້ຈໍາກັດແລະອຸປະສັກທີ່ສໍາຄັນທີ່ປ້ອງກັນບໍ່ໃຫ້ AI ຈາກການເປັນຫມໍດູທີ່ຮັບປະກັນໃນຕະຫຼາດ:

• ປະສິດທິພາບການຕະຫຼາດແລະຄວາມສຸ່ມ: ດັ່ງທີ່ໄດ້ກ່າວມາກ່ອນຫນ້ານີ້, ການສົມມຸດຕິຖານຂອງຕະຫຼາດທີ່ມີປະສິດທິພາບໄດ້ໂຕ້ຖຽງວ່າລາຄາສະທ້ອນໃຫ້ເຫັນເຖິງຂໍ້ມູນທີ່ຮູ້ຈັກແລ້ວ, ດັ່ງນັ້ນຂໍ້ມູນໃຫມ່ໃດໆກໍ່ເຮັດໃຫ້ເກີດການປັບຕົວທັນທີ. ໃນແງ່ປະຕິບັດ, ນີ້ຫມາຍຄວາມວ່າການປ່ຽນແປງລາຄາແມ່ນສ່ວນໃຫຍ່ແມ່ນຍ້ອນ ຂ່າວ ທີ່ບໍ່ຄາດຄິດ ແທ້ຈິງແລ້ວ, ການຄົ້ນຄວ້າຫຼາຍທົດສະວັດໄດ້ພົບເຫັນວ່າການເຄື່ອນໄຫວຂອງລາຄາຮຸ້ນໃນໄລຍະສັ້ນແມ່ນຄ້າຍຄືກັບການຍ່າງແບບສຸ່ມ ( ແບບຈໍາລອງການພະຍາກອນຫຼັກຊັບທີ່ມີຂໍ້ມູນໂດຍອີງໃສ່ເຄືອຂ່າຍ neural: ການທົບທວນຄືນ ) - ລາຄາຂອງມື້ວານນີ້ມີຜົນຕອບແທນຫນ້ອຍໃນມື້ອື່ນ, ນອກເຫນືອຈາກໂອກາດທີ່ຈະຄາດຄະເນ. ຖ້າລາຄາຫຼັກຊັບເປັນສິ່ງຈໍາເປັນແບບສຸ່ມຫຼື "ມີປະສິດທິພາບ", ບໍ່ມີສູດການຄິດໄລ່ໃດໆທີ່ສາມາດຄາດເດົາໄດ້ຢ່າງມີຄວາມຖືກຕ້ອງສູງ. ດັ່ງທີ່ການສຶກສາຄົ້ນຄ້ວາຫນຶ່ງໄດ້ສະຫຼຸບຢ່າງຫຍໍ້ໆ, "ສົມມຸດຕິຖານການຍ່າງແບບສຸ່ມແລະສົມມຸດຕິຖານຕະຫຼາດທີ່ມີປະສິດທິພາບທີ່ສໍາຄັນບອກວ່າມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະຄາດຄະເນລາຄາຫຼັກຊັບໃນອະນາຄົດຢ່າງເປັນລະບົບ, ເຊື່ອຖືໄດ້" ( ການຄາດການຜົນຕອບແທນຂອງຮຸ້ນ S&P 500 ໂດຍໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກ | ການປະດິດສ້າງທາງດ້ານການເງິນ | ຂໍ້ຄວາມເຕັມ ). ນີ້ບໍ່ໄດ້ຫມາຍຄວາມວ່າການຄາດເດົາຂອງ AI ແມ່ນບໍ່ມີປະໂຫຍດສະເຫມີ, ແຕ່ມັນຊີ້ໃຫ້ເຫັນເຖິງຂອບເຂດຈໍາກັດພື້ນຖານ: ການເຄື່ອນໄຫວຂອງຕະຫຼາດສ່ວນໃຫຍ່ອາດຈະເປັນສິ່ງລົບກວນທີ່ແມ້ກະທັ້ງຕົວແບບທີ່ດີທີ່ສຸດກໍ່ບໍ່ສາມາດຄາດຄະເນລ່ວງຫນ້າໄດ້.

• ສິ່ງລົບກວນແລະປັດໃຈພາຍນອກທີ່ບໍ່ສາມາດຄາດເດົາໄດ້: ລາຄາຫຼັກຊັບແມ່ນໄດ້ຮັບອິດທິພົນຈາກຫຼາຍໆປັດໃຈ, ຫຼາຍໆຢ່າງແມ່ນ exogenous ແລະບໍ່ສາມາດຄາດເດົາໄດ້. ເຫດການທາງພູມສາດ (ສົງຄາມ, ການເລືອກຕັ້ງ, ການປ່ຽນແປງກົດລະບຽບ), ໄພພິບັດທາງທໍາມະຊາດ, ພະຍາດລະບາດ, ການຂູດຮີດຂອງບໍລິສັດຢ່າງກະທັນຫັນ, ຫຼືແມ້ກະທັ້ງຂ່າວລືກ່ຽວກັບສື່ມວນຊົນສັງຄົມສາມາດເຄື່ອນຍ້າຍຕະຫຼາດຢ່າງບໍ່ຄາດຝັນ. ເຫຼົ່ານີ້ແມ່ນເຫດການທີ່ຕົວແບບ ບໍ່ສາມາດມີຂໍ້ມູນການຝຶກອົບຮົມກ່ອນຫນ້າ (ເພາະວ່າພວກມັນບໍ່ເຄີຍມີມາກ່ອນ) ຫຼືເກີດຂຶ້ນເປັນຊ໊ອກທີ່ຫາຍາກ. ຕົວຢ່າງ, ບໍ່ມີຕົວແບບ AI ທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນປະຫວັດສາດແຕ່ປີ 2010-2019 ສາມາດຄາດການລ່ວງໜ້າໂດຍສະເພາະການເກີດອຸປະຕິເຫດຂອງ COVID-19 ໃນຕົ້ນປີ 2020 ຫຼືການຟື້ນຕົວຢ່າງໄວວາຂອງມັນ. ແບບຈໍາລອງ AI ທາງດ້ານການເງິນຕໍ່ສູ້ໃນເວລາທີ່ການປ່ຽນແປງຂອງລະບອບການຫຼືໃນເວລາທີ່ເຫດການທີ່ໂດດດ່ຽວເຮັດໃຫ້ລາຄາ. ດັ່ງທີ່ບັນທຶກໄວ້ໃນແຫຼ່ງຫນຶ່ງ, ປັດໃຈຕ່າງໆເຊັ່ນເຫດການທາງພູມສາດ ຫຼື ການປ່ອຍຂໍ້ມູນເສດຖະກິດແບບກະທັນຫັນສາມາດເຮັດໃຫ້ການຄາດຄະເນລ້າສະໄຫມເກືອບທັນທີ ( ການນໍາໃຊ້ເຄື່ອງຈັກການຮຽນຮູ້ສໍາລັບການຄາດເດົາຕະຫຼາດຫຼັກຊັບ... | FMP ) ( ການນໍາໃຊ້ເຄື່ອງຈັກສໍາລັບການຄາດເດົາຕະຫຼາດຫຼັກຊັບ... | FMP ). ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ຂ່າວທີ່ບໍ່ໄດ້ຄາດຫວັງສາມາດ override ການຄາດຄະເນ algorithmic ສະເຫມີ , ການສັກຢາໃນລະດັບຂອງຄວາມບໍ່ແນ່ນອນທີ່ບໍ່ສາມາດແກ້ໄຂໄດ້.

• Overfitting ແລະໂດຍທົ່ວໄປ: ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນມັກຈະ overfitting - ຊຶ່ງຫມາຍຄວາມວ່າພວກເຂົາອາດຈະຮຽນຮູ້ "ສິ່ງລົບກວນ" ຫຼື quirks ໃນຂໍ້ມູນການຝຶກອົບຮົມໄດ້ດີເກີນໄປ, ແທນທີ່ຈະກ່ວາຮູບແບບທົ່ວໄປທີ່ຕິດພັນ. ຮູບແບບທີ່ພໍດີເກີນໄປອາດຈະປະຕິບັດໄດ້ດີໃນຂໍ້ມູນປະຫວັດສາດ (ເຖິງແມ່ນວ່າຈະສະແດງຜົນຕອບແທນທີ່ປະທັບໃຈຫຼືຄວາມຖືກຕ້ອງໃນຕົວຢ່າງສູງ) ແຕ່ຫຼັງຈາກນັ້ນກໍ່ລົ້ມເຫລວກັບຂໍ້ມູນໃຫມ່. ນີ້​ແມ່ນ​ອຸ​ປະ​ສັກ​ທົ່ວ​ໄປ​ໃນ​ການ​ເງິນ​ດ້ານ​ປະ​ລິ​ມານ​. ສໍາລັບຕົວຢ່າງ, ເຄືອຂ່າຍ neural ທີ່ສັບສົນອາດຈະເລືອກເອົາຄວາມສໍາພັນທີ່ເກີດຂື້ນໃນອະດີດໂດຍບັງເອີນ (ຄືກັບການປະສົມປະສານທີ່ແນ່ນອນຂອງຕົວຊີ້ວັດທີ່ເກີດຂື້ນກັບການຊຸມນຸມກ່ອນຫນ້າໃນ 5 ປີທີ່ຜ່ານມາ) ແຕ່ຄວາມສໍາພັນເຫຼົ່ານັ້ນອາດຈະບໍ່ກ້າວໄປຂ້າງຫນ້າ. ຕົວຢ່າງທີ່ປະຕິບັດໄດ້: ຄົນເຮົາສາມາດອອກແບບຕົວແບບທີ່ຄາດຄະເນວ່າຜູ້ຊະນະຫຼັກຊັບຂອງປີທີ່ຜ່ານມາຈະເພີ່ມຂຶ້ນເລື້ອຍໆ - ມັນອາດຈະເຫມາະສົມກັບໄລຍະເວລາທີ່ແນ່ນອນ, ແຕ່ຖ້າລະບົບຕະຫຼາດປ່ຽນແປງ, ຮູບແບບນັ້ນຈະແຕກ. Overfitting ນໍາໄປສູ່ການປະຕິບັດທີ່ບໍ່ດີຂອງຕົວຢ່າງ , ຊຶ່ງຫມາຍຄວາມວ່າການຄາດຄະເນຂອງຕົວແບບໃນການຊື້ຂາຍສົດສາມາດບໍ່ດີກວ່າແບບສຸ່ມເຖິງວ່າຈະມີການພັດທະນາທີ່ດີ. ຫຼີກເວັ້ນການ overfitting ຮຽກຮ້ອງໃຫ້ມີເຕັກນິກເຊັ່ນ: ປົກກະຕິ, ການຮັກສາຄວາມສັບສົນຂອງຕົວແບບໃນການກວດສອບ, ແລະນໍາໃຊ້ການກວດສອບທີ່ເຂັ້ມແຂງ. ຢ່າງໃດກໍ່ຕາມ, ຄວາມສັບສົນຫຼາຍທີ່ເຮັດໃຫ້ຕົວແບບ AI ມີພະລັງງານຍັງເຮັດໃຫ້ພວກເຂົາມີຄວາມສ່ຽງຕໍ່ບັນຫານີ້.

• ຄຸນະພາບຂໍ້ມູນແລະຄວາມພ້ອມ: ຄໍາສຸພາສິດ "ຂີ້ເຫຍື້ອໃນ, ຂີ້ເຫຍື້ອອອກ" ນໍາໃຊ້ຢ່າງແຂງແຮງກັບ AI ໃນການຄາດຄະເນຫຼັກຊັບ. ຄຸນນະພາບ, ປະລິມານ, ແລະຄວາມກ່ຽວຂ້ອງຂອງຂໍ້ມູນມີຜົນກະທົບຢ່າງຫຼວງຫຼາຍຕໍ່ການປະຕິບັດຕົວແບບ. ຖ້າຂໍ້ມູນປະຫວັດສາດບໍ່ພຽງພໍ (e. g. ພະຍາຍາມຝຶກອົບຮົມເຄືອຂ່າຍເລິກພຽງແຕ່ສອງສາມປີຂອງລາຄາຫຼັກຊັບ) ຫຼືບໍ່ມີຕົວແທນ (e. g. ການນໍາໃຊ້ຂໍ້ມູນຈາກໄລຍະເວລາທີ່ມີທ່າອ່ຽງຢ່າງຫຼວງຫຼາຍເພື່ອຄາດຄະເນສະຖານະການທີ່ຫຍາບຄາຍ), ຮູບແບບຈະບໍ່ໂດຍທົ່ວໄປດີ. ຂໍ້ມູນຍັງສາມາດມີ ຄວາມລໍາອຽງ ຫຼື ຂຶ້ນກັບການຢູ່ລອດ (ຕົວຢ່າງ, ດັດຊະນີຫຼັກຊັບຫຼຸດລົງຕາມທໍາມະຊາດຂອງບໍລິສັດທີ່ປະຕິບັດບໍ່ດີໃນໄລຍະເວລາ, ດັ່ງນັ້ນຂໍ້ມູນດັດສະນີປະຫວັດສາດອາດຈະມີຄວາມລໍາອຽງຂຶ້ນ). ການທໍາຄວາມສະອາດ ແລະແກ້ໄຂຂໍ້ມູນແມ່ນເປັນວຽກງານທີ່ບໍ່ແມ່ນເລື່ອງເລັກນ້ອຍ. ນອກຈາກນັ້ນ, ຂໍ້ມູນທາງເລືອກ ສາມາດມີລາຄາແພງຫຼືຍາກທີ່ຈະໄດ້ຮັບ, ເຊິ່ງອາດຈະເຮັດໃຫ້ຜູ້ຫຼິ້ນສະຖາບັນມີຂອບເຂດໃນຂະນະທີ່ເຮັດໃຫ້ນັກລົງທຶນຂາຍຍ່ອຍມີຂໍ້ມູນທີ່ສົມບູນແບບຫນ້ອຍ. ຍັງມີບັນຫາຂອງ ຄວາມຖີ່ : ຮູບແບບການຊື້ຂາຍທີ່ມີຄວາມຖີ່ສູງຕ້ອງການຂໍ້ມູນ tick-by-tick ທີ່ມີປະລິມານຂະຫນາດໃຫຍ່ແລະຕ້ອງການໂຄງສ້າງພື້ນຖານພິເສດ, ໃນຂະນະທີ່ແບບຈໍາລອງຄວາມຖີ່ຕ່ໍາອາດຈະໃຊ້ຂໍ້ມູນປະຈໍາວັນຫຼືອາທິດ. ການຮັບປະກັນຂໍ້ມູນສອດຄ່ອງຕາມເວລາ (ຕົວຢ່າງ, ຂ່າວທີ່ມີຂໍ້ມູນລາຄາທີ່ສອດຄ້ອງກັນ) ແລະບໍ່ມີຄວາມບໍ່ລໍາອຽງໃນການເບິ່ງກ່ອນແມ່ນສິ່ງທ້າທາຍຢ່າງຕໍ່ເນື່ອງ.

• ຄວາມໂປ່ງໃສຂອງຕົວແບບ ແລະການຕີຄວາມແປໄດ້: ແບບຈໍາລອງ AI ຈໍານວນຫຼາຍ, ໂດຍສະເພາະການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ, ດໍາເນີນການເປັນ ກ່ອງດໍາ . ພວກເຂົາເຈົ້າອາດຈະເຮັດໃຫ້ການຄາດເດົາຫຼືສັນຍານການຊື້ຂາຍໂດຍບໍ່ມີເຫດຜົນທີ່ອະທິບາຍໄດ້ງ່າຍ. ການຂາດຄວາມໂປ່ງໃສນີ້ສາມາດເປັນບັນຫາສໍາລັບນັກລົງທຶນ - ໂດຍສະເພາະແມ່ນສະຖາບັນທີ່ຕ້ອງການການຕັດສິນໃຈໃຫ້ຜູ້ມີສ່ວນຮ່ວມຫຼືປະຕິບັດຕາມກົດລະບຽບ. ຖ້າຕົວແບບ AI ຄາດຄະເນຫຼັກຊັບຈະຫຼຸດລົງແລະແນະນໍາໃຫ້ຂາຍ, ຜູ້ຈັດການຫຼັກຊັບອາດຈະລັງເລຖ້າພວກເຂົາບໍ່ເຂົ້າໃຈເຫດຜົນ. ຄວາມໂປ່ງໃສຂອງການຕັດສິນໃຈ AI ສາມາດຫຼຸດຜ່ອນຄວາມໄວ້ວາງໃຈແລະການຮັບຮອງເອົາ, ໂດຍບໍ່ຄໍານຶງເຖິງຄວາມຖືກຕ້ອງຂອງຕົວແບບ. ສິ່ງທ້າທາຍນີ້ແມ່ນກະຕຸ້ນການຄົ້ນຄວ້າເຂົ້າໄປໃນ AI ທີ່ສາມາດອະທິບາຍໄດ້ສໍາລັບການເງິນ, ແຕ່ມັນຍັງຄົງເປັນຄວາມຈິງທີ່ວ່າມັນມັກຈະມີການຊື້ຂາຍລະຫວ່າງຄວາມສັບສົນ / ຄວາມຖືກຕ້ອງຂອງຕົວແບບແລະການຕີຄວາມຫມາຍ.

• ຕະຫຼາດການປັບຕົວແລະການແຂ່ງຂັນ: ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າຕະຫຼາດການເງິນມີ ການປັບຕົວ . ເມື່ອຮູບແບບການຄາດເດົາຖືກຄົ້ນພົບ (ໂດຍ AI ຫຼືວິທີການໃດຫນຶ່ງ) ແລະຖືກນໍາໃຊ້ໂດຍພໍ່ຄ້າຈໍານວນຫຼາຍ, ມັນອາດຈະຢຸດເຊົາການເຮັດວຽກ. ຕົວຢ່າງ, ຖ້າຕົວແບບ AI ພົບວ່າສັນຍານທີ່ແນ່ນອນມັກຈະເກີດຂຶ້ນກ່ອນການເພີ່ມຂຶ້ນຂອງຫຼັກຊັບ, ພໍ່ຄ້າຈະເລີ່ມປະຕິບັດສັນຍານນັ້ນກ່ອນຫນ້າ, ດັ່ງນັ້ນການຕັດສິນຊີ້ຂາດໂອກາດ. ໂດຍເນື້ອແທ້ແລ້ວ, ຕະຫຼາດສາມາດພັດທະນາເພື່ອລົບລ້າງຍຸດທະສາດທີ່ຮູ້ຈັກ . ໃນມື້ນີ້, ບໍລິສັດການຄ້າແລະກອງທຶນຈໍານວນຫຼາຍຈ້າງ AI ແລະ ML. ການແຂ່ງຂັນນີ້ຫມາຍຄວາມວ່າແຂບໃດໆມັກຈະມີຂະຫນາດນ້ອຍແລະສັ້ນ. ຜົນໄດ້ຮັບແມ່ນວ່າຕົວແບບ AI ອາດຈະຕ້ອງການການຝຶກອົບຮົມແລະການປັບປຸງຢ່າງຕໍ່ເນື່ອງເພື່ອຮັກສາການປ່ຽນແປງຂອງຕະຫຼາດ. ໃນຕະຫຼາດທີ່ມີສະພາບຄ່ອງ ແລະ ແກ່ຕົວສູງ (ເຊັ່ນ: ຮຸ້ນຂະໜາດໃຫຍ່ຂອງສະຫະລັດ), ຜູ້ຫຼິ້ນທີ່ຊັບຊ້ອນຈຳນວນຫຼາຍກຳລັງລ່າຫາສັນຍານອັນດຽວກັນ, ເຮັດໃຫ້ມັນຍາກຫຼາຍທີ່ຈະຮັກສາຂອບ. ໃນທາງກົງກັນຂ້າມ, ໃນຕະຫຼາດທີ່ມີປະສິດທິພາບຫນ້ອຍຫຼືຊັບສິນພິເສດ, AI ອາດຈະພົບຄວາມບໍ່ມີປະສິດທິພາບຊົ່ວຄາວ - ແຕ່ຍ້ອນວ່າຕະຫຼາດເຫຼົ່ານັ້ນປັບປຸງໃຫມ່, ຊ່ອງຫວ່າງອາດຈະປິດລົງ. ລັກສະນະການເຄື່ອນໄຫວຂອງຕະຫຼາດນີ້ແມ່ນສິ່ງທ້າທາຍພື້ນຖານ: "ກົດລະບຽບຂອງເກມ" ບໍ່ແມ່ນການຄົງທີ່, ດັ່ງນັ້ນຮູບແບບທີ່ເຮັດວຽກໃນປີກາຍນີ້ອາດຈະຕ້ອງໄດ້ຮັບການປັບປຸງໃຫມ່ໃນປີຫນ້າ.

• ຂໍ້ຈໍາກັດຂອງໂລກທີ່ແທ້ຈິງ: ເຖິງແມ່ນວ່າຮູບແບບ AI ສາມາດຄາດຄະເນລາຄາທີ່ມີຄວາມຖືກຕ້ອງທີ່ເຫມາະສົມ, ການປ່ຽນການຄາດຄະເນເປັນກໍາໄລແມ່ນສິ່ງທ້າທາຍອີກອັນຫນຶ່ງ. ການຊື້ຂາຍມີ ຄ່າໃຊ້ຈ່າຍໃນການເຮັດທຸລະກໍາ , ເຊັ່ນ: ຄ່າຄອມມິດຊັນ, ການເລື່ອນ, ແລະພາສີ. ຕົວແບບຫນຶ່ງອາດຈະຄາດຄະເນການເຄື່ອນໄຫວຂອງລາຄາຂະຫນາດນ້ອຍຫຼາຍຢ່າງຖືກຕ້ອງ, ແຕ່ຜົນກໍາໄລສາມາດຖືກລົບລ້າງໂດຍຄ່າທໍານຽມແລະຜົນກະທົບຕໍ່ຕະຫຼາດຂອງການຄ້າ. ການຄຸ້ມຄອງຄວາມສ່ຽງແມ່ນສໍາຄັນເຊັ່ນກັນ - ບໍ່ມີການຄາດຄະເນທີ່ແນ່ນອນ 100%, ດັ່ງນັ້ນກົນລະຍຸດທີ່ຂັບເຄື່ອນດ້ວຍ AI ຈະຕ້ອງກວມເອົາການສູນເສຍທີ່ອາດເກີດຂຶ້ນ (ຜ່ານຄໍາສັ່ງຢຸດການສູນເສຍ, ການຫຼາກຫຼາຍຫຼັກຊັບ, ແລະອື່ນໆ). ສະຖາບັນຕ່າງໆມັກຈະລວມເອົາການຄາດຄະເນຂອງ AI ເຂົ້າໄປໃນກອບຄວາມສ່ຽງທີ່ກວ້າງຂຶ້ນເພື່ອຮັບປະກັນວ່າ AI ບໍ່ໄດ້ວາງເດີມພັນກັບການຄາດຄະເນທີ່ອາດຈະຜິດພາດ. ການພິຈາລະນາພາກປະຕິບັດເຫຼົ່ານີ້ຫມາຍຄວາມວ່າຂອບເຂດທິດສະດີຂອງ AI ຕ້ອງມີຢ່າງຫຼວງຫຼາຍເພື່ອເປັນປະໂຫຍດຫຼັງຈາກຄວາມຂັດແຍ້ງໃນໂລກທີ່ແທ້ຈິງ.

ສະຫຼຸບແລ້ວ, AI ມີຄວາມສາມາດອັນເປັນຕາຢ້ານ, ແຕ່ຂໍ້ຈໍາກັດເຫຼົ່ານີ້ຮັບປະກັນວ່າ ຕະຫຼາດຫຼັກຊັບຍັງຄົງເປັນລະບົບທີ່ຄາດເດົາໄດ້ບາງສ່ວນ, ບາງສ່ວນທີ່ບໍ່ສາມາດຄາດເດົາໄດ້ . ຮູບແບບ AI ສາມາດ tilt ບໍ່ລົງຮອຍກັນໃນຄວາມໂປດປານຂອງນັກລົງທຶນໂດຍການວິເຄາະຂໍ້ມູນປະສິດທິພາບຫຼາຍແລະອາດຈະເປີດເຜີຍສັນຍານການຄາດເດົາ subtle. ຢ່າງໃດກໍ່ຕາມ, ການປະສົມປະສານຂອງລາຄາທີ່ມີປະສິດທິພາບ, ຂໍ້ມູນທີ່ບໍ່ມີສຽງ, ເຫດການທີ່ບໍ່ໄດ້ຄາດຄິດ, ແລະຂໍ້ຈໍາກັດໃນການປະຕິບັດຫມາຍຄວາມວ່າເຖິງແມ່ນວ່າ AI ທີ່ດີທີ່ສຸດບາງຄັ້ງກໍ່ຜິດພາດ - ມັກຈະຄາດເດົາບໍ່ໄດ້.

ການປະຕິບັດຂອງຕົວແບບ AI: ຫຼັກຖານເວົ້າແນວໃດ?

ເນື່ອງຈາກຄວາມກ້າວຫນ້າແລະຄວາມທ້າທາຍທີ່ສົນທະນາ, ພວກເຮົາໄດ້ຮຽນຮູ້ຫຍັງຈາກການຄົ້ນຄວ້າແລະຄວາມພະຍາຍາມທີ່ຈະນໍາໃຊ້ AI ໃນການຄາດຄະເນຫຼັກຊັບ? ຜົນ​ໄດ້​ຮັບ​ມາ​ຮອດ​ປັດ​ຈຸ​ບັນ​ແມ່ນ​ປະ​ສົມ​, ເນັ້ນ​ໃຫ້​ເຫັນ​ທັງ​ສອງ ​ຜົນ​ສໍາ​ເລັດ ​ແລະ ​ຄວາມ​ລົ້ມ​ເຫຼວ​ຢ່າງ​ມີ​ສະຕິ ​:

• ໂອກາດຂອງ AI Outperforming Chance: ການສຶກສາຈໍານວນຫນຶ່ງໄດ້ສະແດງໃຫ້ເຫັນວ່າຕົວແບບ AI ສາມາດເອົາຊະນະການຄາດເດົາແບບສຸ່ມພາຍໃຕ້ເງື່ອນໄຂບາງຢ່າງ. ສໍາລັບຕົວຢ່າງ, ການສຶກສາປີ 2024 ໄດ້ນໍາໃຊ້ເຄືອຂ່າຍ neural LSTM ເພື່ອຄາດຄະເນ ແນວໂນ້ມ ໃນຕະຫຼາດຫຼັກຊັບຫວຽດນາມແລະລາຍງານຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນສູງ - ປະມານ 93% ໃນຂໍ້ມູນການທົດສອບ ( ການນໍາໃຊ້ເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອຄາດຄະເນແນວໂນ້ມລາຄາຫຼັກຊັບໃນຕະຫຼາດຫຼັກຊັບ - ກໍລະນີຂອງຫວຽດນາມ | ມະນຸດສາດແລະການສື່ສານວິທະຍາສາດສັງຄົມ ). ນີ້ຊີ້ໃຫ້ເຫັນວ່າໃນຕະຫຼາດນັ້ນ (ເສດຖະກິດທີ່ພົ້ນເດັ່ນຂື້ນ), ຮູບແບບສາມາດເກັບກໍາຮູບແບບທີ່ສອດຄ່ອງ, ອາດຈະເປັນຍ້ອນວ່າຕະຫຼາດບໍ່ມີປະສິດທິພາບຫຼືແນວໂນ້ມດ້ານວິຊາການທີ່ເຂັ້ມແຂງທີ່ LSTM ໄດ້ຮຽນຮູ້. ການສຶກສາອີກປະການຫນຶ່ງໃນປີ 2024 ໄດ້ດໍາເນີນຂອບເຂດທີ່ກວ້າງກວ່າ: ນັກຄົ້ນຄວ້າໄດ້ພະຍາຍາມຄາດຄະເນຜົນຕອບແທນໃນໄລຍະສັ້ນສໍາລັບ ຮຸ້ນ S&P 500 ທັງຫມົດ (ຕະຫຼາດທີ່ມີປະສິດທິພາບຫຼາຍ) ໂດຍໃຊ້ຕົວແບບ ML. ພວກເຂົາເຈົ້າໄດ້ກໍານົດມັນເປັນບັນຫາການຈັດປະເພດ - ຄາດຄະເນວ່າຫຼັກຊັບຈະດີກວ່າດັດຊະນີ 2% ໃນ 10 ມື້ຂ້າງຫນ້າ - ໂດຍໃຊ້ສູດການຄິດໄລ່ເຊັ່ນ Random Forests, SVM, ແລະ LSTM. ຜົນໄດ້ຮັບ: ຮູບແບບ LSTM ປະຕິບັດໄດ້ດີກວ່າທັງສອງແບບ ML ອື່ນໆແລະແບບສຸ່ມ , ດ້ວຍຜົນໄດ້ຮັບທາງສະຖິຕິທີ່ມີຄວາມສໍາຄັນພຽງພໍທີ່ຈະແນະນໍາວ່າມັນບໍ່ແມ່ນພຽງແຕ່ໂຊກເທົ່ານັ້ນ ( ການຄາດຄະເນຜົນຕອບແທນຂອງພີ່ນ້ອງຂອງ S&P 500 ຫຼັກຊັບໂດຍໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກ | ການປະດິດສ້າງທາງດ້ານການເງິນ | ຂໍ້ຄວາມເຕັມ ). ຜູ້ຂຽນຍັງໄດ້ສະຫຼຸບວ່າໃນການຕິດຕັ້ງສະເພາະນີ້, ຄວາມເປັນໄປໄດ້ທີ່ ສົມມຸດຕິຖານການຍ່າງແບບສຸ່ມ ຖືແມ່ນ "ເລັກນ້ອຍຫນ້ອຍ", ເຊິ່ງຊີ້ໃຫ້ເຫັນວ່າຕົວແບບ ML ຂອງພວກເຂົາໄດ້ຊອກຫາສັນຍານການຄາດເດົາທີ່ແທ້ຈິງ. ຕົວຢ່າງເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າ AI ແທ້ໆສາມາດກໍານົດຮູບແບບທີ່ໃຫ້ຂອບ (ເຖິງແມ່ນວ່າເລັກນ້ອຍ) ໃນການຄາດຄະເນການເຄື່ອນຍ້າຍຫຼັກຊັບ, ໂດຍສະເພາະເມື່ອທົດສອບໃນຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່.

• ກໍລະນີການນໍາໃຊ້ທີ່ໂດດເດັ່ນໃນອຸດສາຫະກໍາ: ນອກເຫນືອຈາກການສຶກສາທາງວິຊາການ, ມີບົດລາຍງານຂອງກອງທຶນ hedge ແລະສະຖາບັນການເງິນສົບຜົນສໍາເລັດໃນການນໍາໃຊ້ AI ໃນການດໍາເນີນງານການຄ້າຂອງພວກເຂົາ. ບາງບໍລິສັດການຄ້າທີ່ມີຄວາມຖີ່ສູງນຳໃຊ້ AI ເພື່ອຮັບຮູ້ ແລະປະຕິກິລິຍາຕໍ່ຮູບແບບໂຄງສ້າງຈຸນລະພາກຂອງຕະຫຼາດໃນສ່ວນໜຶ່ງຂອງວິນາທີ. ທະນາຄານຂະຫນາດໃຫຍ່ມີແບບຈໍາລອງ AI ສໍາລັບ ການຈັດສັນຫຼັກຊັບ ແລະ ການຄາດຄະເນຄວາມສ່ຽງ , ເຊິ່ງ, ໃນຂະນະທີ່ບໍ່ແມ່ນສະເຫມີກ່ຽວກັບການຄາດຄະເນລາຄາຂອງຫຼັກຊັບດຽວ, ກ່ຽວຂ້ອງກັບການຄາດຄະເນຂອງຕະຫຼາດ (ເຊັ່ນ: ຄວາມຜັນຜວນຫຼືຄວາມສໍາພັນ). ຍັງມີກອງທຶນທີ່ຂັບເຄື່ອນດ້ວຍ AI (ມັກເອີ້ນວ່າ "ກອງທຶນປະລິມານ") ທີ່ໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃນການຕັດສິນໃຈການຊື້ຂາຍ - ບາງຄົນໄດ້ປະຕິບັດຕະຫຼາດໃນໄລຍະທີ່ແນ່ນອນ, ເຖິງແມ່ນວ່າມັນເປັນການຍາກທີ່ຈະໃຫ້ເຫດຜົນວ່າ AI ຢ່າງເຂັ້ມງວດຍ້ອນວ່າພວກເຂົາມັກຈະໃຊ້ການປະສົມປະສານຂອງປັນຍາຂອງມະນຸດແລະເຄື່ອງຈັກ. ຄໍາຮ້ອງສະຫມັກສີມັງແມ່ນການນໍາໃຊ້ ການວິເຄາະຄວາມຮູ້ສຶກ AI: ຕົວຢ່າງ, ການສະແກນຂ່າວແລະ Twitter ເພື່ອຄາດຄະເນວ່າລາຄາຫຼັກຊັບຈະເຄື່ອນຍ້າຍໃນການຕອບສະຫນອງ. ແບບຈໍາລອງດັ່ງກ່າວອາດຈະບໍ່ຖືກຕ້ອງ 100%, ແຕ່ພວກເຂົາສາມາດໃຫ້ພໍ່ຄ້າເລີ່ມຕົ້ນເລັກນ້ອຍໃນລາຄາໃນຂ່າວ. ມັນເປັນມູນຄ່າທີ່ສັງເກດວ່າບໍລິສັດໂດຍທົ່ວໄປຈະປົກປ້ອງລາຍລະອຽດຂອງຍຸດທະສາດ AI ທີ່ປະສົບຜົນສໍາເລັດຢ່າງໃກ້ຊິດເປັນຊັບສິນທາງປັນຍາ, ດັ່ງນັ້ນຫຼັກຖານໃນສາທາລະນະມັກຈະຊັກຊ້າຫຼືເປັນເລື່ອງເລັກນ້ອຍ.

• ກໍລະນີຂອງການປະຕິບັດທີ່ບໍ່ດີແລະຄວາມລົ້ມເຫລວ: ສໍາລັບທຸກໆເລື່ອງຄວາມສໍາເລັດ, ມີນິທານທີ່ລະມັດລະວັງ. ການສຶກສາທາງວິຊາການຈໍານວນຫຼາຍທີ່ອ້າງວ່າມີຄວາມຖືກຕ້ອງສູງໃນຕະຫຼາດຫນຶ່ງຫຼືໄລຍະເວລາທີ່ລົ້ມເຫລວໂດຍທົ່ວໄປ. ການທົດລອງທີ່ຫນ້າສັງເກດໄດ້ພະຍາຍາມເຮັດຊ້ໍາການສຶກສາການຄາດຄະເນຕະຫຼາດຫຼັກຊັບອິນເດຍທີ່ປະສົບຜົນສໍາເລັດ (ເຊິ່ງມີຄວາມຖືກຕ້ອງສູງໂດຍໃຊ້ ML ໃນຕົວຊີ້ວັດດ້ານວິຊາການ) ໃນຫຼັກຊັບສະຫະລັດ. ການຈໍາລອງ ບໍ່ພົບພະລັງງານທີ່ຄາດເດົາທີ່ສໍາຄັນ - ໃນຄວາມເປັນຈິງ, ກົນລະຍຸດທີ່ໂງ່ຈ້າຂອງການຄາດຄະເນຫຼັກຊັບຈະເພີ່ມຂຶ້ນໃນມື້ຕໍ່ມາດີກວ່າຮູບແບບ ML ທີ່ສັບສົນໃນຄວາມຖືກຕ້ອງ. ຜູ້ຂຽນໄດ້ສະຫຼຸບວ່າຜົນໄດ້ຮັບຂອງພວກເຂົາ "ສະຫນັບສະຫນູນທິດສະດີການຍ່າງແບບສຸ່ມ" , ຊຶ່ງຫມາຍຄວາມວ່າການເຄື່ອນໄຫວຫຼັກຊັບແມ່ນບໍ່ສາມາດຄາດເດົາໄດ້ແລະຮູບແບບ ML ບໍ່ໄດ້ຊ່ວຍ. ອັນນີ້ເນັ້ນວ່າຜົນໄດ້ຮັບສາມາດແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍໂດຍຕະຫຼາດແລະໄລຍະເວລາ. ເຊັ່ນດຽວກັນ, ການແຂ່ງຂັນ Kaggle ຈໍານວນຫລາຍແລະການແຂ່ງຂັນການຄົ້ນຄວ້າປະລິມານໄດ້ສະແດງໃຫ້ເຫັນວ່າໃນຂະນະທີ່ຕົວແບບມັກຈະເຫມາະສົມກັບຂໍ້ມູນທີ່ຜ່ານມາໄດ້ດີ, ການປະຕິບັດຂອງພວກເຂົາໃນການຊື້ຂາຍສົດມັກຈະກັບຄືນໄປສູ່ຄວາມຖືກຕ້ອງ 50% (ສໍາລັບການຄາດຄະເນທິດທາງ) ເມື່ອປະເຊີນກັບເງື່ອນໄຂໃຫມ່. ຕົວຢ່າງເຊັ່ນການລົ້ມລະລາຍຂອງກອງທຶນປະລິມານໃນປີ 2007 ແລະຄວາມຫຍຸ້ງຍາກທີ່ປະເຊີນຫນ້າໂດຍກອງທຶນທີ່ຂັບເຄື່ອນໂດຍ AI ໃນໄລຍະອາການຊ໊ອກໂລກລະບາດປີ 2020 ສະແດງໃຫ້ເຫັນວ່າແບບຈໍາລອງ AI ສາມາດລົ້ມລົງຢ່າງກະທັນຫັນເມື່ອລະບອບຕະຫຼາດມີການປ່ຽນແປງ. ຄວາມລໍາອຽງຂອງ Survivorship ແມ່ນປັດໃຈໃນການຮັບຮູ້ເຊັ່ນດຽວກັນ - ພວກເຮົາໄດ້ຍິນກ່ຽວກັບຄວາມສໍາເລັດຂອງ AI ເລື້ອຍໆກ່ວາຄວາມລົ້ມເຫລວ, ແຕ່ຢູ່ເບື້ອງຫຼັງ, ຫຼາຍໆແບບແລະກອງທຶນກໍ່ລົ້ມເຫລວແລະປິດລົງເພາະວ່າກົນລະຍຸດຂອງພວກເຂົາຢຸດເຮັດວຽກ.

• ຄວາມແຕກຕ່າງໃນທົ່ວຕະຫຼາດ: ການສັງເກດທີ່ຫນ້າສົນໃຈຈາກການສຶກສາແມ່ນວ່າປະສິດທິພາບຂອງ AI ອາດຈະຂຶ້ນກັບ ການໃຫຍ່ເຕັມຕົວຂອງຕະຫຼາດແລະປະສິດທິພາບ . ໃນຕະຫຼາດທີ່ຂ້ອນຂ້າງມີປະສິດທິພາບຫນ້ອຍຫຼືຕະຫຼາດທີ່ພົ້ນເດັ່ນຂື້ນ, ອາດຈະມີຮູບແບບການຂຸດຄົ້ນຫຼາຍກວ່າເກົ່າ (ເນື່ອງຈາກການຄຸ້ມຄອງນັກວິເຄາະຕ່ໍາ, ຂໍ້ຈໍາກັດດ້ານສະພາບຄ່ອງ, ຫຼືຄວາມລໍາອຽງດ້ານພຶດຕິກໍາ), ອະນຸຍາດໃຫ້ຕົວແບບ AI ບັນລຸຄວາມຖືກຕ້ອງສູງກວ່າ. ການສຶກສາຕະຫຼາດຫວຽດນາມ LSTM ທີ່ມີຄວາມຖືກຕ້ອງ 93% ສາມາດເປັນຕົວຢ່າງຂອງເລື່ອງນີ້. ໃນທາງກົງກັນຂ້າມ, ໃນຕະຫຼາດທີ່ມີປະສິດທິພາບສູງເຊັ່ນສະຫະລັດ, ຮູບແບບເຫຼົ່ານັ້ນອາດຈະຖືກຕັດອອກຢ່າງໄວວາ. ຜົນ​ການ​ຄົ້ນ​ຄວ້າ​ປະ​ສົມ​ລະ​ຫວ່າງ​ກໍ​ລະ​ນີ​ຫວຽດ​ນາມ ແລະ​ການ​ທົດ​ລອງ​ຂອງ​ອາ​ເມ​ລິ​ກາ​ຊີ້​ແຈງ​ເຖິງ​ຄວາມ​ແຕກ​ຕ່າງ​ກັນ​ນີ້. ໃນທົ່ວໂລກ, ນີ້ຫມາຍຄວາມວ່າ AI ໃນປະຈຸບັນອາດຈະເຮັດໃຫ້ການປະຕິບັດການຄາດເດົາທີ່ດີກວ່າໃນບາງຕະຫຼາດສະເພາະຫຼືປະເພດຊັບສິນ (ຕົວຢ່າງເຊັ່ນ, ບາງຄົນໄດ້ນໍາໃຊ້ AI ເພື່ອຄາດຄະເນລາຄາສິນຄ້າຫຼືແນວໂນ້ມ cryptocurrency ທີ່ມີຜົນສໍາເລັດທີ່ແຕກຕ່າງກັນ). ເມື່ອເວລາຜ່ານໄປ, ຍ້ອນວ່າຕະຫຼາດທັງຫມົດກ້າວໄປສູ່ປະສິດທິພາບຫຼາຍກວ່າເກົ່າ, ປ່ອງຢ້ຽມສໍາລັບການຄາດເດົາງ່າຍຊະນະຈະແຄບລົງ.

• ຄວາມຖືກຕ້ອງທຽບກັບຜົນກໍາໄລ: ມັນຍັງສໍາຄັນທີ່ຈະຈໍາແນກ ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນ ຈາກ ກໍາໄລການລົງທຶນ . ຮູບແບບສາມາດພຽງແຕ່, ເວົ້າວ່າ, 60% ທີ່ຖືກຕ້ອງໃນການຄາດຄະເນການເຄື່ອນໄຫວຂຶ້ນຫຼືລົງປະຈໍາວັນຂອງຫຼັກຊັບ - ເຊິ່ງບໍ່ມີສຽງຫຼາຍ - ແຕ່ຖ້າການຄາດຄະເນເຫຼົ່ານັ້ນຖືກນໍາໃຊ້ໃນຍຸດທະສາດການຄ້າທີ່ສະຫຼາດ, ພວກເຂົາສາມາດມີກໍາໄລຫຼາຍ. ໃນທາງກັບກັນ, ຮູບແບບອາດຈະອວດອ້າງເຖິງຄວາມຖືກຕ້ອງ 90% ແຕ່ຖ້າ 10% ຂອງເວລາທີ່ມັນຜິດພາດແມ່ນກົງກັນກັບການເຄື່ອນໄຫວຕະຫຼາດຂະຫນາດໃຫຍ່ (ແລະດັ່ງນັ້ນການສູນເສຍຂະຫນາດໃຫຍ່), ມັນອາດຈະບໍ່ມີຜົນປະໂຫຍດ. ຄວາມພະຍາຍາມຄາດຄະເນຫຼັກຊັບ AI ຈໍານວນຫຼາຍສຸມໃສ່ຄວາມຖືກຕ້ອງຂອງທິດທາງຫຼືການຫຼຸດຜ່ອນຄວາມຜິດພາດ, ແຕ່ນັກລົງທຶນສົນໃຈກັບຜົນຕອບແທນທີ່ດັດແປງຄວາມສ່ຽງ. ດັ່ງນັ້ນ, ການປະເມີນມັກຈະປະກອບມີ metrics ເຊັ່ນ Sharpe ratio, drawdowns, ແລະຄວາມສອດຄ່ອງຂອງການປະຕິບັດ, ບໍ່ພຽງແຕ່ອັດຕາການຕີດິບ. ບາງຕົວແບບ AI ໄດ້ຖືກປະສົມປະສານເຂົ້າໃນລະບົບການຄ້າແບບ algorithmic ທີ່ຈັດການຕໍາແຫນ່ງແລະຄວາມສ່ຽງໂດຍອັດຕະໂນມັດ - ການປະຕິບັດຕົວຈິງຂອງພວກເຂົາຖືກວັດແທກໃນຜົນຕອບແທນຂອງການຊື້ຂາຍສົດແທນທີ່ຈະເປັນສະຖິຕິການຄາດຄະເນແບບດ່ຽວ. ການເຫນັງຕີງຂອງ ຕະຫຼາດໄລຍະສັ້ນ ທີ່ພໍ່ຄ້າສາມາດນໍາໃຊ້ກັບທາງເລືອກລາຄາ, ແລະອື່ນໆ) ໄດ້ພົບເຫັນສະຖານທີ່ໃນເຄື່ອງມືທາງດ້ານການເງິນ.

ໂດຍລວມແລ້ວ, ຫຼັກຖານຊີ້ໃຫ້ເຫັນວ່າ AI ສາມາດຄາດຄະເນຮູບແບບຕະຫຼາດບາງຢ່າງທີ່ມີຄວາມຖືກຕ້ອງດີກວ່າໂອກາດ , ແລະໃນການເຮັດດັ່ງນັ້ນສາມາດກໍານົດຂອບເຂດການຄ້າ. ຢ່າງໃດກໍຕາມ, ແຂບນັ້ນມັກຈະມີຂະຫນາດນ້ອຍແລະຮຽກຮ້ອງໃຫ້ມີການປະຕິບັດທີ່ຊັບຊ້ອນເພື່ອໃຊ້ທຶນ. ເມື່ອມີຄົນຖາມ, AI ສາມາດຄາດຄະເນຕະຫຼາດຫຼັກຊັບໄດ້ບໍ? , ຄໍາຕອບທີ່ຊື່ສັດທີ່ສຸດໂດຍອີງໃສ່ຫຼັກຖານໃນປະຈຸບັນແມ່ນ: AI ບາງຄັ້ງສາມາດຄາດຄະເນລັກສະນະຂອງຕະຫຼາດຫຼັກຊັບພາຍໃຕ້ເງື່ອນໄຂສະເພາະ, ແຕ່ມັນບໍ່ສາມາດເຮັດແນວນັ້ນຢ່າງສອດຄ່ອງສໍາລັບຫຼັກຊັບທັງຫມົດຕະຫຼອດເວລາ . ຄວາມສຳເລັດມີແນວໂນ້ມທີ່ຈະເປັນບາງສ່ວນ ແລະຂຶ້ນກັບບໍລິບົດ.

ສະຫຼຸບ: ຄວາມຄາດຫວັງທີ່ແທ້ຈິງສໍາລັບ AI ໃນການຄາດຄະເນຕະຫຼາດຫຼັກຊັບ

AI ແລະການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ກາຍເປັນເຄື່ອງມືທີ່ມີປະສິດທິພາບດ້ານການເງິນຢ່າງບໍ່ຕ້ອງສົງໃສ. ພວກເຂົາດີເລີດໃນການປະມວນຜົນຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່, ເປີດເຜີຍຄວາມສໍາພັນທີ່ເຊື່ອງໄວ້, ແລະແມ້ກະທັ້ງການປັບກົນລະຍຸດໃນທັນທີ. ໃນ​ການ​ຊອກ​ຫາ​ການ​ຄາດ​ຄະ​ເນ​ຕະ​ຫຼາດ​ຫຼັກ​ຊັບ​, AI ໄດ້​ມອບ​ໃຫ້ ​ທີ່​ຊັດ​ເຈນ​ແຕ່​ຈໍາ​ກັດ ​. ນັກລົງທຶນແລະສະຖາບັນສາມາດຄາດຫວັງຢ່າງແທ້ຈິງວ່າ AI ຈະຊ່ວຍໃນການຕັດສິນໃຈ - ຕົວຢ່າງ, ໂດຍການສ້າງສັນຍານການຄາດເດົາ, ການເພີ່ມປະສິດທິພາບຫຼັກຊັບ, ຫຼືການຄຸ້ມຄອງຄວາມສ່ຽງ - ແຕ່ບໍ່ແມ່ນເພື່ອຮັບໃຊ້ເປັນລູກແກ້ວທີ່ຮັບປະກັນຜົນກໍາໄລ.

ສິ່ງທີ່ AI
ສາມາດ ເຮັດໄດ້: AI ສາມາດປັບປຸງຂະບວນການວິເຄາະໃນການລົງທຶນ. ມັນ​ສາ​ມາດ​ເກັບ​ກໍາ​ຂໍ້​ມູນ​ຕະ​ຫຼາດ​, ຂ່າວ​ສານ​, ແລະ​ບົດ​ລາຍ​ງານ​ການ​ເງິນ​ໃນ​ວິ​ນາ​ທີ​, ການ​ກວດ​ສອບ​ຮູບ​ແບບ​ທີ່​ອ່ອນ​ໂຍນ​ຫຼື​ຜິດ​ປົກ​ກະ​ຕິ​ທີ່​ມະ​ນຸດ​ອາດ​ຈະ​ເບິ່ງ​ຂ້າມ ( ການ​ນໍາ​ໃຊ້​ເຄື່ອງ​ຮຽນ​ຮູ້​ສໍາ​ລັບ​ການ​ຄາດ​ຄະ​ເນ​ຕະ​ຫຼາດ​ຫຼັກ​ຊັບ... | FMP ). ມັນສາມາດລວມຕົວແປຫຼາຍຮ້ອຍຕົວ (ດ້ານວິຊາການ, ພື້ນຖານ, ຄວາມຮູ້ສຶກ, ແລະອື່ນໆ) ເຂົ້າໄປໃນການຄາດຄະເນທີ່ສອດຄ່ອງກັນ. ໃນການຊື້ຂາຍໄລຍະສັ້ນ, AI algorithms ອາດຈະຄາດເດົາໄດ້ດີກວ່າຄວາມຖືກຕ້ອງແບບສຸ່ມເລັກນ້ອຍທີ່ຫຼັກຊັບຫນຶ່ງຈະດີກວ່າອີກ, ຫຼືວ່າຕະຫຼາດກໍາລັງຈະປະສົບກັບການເພີ່ມຂຶ້ນຂອງການເຫນັງຕີງ. ຂອບທີ່ເພີ່ມຂຶ້ນເຫຼົ່ານີ້, ເມື່ອຖືກຂູດຮີດຢ່າງຖືກຕ້ອງ, ສາມາດແປເປັນຜົນກໍາໄລທາງດ້ານການເງິນທີ່ແທ້ຈິງ. AI ຍັງສາມາດຊ່ວຍໃນ ການຄຸ້ມຄອງຄວາມສ່ຽງ - ການກໍານົດການເຕືອນໄພເບື້ອງຕົ້ນຂອງການຫຼຸດລົງຫຼືແຈ້ງໃຫ້ນັກລົງທຶນກ່ຽວກັບລະດັບຄວາມຫມັ້ນໃຈຂອງການຄາດຄະເນ. ບົດບາດການປະຕິບັດອີກອັນຫນຶ່ງຂອງ AI ແມ່ນຢູ່ໃນ ອັດຕະໂນມັດຍຸດທະສາດ : ສູດການຄິດໄລ່ສາມາດປະຕິບັດການຊື້ຂາຍດ້ວຍຄວາມໄວສູງແລະຄວາມຖີ່, ຕອບສະຫນອງຕໍ່ເຫດການ 24/7, ແລະບັງຄັບໃຊ້ລະບຽບວິໄນ (ບໍ່ມີການຊື້ຂາຍທາງດ້ານອາລົມ), ເຊິ່ງສາມາດເປັນປະໂຫຍດໃນຕະຫຼາດທີ່ມີການປ່ຽນແປງ.

ສິ່ງທີ່ AI
ບໍ່ສາມາດ ເຮັດໄດ້ (ແຕ່): ເຖິງວ່າຈະມີ hype ໃນບາງສື່, AI ບໍ່ສາມາດ ຄາດຄະເນຕະຫຼາດຫຼັກຊັບຢ່າງສອດຄ່ອງແລະເຊື່ອຖືໄດ້ ໃນຄວາມຮູ້ສຶກລວມຂອງການຕີຕະຫຼາດສະເຫມີຫຼືຄາດຄະເນຈຸດປ່ຽນທີ່ສໍາຄັນ. ຕະຫຼາດໄດ້ຮັບຜົນກະທົບຈາກພຶດຕິກໍາຂອງມະນຸດ, ເຫດການແບບສຸ່ມ, ແລະຂໍ້ຄຶດຄໍາເຫັນທີ່ຊັບຊ້ອນທີ່ຂັດຂວາງຕົວແບບຄົງທີ່. AI ບໍ່ໄດ້ລົບລ້າງຄວາມບໍ່ແນ່ນອນ; ມັນພຽງແຕ່ຈັດການກັບຄວາມເປັນໄປໄດ້. AI ອາດຈະຊີ້ບອກເຖິງໂອກາດ 70% ທີ່ຫຼັກຊັບຈະເພີ່ມຂຶ້ນໃນມື້ອື່ນ - ຊຶ່ງຫມາຍຄວາມວ່າໂອກາດ 30% ມັນຈະບໍ່. ການສູນເສຍການຄ້າແລະການໂທຫາທີ່ບໍ່ດີແມ່ນຫລີກລ້ຽງບໍ່ໄດ້. AI ບໍ່ສາມາດຄາດການເຫດການອັນໃໝ່ແທ້ໆ (ມັກຈະຖືກຂະໜານນາມວ່າ "ຫວາຍດຳ") ທີ່ຢູ່ນອກຂອບເຂດຂອງຂໍ້ມູນການຝຶກອົບຮົມຂອງມັນ. ຍິ່ງໄປກວ່ານັ້ນ, ຮູບແບບການຄາດເດົາໃດໆທີ່ປະສົບຜົນສໍາເລັດເຊື້ອເຊີນການແຂ່ງຂັນທີ່ສາມາດທໍາລາຍປະໂຫຍດຂອງມັນ. ໂດຍເນື້ອແທ້ແລ້ວ, ບໍ່ມີ AI ທຽບເທົ່າລູກແກ້ວ ທີ່ຮັບປະກັນການເບິ່ງເຫັນໃນອະນາຄົດຂອງຕະຫຼາດ. ນັກລົງທຶນຄວນລະວັງກັບຜູ້ໃດຜູ້ນຶ່ງທີ່ອ້າງວ່າຖ້າບໍ່ດັ່ງນັ້ນ.

ທັດສະນະທີ່ເປັນກາງ, ຄວາມຈິງ:
ຈາກທັດສະນະທີ່ເປັນກາງ, AI ໄດ້ຖືກເຫັນວ່າເປັນການເພີ່ມປະສິດທິພາບ, ບໍ່ແມ່ນການທົດແທນ, ການວິເຄາະແບບດັ້ງເດີມແລະຄວາມເຂົ້າໃຈຂອງມະນຸດ. ໃນທາງປະຕິບັດ, ນັກລົງທຶນສະຖາບັນຈໍານວນຫຼາຍໃຊ້ຕົວແບບ AI ຄຽງຄູ່ກັບການປ້ອນຂໍ້ມູນຈາກນັກວິເຄາະຂອງມະນຸດແລະຜູ້ຈັດການຫຼັກຊັບ. AI ອາດຈະຂັດຕົວເລກແລະການຄາດຄະເນຜົນຜະລິດ, ແຕ່ມະນຸດກໍານົດຈຸດປະສົງ, ຕີຄວາມຫມາຍຜົນໄດ້ຮັບ, ແລະປັບຍຸດທະສາດສໍາລັບສະພາບການ (ຕົວຢ່າງ, overriding ຮູບແບບໃນໄລຍະວິກິດການທີ່ບໍ່ໄດ້ຄາດໄວ້). ນັກລົງທຶນຂາຍຍ່ອຍທີ່ໃຊ້ເຄື່ອງມື AI-driven ຫຼື bots ການຄ້າຄວນຈະມີຄວາມລະມັດລະວັງແລະເຂົ້າໃຈເຫດຜົນແລະຂໍ້ຈໍາກັດຂອງເຄື່ອງມື. ການປະຕິບັດຕາມຄໍາແນະນໍາ AI ແບບຕາບອດແມ່ນມີຄວາມສ່ຽງ - ຄົນເຮົາຄວນໃຊ້ມັນເປັນວັດສະດຸປ້ອນຫນຶ່ງໃນຫຼາຍໆຄົນ.

ໃນການກໍານົດຄວາມຄາດຫວັງທີ່ແທ້ຈິງ, ຄົນຫນຶ່ງອາດຈະສະຫຼຸບ: AI ສາມາດຄາດຄະເນຕະຫຼາດຫຼັກຊັບໃນລະດັບ, ແຕ່ບໍ່ແມ່ນຄວາມແນ່ນອນແລະບໍ່ມີຂໍ້ຜິດພາດ . ມັນສາມາດ ເພີ່ມຄວາມບໍ່ລົງລອຍກັນ ຂອງການໂທທີ່ຖືກຕ້ອງຫຼືປັບປຸງ ປະສິດທິພາບ ໃນການວິເຄາະຂໍ້ມູນ, ເຊິ່ງໃນຕະຫຼາດທີ່ມີການແຂ່ງຂັນສາມາດເປັນຄວາມແຕກຕ່າງລະຫວ່າງກໍາໄລແລະການສູນເສຍ. ຢ່າງໃດກໍ່ຕາມ, ມັນ ບໍ່ສາມາດຮັບປະກັນ ຄວາມສໍາເລັດຫຼືລົບລ້າງການເຫນັງຕີງແລະຄວາມສ່ຽງຂອງຕະຫຼາດຫຼັກຊັບ. ດັ່ງທີ່ການພິມເຜີຍແຜ່ຫນຶ່ງຊີ້ໃຫ້ເຫັນ, ເຖິງແມ່ນວ່າມີ algorithms ທີ່ມີປະສິດທິພາບ, ຜົນໄດ້ຮັບໃນຕະຫຼາດຫຼັກຊັບສາມາດ "ບໍ່ສາມາດຄາດເດົາໄດ້" ເນື່ອງຈາກປັດໃຈນອກເຫນືອຈາກຂໍ້ມູນແບບຈໍາລອງ ( ການຄາດເດົາຕະຫຼາດຫຼັກຊັບໂດຍນໍາໃຊ້ການຮຽນຮູ້ການເສີມສ້າງຢ່າງເລິກເຊິ່ງ ).

ເສັ້ນທາງຂ້າງຫນ້າ:
ຫວັງວ່າ, ບົດບາດຂອງ AI ໃນການຄາດຄະເນຕະຫຼາດຫຼັກຊັບຈະເຕີບໂຕ. ການຄົ້ນຄວ້າຢ່າງຕໍ່ເນື່ອງກໍາລັງແກ້ໄຂບາງຂໍ້ຈໍາກັດ (ຕົວຢ່າງ, ການພັດທະນາແບບຈໍາລອງທີ່ກວມເອົາການປ່ຽນແປງລະບອບ, ຫຼືລະບົບປະສົມທີ່ລວມເອົາທັງການວິເຄາະຂໍ້ມູນແລະເຫດການທີ່ຂັບເຄື່ອນ). ຍັງມີຄວາມສົນໃຈໃນ ຕົວແທນການຮຽນຮູ້ເສີມ ທີ່ສືບຕໍ່ປັບຕົວເຂົ້າກັບຂໍ້ມູນຕະຫຼາດໃຫມ່ໃນເວລາຈິງ, ເຊິ່ງສາມາດຈັດການກັບການປ່ຽນແປງສະພາບແວດລ້ອມໄດ້ດີກວ່າແບບຈໍາລອງທີ່ໄດ້ຮັບການຝຶກອົບຮົມແບບຄົງທີ່. ຍິ່ງໄປກວ່ານັ້ນ, ການສົມທົບ AI ກັບເຕັກນິກຈາກການເງິນດ້ານພຶດຕິກໍາຫຼືການວິເຄາະເຄືອຂ່າຍອາດຈະເຮັດໃຫ້ຕົວແບບທີ່ອຸດົມສົມບູນຂອງຕະຫຼາດ. ຢ່າງໃດກໍ່ຕາມ, ເຖິງແມ່ນວ່າ AI ໃນອະນາຄົດທີ່ກ້າວຫນ້າທີ່ສຸດຈະດໍາເນີນການພາຍໃນຂອບເຂດຂອງຄວາມເປັນໄປໄດ້ແລະຄວາມບໍ່ແນ່ນອນ.

ສະຫຼຸບແລ້ວ, ຄໍາຖາມ "AI ສາມາດຄາດຄະເນຕະຫຼາດຫຼັກຊັບໄດ້ບໍ?" ບໍ່ມີຄໍາຕອບງ່າຍໆແມ່ນແມ່ນຫຼືບໍ່ແມ່ນ. ຄໍາຕອບທີ່ຖືກຕ້ອງທີ່ສຸດແມ່ນ: AI ສາມາດຊ່ວຍຄາດຄະເນຕະຫຼາດຫຼັກຊັບ, ແຕ່ມັນບໍ່ແມ່ນ infallible. ມັນສະຫນອງເຄື່ອງມືທີ່ມີປະສິດທິພາບທີ່, ເມື່ອນໍາໃຊ້ຢ່າງສະຫລາດ, ສາມາດເສີມຂະຫຍາຍການພະຍາກອນແລະກົນລະຍຸດການຄ້າ, ແຕ່ມັນບໍ່ໄດ້ກໍາຈັດຄວາມບໍ່ແນ່ນອນພື້ນຖານຂອງຕະຫຼາດ. ນັກລົງທຶນຄວນຮັບເອົາ AI ສໍາລັບຈຸດແຂງຂອງມັນ - ການປະມວນຜົນຂໍ້ມູນແລະການຮັບຮູ້ຮູບແບບ - ໃນຂະນະທີ່ຍັງຮູ້ເຖິງຈຸດອ່ອນຂອງມັນ. ການເຮັດດັ່ງນັ້ນ, ຄົນເຮົາສາມາດນໍາເອົາສິ່ງທີ່ດີທີ່ສຸດຂອງທັງສອງໂລກ: ການຕັດສິນຂອງມະນຸດແລະຄວາມສະຫລາດຂອງເຄື່ອງຈັກເຮັດວຽກຮ່ວມກັນ. ຕະຫຼາດຫຼັກຊັບອາດຈະບໍ່ຄາດຄະເນໄດ້ 100%, ແຕ່ດ້ວຍຄວາມຄາດຫວັງທີ່ແທ້ຈິງແລະການນໍາໃຊ້ AI ຢ່າງລະມັດລະວັງ, ຜູ້ເຂົ້າຮ່ວມຕະຫຼາດສາມາດພະຍາຍາມສໍາລັບການຕັດສິນໃຈການລົງທຶນທີ່ມີຂໍ້ມູນທີ່ດີກວ່າ, ມີລະບຽບວິໄນຫຼາຍຂຶ້ນໃນພູມສັນຖານທາງດ້ານການເງິນທີ່ພັດທະນາຢ່າງຕໍ່ເນື່ອງ.

ເຈ້ຍຂາວທີ່ເຈົ້າອາດຈະມັກອ່ານຫຼັງຈາກອັນນີ້:

🔗 ວຽກທີ່ AI ບໍ່ສາມາດແທນທີ່ - ແລະວຽກໃດທີ່ AI ຈະມາແທນ?
ຄົ້ນພົບອາຊີບໃດທີ່ເປັນຫຼັກຖານໃນອະນາຄົດ ແລະອັນໃດທີ່ມີຄວາມສ່ຽງທີ່ສຸດ ເນື່ອງຈາກ AI ປ່ຽນແປງການຈ້າງງານທົ່ວໂລກ.

🔗 AI ທົ່ວໄປສາມາດເພິ່ງພາອາໄສເພື່ອເຮັດຫຍັງໂດຍບໍ່ມີການແຊກແຊງຂອງມະນຸດ?
ເຂົ້າໃຈຂອບເຂດໃນປະຈຸບັນແລະຄວາມສາມາດຂອງຕົນເອງຂອງ AI ການຜະລິດໃນສະຖານະການປະຕິບັດ.

🔗 AI Generative ສາມາດໃຊ້ໃນ Cybersecurity ໄດ້ແນວໃດ?
ຮຽນຮູ້ວິທີ AI ປ້ອງກັນໄພຂົ່ມຂູ່ ແລະເພີ່ມຄວາມຢືດຢຸ່ນທາງໄຊເບີດ້ວຍເຄື່ອງມືທີ່ຄາດເດົາ ແລະເປັນເອກະລາດ.