AI ສາມາດຄາດເດົາຕະຫຼາດຫຼັກຊັບໄດ້ບໍ?

ບົດນຳ

ການຄາດຄະເນຕະຫຼາດຫຼັກຊັບໄດ້ເປັນ "ຈອກສັກສິດ" ທາງດ້ານການເງິນທີ່ນັກລົງທຶນສະຖາບັນ ແລະ ນັກລົງທຶນລາຍຍ່ອຍທົ່ວໂລກຕ້ອງການມາດົນແລ້ວ. ດ້ວຍຄວາມກ້າວໜ້າທີ່ຜ່ານມາໃນ ປັນຍາປະດິດ (AI) ແລະ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (ML) , ຫຼາຍຄົນສົງໄສວ່າເທັກໂນໂລຢີເຫຼົ່ານີ້ໄດ້ປົດລັອກຄວາມລັບໃນການຄາດຄະເນລາຄາຫຸ້ນແລ້ວຫຼືບໍ່. AI ສາມາດຄາດຄະເນຕະຫຼາດຫຼັກຊັບໄດ້ບໍ? ເອກະສານສີຂາວນີ້ກວດສອບຄຳຖາມນັ້ນຈາກທັດສະນະທົ່ວໂລກ, ໂດຍອະທິບາຍວິທີທີ່ຮູບແບບທີ່ຂັບເຄື່ອນດ້ວຍ AI ພະຍາຍາມຄາດຄະເນການເຄື່ອນໄຫວຂອງຕະຫຼາດ, ພື້ນຖານທາງທິດສະດີທີ່ຢູ່ເບື້ອງຫຼັງຮູບແບບເຫຼົ່ານີ້, ແລະ ຂໍ້ຈຳກັດທີ່ແທ້ຈິງທີ່ພວກເຂົາປະເຊີນ. ພວກເຮົານຳສະເໜີການວິເຄາະທີ່ບໍ່ລຳອຽງ, ອີງໃສ່ການຄົ້ນຄວ້າແທນທີ່ຈະເປັນການໂຄສະນາ, ກ່ຽວກັບສິ່ງທີ່ AI ສາມາດເຮັດໄດ້ ແລະ ບໍ່ສາມາດ ເຮັດໄດ້ໃນສະພາບການຂອງການຄາດຄະເນຕະຫຼາດການເງິນ.

ໃນທິດສະດີທາງດ້ານການເງິນ, ສິ່ງທ້າທາຍຂອງການຄາດຄະເນແມ່ນໄດ້ຮັບການເນັ້ນໜັກໂດຍ ສົມມຸດຕິຖານຕະຫຼາດທີ່ມີປະສິດທິພາບ (EMH) . EMH (ໂດຍສະເພາະໃນຮູບແບບ "ເຂັ້ມແຂງ") ສະເໜີວ່າລາຄາຫຸ້ນສະທ້ອນຂໍ້ມູນທັງໝົດທີ່ມີຢູ່ໃນເວລາໃດກໍ່ຕາມ, ຊຶ່ງໝາຍຄວາມວ່າບໍ່ມີນັກລົງທຶນຄົນໃດ (ແມ່ນແຕ່ພາຍໃນ) ສາມາດມີປະສິດທິພາບດີກ່ວາຕະຫຼາດໄດ້ຢ່າງຕໍ່ເນື່ອງໂດຍການຊື້ຂາຍຂໍ້ມູນທີ່ມີຢູ່ ( ຮູບແບບການຄາດຄະເນຫຸ້ນທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນໂດຍອີງໃສ່ເຄືອຂ່າຍປະສາດ: ການທົບທວນຄືນ ). ເວົ້າງ່າຍໆ, ຖ້າຕະຫຼາດມີປະສິດທິພາບສູງ ແລະ ລາຄາເຄື່ອນໄຫວ ແບບສຸ່ມ , ການຄາດຄະເນລາຄາໃນອະນາຄົດຢ່າງຖືກຕ້ອງຄວນຈະເປັນໄປບໍ່ໄດ້. ເຖິງວ່າຈະມີທິດສະດີນີ້, ຄວາມດຶງດູດໃຈໃນການເອົາຊະນະຕະຫຼາດໄດ້ກະຕຸ້ນການຄົ້ນຄວ້າຢ່າງກວ້າງຂວາງກ່ຽວກັບວິທີການຄາດຄະເນຂັ້ນສູງ. AI ແລະ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ກາຍເປັນຈຸດໃຈກາງຂອງການສະແຫວງຫານີ້, ຍ້ອນຄວາມສາມາດໃນການປະມວນຜົນຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍ ແລະ ລະບຸຮູບແບບທີ່ລະອຽດອ່ອນທີ່ມະນຸດອາດຈະພາດ ( ການໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບການຄາດຄະເນຕະຫຼາດຫຸ້ນ... | FMP ).

ເອກະສານສີຂາວສະບັບນີ້ໃຫ້ພາບລວມທີ່ຄົບຖ້ວນກ່ຽວກັບເຕັກນິກ AI ທີ່ໃຊ້ສຳລັບການຄາດຄະເນຕະຫຼາດຫຼັກຊັບ ແລະ ປະເມີນປະສິດທິພາບຂອງມັນ. ພວກເຮົາຈະຄົ້ນຄວ້າ ພື້ນຖານທາງທິດສະດີ ຂອງຮູບແບບທີ່ນິຍົມ (ຕັ້ງແຕ່ວິທີການຊຸດເວລາແບບດັ້ງເດີມຈົນເຖິງເຄືອຂ່າຍປະສາດເລິກ ແລະ ການຮຽນຮູ້ແບບເສີມ), ປຶກສາຫາລືກ່ຽວກັບ ຂໍ້ມູນ ແລະ ຂະບວນການຝຶກອົບຮົມ ສຳລັບຮູບແບບເຫຼົ່ານີ້, ແລະ ເນັ້ນໃຫ້ເຫັນເຖິງ ຂໍ້ຈຳກັດ ແລະ ສິ່ງທ້າທາຍທີ່ ທີ່ລະບົບດັ່ງກ່າວປະເຊີນ, ເຊັ່ນ: ປະສິດທິພາບຂອງຕະຫຼາດ, ສິ່ງລົບກວນຂໍ້ມູນ, ແລະ ເຫດການພາຍນອກທີ່ບໍ່ສາມາດຄາດເດົາໄດ້. ການສຶກສາ ແລະ ຕົວຢ່າງໃນໂລກຕົວຈິງໄດ້ຖືກລວມເຂົ້າເພື່ອສະແດງໃຫ້ເຫັນຜົນໄດ້ຮັບປະສົມທີ່ໄດ້ຮັບມາຮອດປະຈຸບັນ. ສຸດທ້າຍ, ພວກເຮົາສະຫຼຸບດ້ວຍຄວາມຄາດຫວັງທີ່ເປັນຈິງສຳລັບນັກລົງທຶນ ແລະ ຜູ້ປະຕິບັດ: ການຮັບຮູ້ຄວາມສາມາດທີ່ໜ້າປະທັບໃຈຂອງ AI ໃນຂະນະທີ່ຮັບຮູ້ວ່າຕະຫຼາດການເງິນຍັງຄົງຢູ່ໃນລະດັບທີ່ບໍ່ສາມາດຄາດເດົາໄດ້ທີ່ບໍ່ມີອັລກໍຣິທຶມໃດສາມາດກຳຈັດໄດ້ຢ່າງສົມບູນ.

ພື້ນຖານທາງທິດສະດີຂອງ AI ໃນການຄາດຄະເນຕະຫຼາດຫຼັກຊັບ

ການຄາດຄະເນຫຸ້ນທີ່ອີງໃສ່ AI ທີ່ທັນສະໄໝສ້າງຂຶ້ນບົນພື້ນຖານການຄົ້ນຄວ້າຫຼາຍທົດສະວັດໃນດ້ານສະຖິຕິ, ການເງິນ ແລະ ວິທະຍາສາດຄອມພິວເຕີ. ມັນເປັນປະໂຫຍດທີ່ຈະເຂົ້າໃຈວິທີການຕ່າງໆຕັ້ງແຕ່ຮູບແບບແບບດັ້ງເດີມຈົນເຖິງ AI ທີ່ທັນສະໄໝ:

• ຮູບແບບຊຸດເວລາແບບດັ້ງເດີມ: ການຄາດຄະເນຫຸ້ນໃນຕອນຕົ້ນແມ່ນອີງໃສ່ຮູບແບບສະຖິຕິທີ່ສົມມຸດວ່າຮູບແບບໃນລາຄາໃນອະດີດສາມາດຄາດຄະເນອະນາຄົດໄດ້. ຮູບແບບຕ່າງໆເຊັ່ນ ARIMA (Auto-Regressive Integrated Moving Average) ແລະ ARCH/GARCH ສຸມໃສ່ການຈັບແນວໂນ້ມເສັ້ນຊື່ ແລະ ການຈັດກຸ່ມຄວາມຜັນຜວນໃນຂໍ້ມູນຊຸດເວລາ ( ຮູບແບບການຄາດຄະເນຫຸ້ນທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນໂດຍອີງໃສ່ເຄືອຂ່າຍປະສາດ: ການທົບທວນຄືນ ). ຮູບແບບເຫຼົ່ານີ້ໃຫ້ພື້ນຖານສຳລັບການຄາດຄະເນໂດຍການສ້າງແບບຈຳລອງລຳດັບລາຄາໃນອະດີດພາຍໃຕ້ສົມມຸດຕິຖານຂອງຄວາມໝັ້ນຄົງ ແລະ ຄວາມເສັ້ນຊື່. ໃນຂະນະທີ່ເປັນປະໂຫຍດ, ຮູບແບບແບບດັ້ງເດີມມັກຈະມີບັນຫາກັບຮູບແບບທີ່ສັບສົນ ແລະ ບໍ່ເປັນເສັ້ນຊື່ຂອງຕະຫຼາດຕົວຈິງ, ເຊິ່ງນຳໄປສູ່ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນທີ່ຈຳກັດໃນການປະຕິບັດ ( ຮູບແບບການຄາດຄະເນຫຸ້ນທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນໂດຍອີງໃສ່ເຄືອຂ່າຍປະສາດ: ການທົບທວນຄືນ ).

• ອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກ: ວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກກ້າວໄປໄກກວ່າສູດສະຖິຕິທີ່ກຳນົດໄວ້ລ່ວງໜ້າໂດຍ ການຮຽນຮູ້ຮູບແບບໂດຍກົງຈາກຂໍ້ມູນ . ອັລກໍຣິທຶມເຊັ່ນ: ເຄື່ອງຈັກເວັກເຕີສະໜັບສະໜູນ (SVM) , ປ່າແບບສຸ່ມ , ແລະ ການເພີ່ມຄວາມຊັນ ໄດ້ຖືກນຳໃຊ້ກັບການຄາດຄະເນຫຸ້ນ. ພວກມັນສາມາດລວມເອົາຄຸນສົມບັດການປ້ອນຂໍ້ມູນທີ່ຫຼາກຫຼາຍ - ຕັ້ງແຕ່ຕົວຊີ້ວັດດ້ານວິຊາການ (ເຊັ່ນ: ຄ່າສະເລ່ຍເຄື່ອນທີ່, ປະລິມານການຊື້ຂາຍ) ຈົນເຖິງຕົວຊີ້ວັດພື້ນຖານ (ເຊັ່ນ: ລາຍໄດ້, ຂໍ້ມູນເສດຖະກິດມະຫາພາກ) - ແລະ ຊອກຫາຄວາມສຳພັນທີ່ບໍ່ແມ່ນເສັ້ນຊື່ໃນບັນດາພວກມັນ. ຕົວຢ່າງ, ປ່າແບບສຸ່ມ ຫຼື ຮູບແບບການເພີ່ມຄວາມຊັນສາມາດພິຈາລະນາຫຼາຍສິບປັດໄຈພ້ອມໆກັນ, ຈັບພາບການພົວພັນທີ່ຮູບແບບເສັ້ນຊື່ງ່າຍໆອາດຈະພາດໄປ. ຮູບແບບ ML ເຫຼົ່ານີ້ໄດ້ສະແດງໃຫ້ເຫັນຄວາມສາມາດໃນການປັບປຸງຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນໂດຍການກວດຈັບສັນຍານທີ່ສັບສົນໃນຂໍ້ມູນ (ການ ໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບການຄາດຄະເນຕະຫຼາດຫຸ້ນ... | FMP ). ຢ່າງໃດກໍຕາມ, ພວກມັນຕ້ອງການການປັບແຕ່ງຢ່າງລະມັດລະວັງ ແລະ ຂໍ້ມູນທີ່ພຽງພໍເພື່ອຫຼີກເວັ້ນການ overfitting (ການຮຽນຮູ້ສິ່ງລົບກວນແທນທີ່ຈະເປັນສັນຍານ).

• ການຮຽນຮູ້ເລິກ (ເຄືອຂ່າຍປະສາດ): ເຄືອຂ່າຍປະສາດເລິກ , ໄດ້ຮັບແຮງບັນດານໃຈຈາກໂຄງສ້າງຂອງສະໝອງມະນຸດ, ໄດ້ກາຍເປັນທີ່ນິຍົມສຳລັບການຄາດຄະເນຕະຫຼາດຫຼັກຊັບໃນຊຸມປີມໍ່ໆມານີ້. ໃນບັນດາສິ່ງເຫຼົ່ານີ້, ເຄືອຂ່າຍປະສາດຊ້ຳໆ (RNNs) ແລະ ຄວາມຈຳໄລຍະສັ້ນໄລຍະຍາວ (LSTM) ໄດ້ຖືກອອກແບບໂດຍສະເພາະສຳລັບຂໍ້ມູນລຳດັບເຊັ່ນ: ຊຸດເວລາລາຄາຫຸ້ນ. LSTM ສາມາດຮັກສາຄວາມຊົງຈຳຂອງຂໍ້ມູນທີ່ຜ່ານມາ ແລະ ຈັບເອົາການເພິ່ງພາອາໄສເວລາ, ເຮັດໃຫ້ພວກມັນເໝາະສົມກັບແບບຈຳລອງແນວໂນ້ມ, ວົງຈອນ, ຫຼືຮູບແບບອື່ນໆທີ່ຂຶ້ນກັບເວລາໃນຂໍ້ມູນຕະຫຼາດ. ການຄົ້ນຄວ້າຊີ້ໃຫ້ເຫັນວ່າ LSTMs ແລະຮູບແບບການຮຽນຮູ້ເລິກອື່ນໆສາມາດຈັບເອົາ ຄວາມສຳພັນທີ່ສັບສົນ, ບໍ່ເປັນເສັ້ນຊື່ ໃນຂໍ້ມູນທາງການເງິນທີ່ແບບຈຳລອງທີ່ງ່າຍດາຍກວ່າພາດໄປ. ວິທີການຮຽນຮູ້ເລິກອື່ນໆລວມມີ ເຄືອຂ່າຍປະສາດແບບ Convolutional (CNNs) (ບາງຄັ້ງໃຊ້ໃນ "ຮູບພາບ" ຕົວຊີ້ວັດດ້ານວິຊາການ ຫຼື ລຳດັບທີ່ຖືກເຂົ້າລະຫັດ), Transformers (ເຊິ່ງໃຊ້ກົນໄກການເອົາໃຈໃສ່ເພື່ອຊັ່ງນໍ້າໜັກຄວາມສຳຄັນຂອງຂັ້ນຕອນເວລາ ຫຼື ແຫຼ່ງຂໍ້ມູນທີ່ແຕກຕ່າງກັນ), ແລະແມ້ ກະທັ້ງເຄືອຂ່າຍປະສາດກຣາຟ (GNNs) (ເພື່ອສ້າງແບບຈຳລອງຄວາມສຳພັນລະຫວ່າງຫຸ້ນໃນກຣາຟຕະຫຼາດ). ຕາໜ່າງປະສາດທີ່ກ້າວໜ້າເຫຼົ່ານີ້ສາມາດດູດຊຶມບໍ່ພຽງແຕ່ຂໍ້ມູນລາຄາເທົ່ານັ້ນ ແຕ່ຍັງສາມາດດູດຊຶມແຫຼ່ງຂໍ້ມູນທາງເລືອກອື່ນໆເຊັ່ນ: ຂໍ້ຄວາມຂ່າວ, ຄວາມຮູ້ສຶກໃນສື່ສັງຄົມອອນລາຍ, ແລະອື່ນໆ, ໂດຍການຮຽນຮູ້ລັກສະນະທີ່ບໍ່ມີຕົວຕົນທີ່ອາດຈະຄາດເດົາການເຄື່ອນໄຫວຂອງຕະຫຼາດໄດ້ ( ການໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບການຄາດຄະເນຕະຫຼາດຫຸ້ນ... | FMP ). ຄວາມຍືດຫຍຸ່ນຂອງການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງມາພ້ອມກັບຄ່າໃຊ້ຈ່າຍ: ພວກມັນໃຊ້ຂໍ້ມູນຫຼາຍ, ຕ້ອງໃຊ້ການຄິດໄລ່ຫຼາຍ, ແລະມັກຈະເຮັດວຽກເປັນ "ກ່ອງດຳ" ທີ່ມີຄວາມສາມາດໃນການຕີຄວາມໝາຍໜ້ອຍ.

• ການຮຽນຮູ້ການເສີມແຮງ: ຂອບເຂດອີກອັນໜຶ່ງໃນການຄາດຄະເນຫຸ້ນ AI ແມ່ນ ການຮຽນຮູ້ການເສີມແຮງ (RL) , ບ່ອນທີ່ເປົ້າໝາຍບໍ່ພຽງແຕ່ເພື່ອຄາດຄະເນລາຄາເທົ່ານັ້ນ, ແຕ່ຍັງເພື່ອຮຽນຮູ້ຍຸດທະສາດການຊື້ຂາຍທີ່ດີທີ່ສຸດ. ໃນຂອບ RL, ຕົວແທນ (ຮູບແບບ AI) ພົວພັນກັບສະພາບແວດລ້ອມ (ຕະຫຼາດ) ໂດຍການກະທຳ (ຊື້, ຂາຍ, ຖື) ແລະ ໄດ້ຮັບລາງວັນ (ກຳໄລ ຫຼື ຂາດທຶນ). ເມື່ອເວລາຜ່ານໄປ, ຕົວແທນຮຽນຮູ້ນະໂຍບາຍທີ່ເພີ່ມລາງວັນສະສົມໃຫ້ສູງສຸດ. ການຮຽນຮູ້ການເສີມແຮງຢ່າງເລິກເຊິ່ງ (DRL) ລວມເຄືອຂ່າຍປະສາດກັບການຮຽນຮູ້ການເສີມແຮງເພື່ອຈັດການພື້ນທີ່ຂະໜາດໃຫຍ່ຂອງຕະຫຼາດ. ຄວາມດຶງດູດຂອງ RL ໃນດ້ານການເງິນແມ່ນຄວາມສາມາດໃນການພິຈາລະນາ ລຳດັບຂອງການຕັດສິນໃຈ ແລະ ເພີ່ມປະສິດທິພາບໂດຍກົງສຳລັບຜົນຕອບແທນຈາກການລົງທຶນ, ແທນທີ່ຈະຄາດຄະເນລາຄາຢ່າງໂດດດ່ຽວ. ຕົວຢ່າງ, ຕົວແທນ RL ສາມາດຮຽນຮູ້ເວລາທີ່ຈະເຂົ້າ ຫຼື ອອກຈາກຕຳແໜ່ງໂດຍອີງໃສ່ສັນຍານລາຄາ ແລະ ແມ່ນແຕ່ປັບຕົວເມື່ອສະພາບຕະຫຼາດປ່ຽນແປງ. ໂດຍສະເພາະ, RL ໄດ້ຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມຮູບແບບ AI ທີ່ແຂ່ງຂັນໃນການແຂ່ງຂັນການຊື້ຂາຍແບບປະລິມານ ແລະ ໃນບາງລະບົບການຊື້ຂາຍທີ່ເປັນເຈົ້າຂອງ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ວິທີການ RL ຍັງປະເຊີນກັບສິ່ງທ້າທາຍທີ່ສຳຄັນ: ພວກມັນຕ້ອງການການຝຶກອົບຮົມຢ່າງກວ້າງຂວາງ (ຈຳລອງການຊື້ຂາຍເປັນເວລາຫຼາຍປີ), ສາມາດປະສົບກັບຄວາມບໍ່ໝັ້ນຄົງ ຫຼື ພຶດຕິກຳທີ່ແຕກຕ່າງກັນຖ້າບໍ່ໄດ້ຮັບການປັບແຕ່ງຢ່າງລະມັດລະວັງ, ແລະ ປະສິດທິພາບຂອງພວກມັນມີຄວາມອ່ອນໄຫວສູງຕໍ່ສະພາບແວດລ້ອມຂອງຕະຫຼາດທີ່ສົມມຸດຂຶ້ນ. ນັກຄົ້ນຄວ້າໄດ້ສັງເກດເຫັນບັນຫາຕ່າງໆເຊັ່ນ: ຄ່າໃຊ້ຈ່າຍໃນການຄິດໄລ່ສູງ ແລະ ບັນຫາຄວາມໝັ້ນຄົງ ໃນການນຳໃຊ້ການຮຽນຮູ້ການເສີມແຮງກັບຕະຫຼາດຫຼັກຊັບທີ່ສັບສົນ. ເຖິງວ່າຈະມີສິ່ງທ້າທາຍເຫຼົ່ານີ້, RL ເປັນຕົວແທນຂອງວິທີການທີ່ມີຄວາມຫວັງ, ໂດຍສະເພາະເມື່ອລວມກັບເຕັກນິກອື່ນໆ (ເຊັ່ນ: ການໃຊ້ຮູບແບບການຄາດຄະເນລາຄາບວກກັບຍຸດທະສາດການຈັດສັນທີ່ອີງໃສ່ RL) ເພື່ອສ້າງລະບົບການຕັດສິນໃຈແບບປະສົມ ( ການຄາດຄະເນຕະຫຼາດຫຼັກຊັບໂດຍໃຊ້ການຮຽນຮູ້ການເສີມແຮງຢ່າງເລິກເຊິ່ງ ).

ແຫຼ່ງຂໍ້ມູນ ແລະ ຂະບວນການຝຶກອົບຮົມ

ບໍ່ວ່າຈະເປັນຮູບແບບໃດກໍຕາມ, ຂໍ້ມູນແມ່ນກະດູກສັນຫຼັງ ຂອງການຄາດຄະເນຕະຫຼາດຫຸ້ນ AI. ຮູບແບບຕ່າງໆມັກຈະໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນຕະຫຼາດໃນອະດີດ ແລະ ຊຸດຂໍ້ມູນອື່ນໆທີ່ກ່ຽວຂ້ອງເພື່ອກວດຫາຮູບແບບຕ່າງໆ. ແຫຼ່ງຂໍ້ມູນ ແລະ ຄຸນສົມບັດທົ່ວໄປລວມມີ:

• ລາຄາໃນອະດີດ ແລະ ຕົວຊີ້ວັດດ້ານວິຊາການ: ເກືອບທຸກຮູບແບບໃຊ້ລາຄາຫຸ້ນໃນອະດີດ (ເປີດ, ສູງ, ຕໍ່າ, ປິດ) ແລະ ປະລິມານການຊື້ຂາຍ. ຈາກສິ່ງເຫຼົ່ານີ້, ນັກວິເຄາະມັກຈະໄດ້ຮັບຕົວຊີ້ວັດດ້ານວິຊາການ (ຄ່າສະເລ່ຍເຄື່ອນທີ່, ດັດຊະນີຄວາມເຂັ້ມແຂງທຽບເທົ່າ, MACD, ແລະອື່ນໆ) ເປັນຂໍ້ມູນປ້ອນເຂົ້າ. ຕົວຊີ້ວັດເຫຼົ່ານີ້ສາມາດຊ່ວຍເນັ້ນໃຫ້ເຫັນແນວໂນ້ມ ຫຼື ແຮງກະຕຸ້ນທີ່ຮູບແບບອາດຈະນຳໃຊ້. ຕົວຢ່າງ, ຮູບແບບອາດຈະໃຊ້ເປັນຂໍ້ມູນປ້ອນເຂົ້າຂອງລາຄາ ແລະ ປະລິມານ 10 ມື້ສຸດທ້າຍ, ບວກກັບຕົວຊີ້ວັດເຊັ່ນ: ຄ່າສະເລ່ຍເຄື່ອນທີ່ 10 ມື້ ຫຼື ມາດຕະການຄວາມຜັນຜວນ, ເພື່ອຄາດຄະເນການເຄື່ອນໄຫວຂອງລາຄາໃນມື້ຕໍ່ໄປ.

• ດັດຊະນີຕະຫຼາດ ແລະ ຂໍ້ມູນເສດຖະກິດ: ຫຼາຍຮູບແບບປະກອບມີຂໍ້ມູນຕະຫຼາດທີ່ກວ້າງຂວາງ, ເຊັ່ນ: ລະດັບດັດຊະນີ, ອັດຕາດອກເບ້ຍ, ອັດຕາເງິນເຟີ້, ການເຕີບໂຕຂອງ GDP, ຫຼື ຕົວຊີ້ວັດທາງເສດຖະກິດອື່ນໆ. ລັກສະນະມະຫາພາກເຫຼົ່ານີ້ສະໜອງສະພາບການ (ເຊັ່ນ: ຄວາມຮູ້ສຶກຂອງຕະຫຼາດໂດຍລວມ ຫຼື ສຸຂະພາບທາງເສດຖະກິດ) ທີ່ສາມາດມີອິດທິພົນຕໍ່ປະສິດທິພາບຂອງຫຸ້ນສ່ວນບຸກຄົນ.

• ຂໍ້ມູນຂ່າວ ແລະ ຄວາມຮູ້ສຶກ: ຈຳນວນລະບົບ AI ທີ່ເພີ່ມຂຶ້ນເລື້ອຍໆໄດ້ຮັບຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ ເຊັ່ນ: ບົດຂ່າວ, ຟີດສື່ສັງຄົມ (Twitter, Stocktwits), ແລະ ບົດລາຍງານທາງການເງິນ. ເຕັກນິກການປະມວນຜົນພາສາທຳມະຊາດ (NLP), ລວມທັງຮູບແບບທີ່ກ້າວໜ້າເຊັ່ນ BERT, ຖືກນໍາໃຊ້ເພື່ອວັດແທກຄວາມຮູ້ສຶກຂອງຕະຫຼາດ ຫຼື ກວດຫາເຫດການທີ່ກ່ຽວຂ້ອງ. ຕົວຢ່າງ, ຖ້າຄວາມຮູ້ສຶກຂອງຂ່າວຫັນເປັນລົບຢ່າງຮຸນແຮງຕໍ່ບໍລິສັດ ຫຼື ຂະແໜງການ, ຮູບແບບ AI ອາດຈະຄາດຄະເນການຫຼຸດລົງຂອງລາຄາຫຸ້ນທີ່ກ່ຽວຂ້ອງ. ໂດຍການປະມວນ ຜົນຂ່າວ ແລະ ຄວາມຮູ້ສຶກຂອງສື່ສັງຄົມໃນເວລາຈິງ , AI ສາມາດຕອບສະໜອງໄດ້ໄວກວ່າພໍ່ຄ້າມະນຸດຕໍ່ຂໍ້ມູນໃໝ່.

• ຂໍ້ມູນທາງເລືອກ: ກອງທຶນ hedge fund ແລະ ນັກຄົ້ນຄວ້າ AI ທີ່ຊັບຊ້ອນບາງຄົນໃຊ້ແຫຼ່ງຂໍ້ມູນທາງເລືອກ - ຮູບພາບດາວທຽມ (ສຳລັບການຈະລາຈອນຮ້ານຄ້າ ຫຼື ກິດຈະກຳອຸດສາຫະກຳ), ຂໍ້ມູນການເຮັດທຸລະກຳບັດເຄຣດິດ, ແນວໂນ້ມການຄົ້ນຫາເວັບ, ແລະອື່ນໆ - ເພື່ອໃຫ້ໄດ້ຂໍ້ມູນເຊີງລຶກທີ່ຄາດເດົາໄດ້. ຊຸດຂໍ້ມູນທີ່ບໍ່ແມ່ນແບບດັ້ງເດີມເຫຼົ່ານີ້ບາງຄັ້ງສາມາດເປັນຕົວຊີ້ວັດຊັ້ນນຳສຳລັບປະສິດທິພາບຂອງຫຸ້ນ, ເຖິງແມ່ນວ່າພວກມັນຍັງນຳສະເໜີຄວາມສັບສົນໃນການຝຶກອົບຮົມແບບຈຳລອງ.

ການຝຶກອົບຮົມແບບຈຳລອງ AI ສຳລັບການຄາດຄະເນຫຸ້ນກ່ຽວຂ້ອງກັບການປ້ອນຂໍ້ມູນປະຫວັດສາດນີ້ ແລະ ການປັບຕົວຂອງແບບຈຳລອງເພື່ອຫຼຸດຜ່ອນຄວາມຜິດພາດໃນການຄາດຄະເນ. ໂດຍປົກກະຕິແລ້ວ, ຂໍ້ມູນຈະຖືກແບ່ງອອກເປັນ ຊຸດການຝຶກອົບຮົມ (ເຊັ່ນ: ປະຫວັດສາດເກົ່າເພື່ອຮຽນຮູ້ຮູບແບບ) ແລະ ຊຸດການທົດສອບ/ການກວດສອບຄວາມຖືກຕ້ອງ (ຂໍ້ມູນທີ່ລ້າສຸດເພື່ອປະເມີນປະສິດທິພາບໃນເງື່ອນໄຂທີ່ເບິ່ງບໍ່ເຫັນ). ເນື່ອງຈາກລັກສະນະຕາມລຳດັບຂອງຂໍ້ມູນຕະຫຼາດ, ຈຶ່ງມີຄວາມລະມັດລະວັງໃນການຫຼີກລ່ຽງ "ການແນມເບິ່ງອະນາຄົດ" - ຕົວຢ່າງ, ແບບຈຳລອງຈະຖືກປະເມີນຜົນໃນຂໍ້ມູນຈາກໄລຍະເວລາຫຼັງຈາກໄລຍະເວລາການຝຶກອົບຮົມ, ເພື່ອຈຳລອງວ່າພວກມັນຈະປະຕິບັດແນວໃດໃນການຊື້ຂາຍຕົວຈິງ. ການກວດສອບຄວາມຖືກຕ້ອງຂ້າມ ທີ່ດັດແປງສຳລັບຊຸດເວລາ (ເຊັ່ນ: ການກວດສອບຄວາມຖືກຕ້ອງແບບຍ່າງໄປຂ້າງໜ້າ) ຖືກນຳໃຊ້ເພື່ອຮັບປະກັນວ່າແບບຈຳລອງມີລັກສະນະທົ່ວໄປໄດ້ດີ ແລະ ບໍ່ພຽງແຕ່ເໝາະສົມກັບໄລຍະເວລາສະເພາະໃດໜຶ່ງເທົ່ານັ້ນ.

ຍິ່ງໄປກວ່ານັ້ນ, ຜູ້ປະຕິບັດຕ້ອງແກ້ໄຂບັນຫາຄຸນນະພາບຂໍ້ມູນ ແລະ ການປະມວນຜົນກ່ອນ. ຂໍ້ມູນທີ່ຂາດຫາຍໄປ, ຄ່າຜິດປົກກະຕິ (ເຊັ່ນ: ການເພີ່ມຂຶ້ນຢ່າງກະທັນຫັນຍ້ອນການແຕກຫຸ້ນ ຫຼື ເຫດການຄັ້ງດຽວ), ແລະ ການປ່ຽນແປງລະບອບໃນຕະຫຼາດສາມາດສົ່ງຜົນກະທົບຕໍ່ການຝຶກອົບຮົມແບບຈຳລອງ. ເຕັກນິກຕ່າງໆເຊັ່ນ: ການເຮັດໃຫ້ເປັນປົກກະຕິ, ການຫຼຸດແນວໂນ້ມ, ຫຼື ການຫຼຸດລະດູການອາດຈະຖືກນຳໃຊ້ກັບຂໍ້ມູນປ້ອນເຂົ້າ. ວິທີການຂັ້ນສູງບາງຢ່າງແຍກຊຸດລາຄາອອກເປັນອົງປະກອບ (ແນວໂນ້ມ, ວົງຈອນ, ສຽງລົບກວນ) ແລະ ສ້າງແບບຈຳລອງແຍກຕ່າງຫາກ (ດັ່ງທີ່ເຫັນໃນການຄົ້ນຄວ້າທີ່ລວມເອົາການແຍກຮູບແບບການປ່ຽນແປງກັບຕາໜ່າງປະສາດ ( ການຄາດຄະເນຕະຫຼາດຫຼັກຊັບໂດຍໃຊ້ການຮຽນຮູ້ການເສີມແຮງເລິກ )).

ຮູບແບບທີ່ແຕກຕ່າງກັນມີຄວາມຕ້ອງການການຝຶກອົບຮົມທີ່ແຕກຕ່າງກັນ: ຮູບແບບການຮຽນຮູ້ເລິກອາດຈະຕ້ອງການຈຸດຂໍ້ມູນຫຼາຍຮ້ອຍພັນຈຸດ ແລະ ໄດ້ຮັບຜົນປະໂຫຍດຈາກການເລັ່ງ GPU, ໃນຂະນະທີ່ຮູບແບບທີ່ງ່າຍດາຍກວ່າເຊັ່ນ: ການຖົດຖອຍໂລຈິດສະຕິກສາມາດຮຽນຮູ້ຈາກຊຸດຂໍ້ມູນທີ່ຂ້ອນຂ້າງນ້ອຍກວ່າ. ຮູບແບບການຮຽນຮູ້ແບບເສີມແຮງຕ້ອງການຕົວຈຳລອງ ຫຼື ສະພາບແວດລ້ອມເພື່ອພົວພັນກັບ; ບາງຄັ້ງຂໍ້ມູນປະຫວັດສາດຖືກຫຼິ້ນຊ້ຳໄປຫາຕົວແທນ RL, ຫຼື ຕົວຈຳລອງຕະຫຼາດຖືກໃຊ້ເພື່ອສ້າງປະສົບການ.

ສຸດທ້າຍ, ເມື່ອໄດ້ຮັບການຝຶກອົບຮົມແລ້ວ, ຮູບແບບເຫຼົ່ານີ້ຈະໃຫ້ຜົນຕອບແທນໜ້າທີ່ຄາດຄະເນ - ຕົວຢ່າງ, ຜົນຜະລິດທີ່ອາດຈະເປັນລາຄາທີ່ຄາດຄະເນໄວ້ສຳລັບມື້ອື່ນ, ຄວາມເປັນໄປໄດ້ທີ່ຫຸ້ນຈະເພີ່ມຂຶ້ນ, ຫຼື ການກະທຳທີ່ແນະນຳ (ຊື້/ຂາຍ). ຫຼັງຈາກນັ້ນ, ການຄາດຄະເນເຫຼົ່ານີ້ມັກຈະຖືກລວມເຂົ້າໃນຍຸດທະສາດການຊື້ຂາຍ (ດ້ວຍຂະໜາດຕຳແໜ່ງ, ກົດລະບຽບການຄຸ້ມຄອງຄວາມສ່ຽງ, ແລະອື່ນໆ) ກ່ອນທີ່ເງິນຕົວຈິງຈະຕົກຢູ່ໃນຄວາມສ່ຽງ.

ຂໍ້ຈຳກັດ ແລະ ສິ່ງທ້າທາຍ

ໃນຂະນະທີ່ຮູບແບບ AI ໄດ້ກາຍເປັນສິ່ງທີ່ຊັບຊ້ອນຢ່າງບໍ່ໜ້າເຊື່ອ, ການຄາດຄະເນຕະຫຼາດຫຼັກຊັບຍັງຄົງເປັນວຽກງານທີ່ທ້າທາຍໂດຍທຳມະຊາດ . ຕໍ່ໄປນີ້ແມ່ນຂໍ້ຈຳກັດ ແລະ ອຸປະສັກທີ່ສຳຄັນທີ່ປ້ອງກັນບໍ່ໃຫ້ AI ເປັນໝໍດູທີ່ຮັບປະກັນໃນຕະຫຼາດ:

• ປະສິດທິພາບ ແລະ ຄວາມສຸ່ມຂອງຕະຫຼາດ: ດັ່ງທີ່ໄດ້ກ່າວມາກ່ອນໜ້ານີ້, ສົມມຸດຕິຖານຕະຫຼາດທີ່ມີປະສິດທິພາບໂຕ້ຖຽງວ່າລາຄາສະທ້ອນເຖິງຂໍ້ມູນທີ່ຮູ້ຈັກແລ້ວ, ສະນັ້ນຂໍ້ມູນໃໝ່ໃດໆກໍ່ເຮັດໃຫ້ເກີດການປັບຕົວທັນທີ. ໃນແງ່ຂອງການປະຕິບັດ, ນີ້ໝາຍຄວາມວ່າການປ່ຽນແປງຂອງລາຄາສ່ວນໃຫຍ່ແມ່ນຖືກຂັບເຄື່ອນໂດຍ ທີ່ບໍ່ຄາດຄິດ ຫຼື ຄວາມຜັນຜວນແບບສຸ່ມ. ແທ້ຈິງແລ້ວ, ການຄົ້ນຄວ້າຫຼາຍທົດສະວັດໄດ້ພົບວ່າການເຄື່ອນໄຫວຂອງລາຄາຫຸ້ນໄລຍະສັ້ນຄ້າຍຄືກັບການຍ່າງແບບສຸ່ມ ( ຮູບແບບການຄາດຄະເນຫຸ້ນທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນໂດຍອີງໃສ່ເຄືອຂ່າຍປະສາດ: ການທົບທວນຄືນ ) - ລາຄາຂອງມື້ວານນີ້ມີຜົນກະທົບໜ້ອຍຕໍ່ມື້ອື່ນ, ເກີນກວ່າສິ່ງທີ່ໂອກາດຈະຄາດຄະເນໄດ້. ຖ້າລາຄາຫຸ້ນແມ່ນແບບສຸ່ມ ຫຼື "ມີປະສິດທິພາບ", ບໍ່ມີອັລກໍຣິທຶມໃດສາມາດຄາດຄະເນພວກມັນໄດ້ຢ່າງສະໝໍ່າສະເໝີດ້ວຍຄວາມຖືກຕ້ອງສູງ. ດັ່ງທີ່ການສຶກສາຄົ້ນຄວ້າໜຶ່ງໄດ້ກ່າວໄວ້ຢ່າງຊັດເຈນວ່າ, "ສົມມຸດຕິຖານການຍ່າງແບບສຸ່ມ ແລະ ສົມມຸດຕິຖານຕະຫຼາດທີ່ມີປະສິດທິພາບໂດຍພື້ນຖານແລ້ວລະບຸວ່າມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະຄາດຄະເນລາຄາຫຸ້ນໃນອະນາຄົດຢ່າງເປັນລະບົບ ແລະ ໜ້າເຊື່ອຖືໄດ້" ( ການຄາດຄະເນຜົນຕອບແທນທີ່ກ່ຽວຂ້ອງສຳລັບຫຸ້ນ S&P 500 ໂດຍໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ | ນະວັດຕະກໍາທາງດ້ານການເງິນ | ຂໍ້ຄວາມເຕັມ ). ນີ້ບໍ່ໄດ້ໝາຍຄວາມວ່າການຄາດຄະເນ AI ບໍ່ມີປະໂຫຍດສະເໝີໄປ, ແຕ່ມັນເນັ້ນໃຫ້ເຫັນເຖິງຂໍ້ຈຳກັດພື້ນຖານ: ການເຄື່ອນໄຫວສ່ວນໃຫຍ່ຂອງຕະຫຼາດອາດຈະເປັນສຽງລົບກວນທີ່ແມ່ນແຕ່ຮູບແບບທີ່ດີທີ່ສຸດກໍ່ບໍ່ສາມາດຄາດຄະເນລ່ວງໜ້າໄດ້.

• ສຽງລົບກວນ ແລະ ປັດໄຈພາຍນອກທີ່ບໍ່ສາມາດຄາດເດົາໄດ້: ລາຄາຫຸ້ນໄດ້ຮັບອິດທິພົນຈາກຫຼາຍປັດໃຈ, ເຊິ່ງຫຼາຍຢ່າງແມ່ນພາຍນອກ ແລະ ບໍ່ສາມາດຄາດເດົາໄດ້. ເຫດການທາງພູມິສາດການເມືອງ (ສົງຄາມ, ການເລືອກຕັ້ງ, ການປ່ຽນແປງກົດລະບຽບ), ໄພພິບັດທາງທຳມະຊາດ, ການລະບາດທົ່ວໂລກ, ເລື່ອງອະນາຈານຂອງບໍລິສັດຢ່າງກະທັນຫັນ, ຫຼື ແມ່ນແຕ່ຂ່າວລືສື່ສັງຄົມອອນລາຍທີ່ສາມາດສົ່ງຜົນກະທົບຕໍ່ຕະຫຼາດໄດ້ຢ່າງບໍ່ຄາດຄິດ. ເຫຼົ່ານີ້ແມ່ນເຫດການທີ່ຮູບແບບ ບໍ່ສາມາດມີຂໍ້ມູນການຝຶກອົບຮົມກ່ອນໜ້ານີ້ໄດ້ (ເພາະວ່າມັນບໍ່ເຄີຍມີມາກ່ອນ) ຫຼື ເກີດຂຶ້ນເປັນອາການຊ໊ອກທີ່ຫາຍາກ. ຕົວຢ່າງ, ບໍ່ມີຮູບແບບ AI ທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນປະຫວັດສາດຕັ້ງແຕ່ປີ 2010–2019 ສາມາດຄາດເດົາໄດ້ໂດຍສະເພາະກ່ຽວກັບການຕົກຕໍ່າຂອງ COVID-19 ໃນຕົ້ນປີ 2020 ຫຼື ການຟື້ນຕົວຢ່າງໄວວາຂອງມັນ. ຮູບແບບ AI ທາງດ້ານການເງິນມີຄວາມຫຍຸ້ງຍາກເມື່ອລະບອບການປ່ຽນແປງ ຫຼື ເມື່ອເຫດການດຽວເຮັດໃຫ້ລາຄາເພີ່ມຂຶ້ນ. ດັ່ງທີ່ແຫຼ່ງຂໍ້ມູນໜຶ່ງໄດ້ລະບຸໄວ້, ປັດໄຈຕ່າງໆເຊັ່ນເຫດການທາງພູມິສາດການເມືອງ ຫຼື ການປ່ອຍຂໍ້ມູນທາງເສດຖະກິດຢ່າງກະທັນຫັນສາມາດເຮັດໃຫ້ການຄາດຄະເນລ້າສະໄໝເກືອບທັນທີ ( ການໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບການຄາດຄະເນຕະຫຼາດຫຼັກຊັບ... | FMP ) ( ການໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບການຄາດຄະເນຕະຫຼາດຫຼັກຊັບ... | FMP ). ເວົ້າອີກຢ່າງໜຶ່ງ, ຂ່າວທີ່ບໍ່ຄາດຄິດສາມາດລົບລ້າງການຄາດຄະເນແບບອັລກໍຣິທຶມໄດ້ສະເໝີ , ໂດຍການສັກລະດັບຄວາມບໍ່ແນ່ນອນທີ່ບໍ່ສາມາດຫຼຸດຜ່ອນໄດ້.

• ການປັບຕົວຫຼາຍເກີນໄປ ແລະ ການລວມຕົວທົ່ວໄປ: ຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກມັກຈະ ປັບຕົວຫຼາຍ ເກີນໄປ - ຊຶ່ງໝາຍຄວາມວ່າພວກມັນອາດຈະຮຽນຮູ້ "ສຽງລົບກວນ" ຫຼື ຄວາມແປກປະຫຼາດໃນຂໍ້ມູນການຝຶກອົບຮົມໄດ້ດີເກີນໄປ, ແທນທີ່ຈະເປັນຮູບແບບທົ່ວໄປທີ່ຢູ່ເບື້ອງຫຼັງ. ຮູບແບບທີ່ປັບຕົວຫຼາຍເກີນໄປອາດຈະເຮັດວຽກໄດ້ດີໃນຂໍ້ມູນປະຫວັດສາດ (ເຖິງແມ່ນວ່າສະແດງໃຫ້ເຫັນຜົນຕອບແທນທີ່ທົດສອບຍ້ອນຫຼັງທີ່ໜ້າປະທັບໃຈ ຫຼື ຄວາມຖືກຕ້ອງໃນຕົວຢ່າງສູງ) ແຕ່ຫຼັງຈາກນັ້ນກໍ່ລົ້ມເຫຼວຢ່າງໜ້າເສົ້າໃນຂໍ້ມູນໃໝ່. ນີ້ແມ່ນອຸປະສັກທົ່ວໄປໃນການເງິນດ້ານປະລິມານ. ຕົວຢ່າງ, ເຄືອຂ່າຍປະສາດທີ່ສັບສົນອາດຈະເກັບກຳຄວາມສຳພັນທີ່ບໍ່ຖືກຕ້ອງທີ່ເຄີຍມີມາກ່ອນໂດຍບັງເອີນ (ເຊັ່ນ: ການປະສົມປະສານທີ່ແນ່ນອນຂອງຕົວຊີ້ບອກທີ່ຂ້າມທີ່ເກີດຂຶ້ນກ່ອນການຟື້ນຕົວໃນ 5 ປີທີ່ຜ່ານມາ) ແຕ່ຄວາມສຳພັນເຫຼົ່ານັ້ນອາດຈະບໍ່ໝັ້ນຄົງໃນອະນາຄົດ. ຕົວຢ່າງທີ່ເປັນປະໂຫຍດ: ຄົນເຮົາສາມາດອອກແບບຮູບແບບທີ່ຄາດຄະເນວ່າຜູ້ຊະນະຮຸ້ນຂອງປີກາຍຈະຂຶ້ນສະເໝີ - ມັນອາດຈະເໝາະສົມກັບໄລຍະເວລາໃດໜຶ່ງ, ແຕ່ຖ້າລະບອບການຕະຫຼາດປ່ຽນແປງ, ຮູບແບບນັ້ນຈະແຕກ. ການປັບຕົວຫຼາຍເກີນໄປນຳໄປສູ່ປະສິດທິພາບນອກຕົວຢ່າງ ທີ່ບໍ່ດີ, ຊຶ່ງໝາຍຄວາມວ່າການຄາດຄະເນຂອງຮູບແບບໃນການຊື້ຂາຍສົດບໍ່ສາມາດດີກ່ວາແບບສຸ່ມໄດ້ເຖິງວ່າຈະເບິ່ງດີໃນການພັດທະນາ. ການຫຼີກລ່ຽງການປັບຕົວຫຼາຍເກີນໄປຮຽກຮ້ອງໃຫ້ມີເຕັກນິກຕ່າງໆເຊັ່ນ: ການປັບຕົວໃຫ້ເປັນລະບຽບ, ການຮັກສາຄວາມຊັບຊ້ອນຂອງຮູບແບບໃຫ້ຢູ່ໃນການກວດສອບ, ແລະ ການໃຊ້ການກວດສອບຄວາມຖືກຕ້ອງທີ່ເຂັ້ມແຂງ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ຄວາມສັບສົນທີ່ໃຫ້ພະລັງແກ່ຮູບແບບ AI ຍັງເຮັດໃຫ້ພວກມັນມີຄວາມສ່ຽງຕໍ່ບັນຫານີ້.

• ຄຸນນະພາບ ແລະ ຄວາມພ້ອມຂອງຂໍ້ມູນ: ສຸພາສິດທີ່ວ່າ "ຂີ້ເຫຍື້ອເຂົ້າ, ຂີ້ເຫຍື້ອອອກ" ໃຊ້ໄດ້ຢ່າງແຂງແຮງກັບ AI ໃນການຄາດຄະເນຫຸ້ນ. ຄຸນນະພາບ, ປະລິມານ, ແລະ ຄວາມກ່ຽວຂ້ອງຂອງຂໍ້ມູນມີຜົນກະທົບຢ່າງຫຼວງຫຼາຍຕໍ່ປະສິດທິພາບຂອງແບບຈຳລອງ. ຖ້າຂໍ້ມູນປະຫວັດສາດບໍ່ພຽງພໍ (ເຊັ່ນ: ການພະຍາຍາມຝຶກອົບຮົມເຄືອຂ່າຍທີ່ເລິກເຊິ່ງກ່ຽວກັບລາຄາຫຸ້ນພຽງແຕ່ສອງສາມປີ) ຫຼື ບໍ່ເປັນຕົວແທນ (ເຊັ່ນ: ການໃຊ້ຂໍ້ມູນຈາກໄລຍະເວລາທີ່ເພີ່ມຂຶ້ນເພື່ອຄາດຄະເນສະຖານະການທີ່ຫຼຸດລົງ), ແບບຈຳລອງຈະບໍ່ລວມເຂົ້າກັນໄດ້ດີ. ຂໍ້ມູນຍັງສາມາດມີ ອະຄະຕິ ຫຼື ຂຶ້ນກັບການຢູ່ລອດ (ຕົວຢ່າງ, ດັດຊະນີຫຸ້ນຫຼຸດລົງຕາມທຳມະຊາດຂອງບໍລິສັດທີ່ມີປະສິດທິພາບຕໍ່າຕາມການເວລາ, ດັ່ງນັ້ນຂໍ້ມູນດັດຊະນີປະຫວັດສາດອາດຈະມີອະຄະຕິຂຶ້ນ). ການທຳຄວາມສະອາດ ແລະ ການຈັດການຂໍ້ມູນແມ່ນວຽກງານທີ່ບໍ່ແມ່ນເລື່ອງງ່າຍ. ນອກຈາກນັ້ນ, ຂໍ້ມູນທາງເລືອກ ອາດຈະມີລາຄາແພງ ຫຼື ຍາກທີ່ຈະໄດ້ຮັບ, ເຊິ່ງອາດຈະເຮັດໃຫ້ຜູ້ຫຼິ້ນສະຖາບັນໄດ້ປຽບ ໃນຂະນະທີ່ເຮັດໃຫ້ນັກລົງທຶນຂາຍຍ່ອຍມີຂໍ້ມູນທີ່ບໍ່ຄົບຖ້ວນ. ຍັງມີບັນຫາກ່ຽວກັບ ຄວາມຖີ່ : ແບບຈຳລອງການຊື້ຂາຍຄວາມຖີ່ສູງຕ້ອງການຂໍ້ມູນແບບ tick-by-tick ເຊິ່ງມີປະລິມານຫຼາຍ ແລະ ຕ້ອງການພື້ນຖານໂຄງລ່າງພິເສດ, ໃນຂະນະທີ່ແບບຈຳລອງຄວາມຖີ່ຕ່ຳອາດຈະໃຊ້ຂໍ້ມູນປະຈຳວັນ ຫຼື ປະຈຳອາທິດ. ການຮັບປະກັນວ່າຂໍ້ມູນສອດຄ່ອງກັນໃນເວລາ (ເຊັ່ນ: ຂ່າວກັບຂໍ້ມູນລາຄາທີ່ສອດຄ້ອງກັນ) ແລະ ບໍ່ມີອະຄະຕິ lookahead ເປັນສິ່ງທ້າທາຍຢ່າງຕໍ່ເນື່ອງ.

• ຄວາມໂປ່ງໃສ ແລະ ການຕີຄວາມໝາຍຂອງຮູບແບບ: ຮູບແບບ AI ຈຳນວນຫຼາຍ, ໂດຍສະເພາະແມ່ນຮູບແບບການຮຽນຮູ້ເລິກ, ເຮັດວຽກເປັນ ກ່ອງດຳ . ພວກມັນອາດຈະສ້າງການຄາດຄະເນ ຫຼື ສັນຍານການຊື້ຂາຍໂດຍບໍ່ມີເຫດຜົນທີ່ອະທິບາຍໄດ້ງ່າຍ. ການຂາດຄວາມໂປ່ງໃສນີ້ອາດເປັນບັນຫາສຳລັບນັກລົງທຶນ - ໂດຍສະເພາະແມ່ນສະຖາບັນທີ່ຕ້ອງການໃຫ້ເຫດຜົນໃນການຕັດສິນໃຈຕໍ່ຜູ້ມີສ່ວນຮ່ວມ ຫຼື ປະຕິບັດຕາມລະບຽບການ. ຖ້າຮູບແບບ AI ຄາດຄະເນວ່າຫຸ້ນຈະຫຼຸດລົງ ແລະ ແນະນຳໃຫ້ຂາຍ, ຜູ້ຈັດການຫຼັກຊັບອາດຈະລັງເລຖ້າພວກເຂົາບໍ່ເຂົ້າໃຈເຫດຜົນ. ຄວາມໂປ່ງໃສຂອງການຕັດສິນໃຈຂອງ AI ສາມາດຫຼຸດຜ່ອນຄວາມໄວ້ວາງໃຈ ແລະ ການຮັບຮອງເອົາ, ໂດຍບໍ່ຄຳນຶງເຖິງຄວາມຖືກຕ້ອງຂອງຮູບແບບ. ສິ່ງທ້າທາຍນີ້ກຳລັງກະຕຸ້ນການຄົ້ນຄວ້າກ່ຽວກັບ AI ທີ່ສາມາດອະທິບາຍໄດ້ສຳລັບການເງິນ, ແຕ່ມັນຍັງຄົງເປັນຄວາມຈິງທີ່ວ່າມັກຈະມີການແລກປ່ຽນລະຫວ່າງຄວາມຊັບຊ້ອນ/ຄວາມຖືກຕ້ອງຂອງຮູບແບບ ແລະ ການຕີຄວາມໝາຍ.

• ຕະຫຼາດ ແລະ ການແຂ່ງຂັນທີ່ສາມາດປັບຕົວໄດ້: ສິ່ງສຳຄັນທີ່ຄວນສັງເກດຄື ຕະຫຼາດການເງິນແມ່ນ ປັບຕົວໄດ້ . ເມື່ອຮູບແບບການຄາດຄະເນຖືກຄົ້ນພົບ (ໂດຍ AI ຫຼື ວິທີການໃດກໍ່ຕາມ) ແລະ ຖືກນຳໃຊ້ໂດຍພໍ່ຄ້າຫຼາຍຄົນ, ມັນອາດຈະຢຸດເຮັດວຽກ. ຕົວຢ່າງ, ຖ້າຮູບແບບ AI ພົບວ່າສັນຍານສະເພາະໃດໜຶ່ງມັກຈະເກີດຂຶ້ນກ່ອນການເພີ່ມຂຶ້ນຂອງຫຸ້ນ, ພໍ່ຄ້າຈະເລີ່ມປະຕິບັດຕາມສັນຍານນັ້ນກ່ອນໜ້ານີ້, ດັ່ງນັ້ນຈຶ່ງເຮັດໃຫ້ໂອກາດນັ້ນຫາຍໄປ. ໂດຍຫຍໍ້ແລ້ວ, ຕະຫຼາດສາມາດພັດທະນາເພື່ອລົບລ້າງຍຸດທະສາດທີ່ຮູ້ຈັກ . ໃນປະຈຸບັນ, ບໍລິສັດການຄ້າ ແລະ ກອງທຶນຫຼາຍແຫ່ງໃຊ້ AI ແລະ ML. ການແຂ່ງຂັນນີ້ໝາຍຄວາມວ່າຂອບໃດໆມັກຈະນ້ອຍ ແລະ ມີອາຍຸສັ້ນ. ຜົນໄດ້ຮັບແມ່ນວ່າຮູບແບບ AI ອາດຈະຕ້ອງການການຝຶກອົບຮົມ ແລະ ການອັບເດດຢ່າງຕໍ່ເນື່ອງເພື່ອໃຫ້ທັນກັບການປ່ຽນແປງຂອງຕະຫຼາດ. ໃນຕະຫຼາດທີ່ມີສະພາບຄ່ອງສູງ ແລະ ຄົບກຳນົດ (ເຊັ່ນ: ຫຸ້ນຂະໜາດໃຫຍ່ຂອງສະຫະລັດ), ຜູ້ຫຼິ້ນທີ່ມີຄວາມຊັບຊ້ອນຫຼາຍຄົນກຳລັງຊອກຫາສັນຍານດຽວກັນ, ເຮັດໃຫ້ມັນຍາກຫຼາຍທີ່ຈະຮັກສາຂອບ. ໃນທາງກົງກັນຂ້າມ, ໃນຕະຫຼາດທີ່ມີປະສິດທິພາບໜ້ອຍກວ່າ ຫຼື ຊັບສິນພິເສດ, AI ອາດຈະພົບຄວາມລົ້ມເຫຼວຊົ່ວຄາວ - ແຕ່ເມື່ອຕະຫຼາດເຫຼົ່ານັ້ນທັນສະໄໝ, ຊ່ອງຫວ່າງອາດຈະປິດລົງ. ລັກສະນະທີ່ມີການເຄື່ອນໄຫວຂອງຕະຫຼາດນີ້ແມ່ນສິ່ງທ້າທາຍພື້ນຖານ: “ກົດລະບຽບຂອງເກມ” ບໍ່ແມ່ນສິ່ງຄົງທີ່, ສະນັ້ນຮູບແບບທີ່ເຮັດວຽກໄດ້ໃນປີກາຍອາດຈະຕ້ອງໄດ້ຮັບການປັບປຸງໃໝ່ໃນປີໜ້າ.

• ຂໍ້ຈຳກັດໃນໂລກຕົວຈິງ: ເຖິງແມ່ນວ່າຮູບແບບ AI ສາມາດຄາດຄະເນລາຄາໄດ້ຢ່າງຖືກຕ້ອງ, ແຕ່ການປ່ຽນການຄາດຄະເນໃຫ້ກາຍເປັນກຳໄລກໍ່ເປັນສິ່ງທ້າທາຍອີກອັນໜຶ່ງ. ການຊື້ຂາຍມີ ຄ່າໃຊ້ຈ່າຍໃນການເຮັດທຸລະກຳ , ເຊັ່ນ: ຄ່ານາຍໜ້າ, ການຫຼຸດລົງ, ແລະພາສີ. ຮູບແບບອາດຈະຄາດຄະເນການເຄື່ອນໄຫວຂອງລາຄາຂະໜາດນ້ອຍຫຼາຍຢ່າງໄດ້ຢ່າງຖືກຕ້ອງ, ແຕ່ກຳໄລອາດຈະຖືກລຶບລ້າງໂດຍຄ່າທຳນຽມ ແລະ ຜົນກະທົບຂອງຕະຫຼາດຂອງການຊື້ຂາຍ. ການຄຸ້ມຄອງຄວາມສ່ຽງກໍ່ມີຄວາມສຳຄັນເຊັ່ນກັນ - ບໍ່ມີການຄາດຄະເນໃດທີ່ແນ່ນອນ 100%, ສະນັ້ນຍຸດທະສາດໃດໆທີ່ຂັບເຄື່ອນດ້ວຍ AI ຕ້ອງຄຳນຶງເຖິງການສູນເສຍທີ່ອາດເກີດຂຶ້ນ (ຜ່ານຄຳສັ່ງຢຸດການສູນເສຍ, ການຫຼາກຫຼາຍຫຼັກຊັບ, ແລະອື່ນໆ). ສະຖາບັນຕ່າງໆມັກຈະລວມການຄາດຄະເນ AI ເຂົ້າໃນຂອບຄວາມສ່ຽງທີ່ກວ້າງຂວາງເພື່ອຮັບປະກັນວ່າ AI ບໍ່ໄດ້ວາງເດີມພັນກັບການຄາດຄະເນທີ່ອາດຈະຜິດພາດ. ການພິຈາລະນາຕົວຈິງເຫຼົ່ານີ້ໝາຍຄວາມວ່າຂອບທາງທິດສະດີຂອງ AI ຕ້ອງມີຄວາມສຳຄັນເພື່ອໃຫ້ເປັນປະໂຫຍດຫຼັງຈາກການຂັດແຍ້ງໃນໂລກຕົວຈິງ.

ສະຫຼຸບແລ້ວ, AI ມີຄວາມສາມາດທີ່ໜ້າຢ້ານກົວ, ແຕ່ຂໍ້ຈຳກັດເຫຼົ່ານີ້ຮັບປະກັນວ່າ ຕະຫຼາດຫຼັກຊັບຍັງຄົງເປັນລະບົບທີ່ຄາດເດົາໄດ້ບາງສ່ວນ ແລະ ບໍ່ ບາງສ່ວນ. ຮູບແບບ AI ສາມາດປັບອັດຕາຄວາມສ່ຽງໃຫ້ນັກລົງທຶນດີຂຶ້ນໂດຍການວິເຄາະຂໍ້ມູນຢ່າງມີປະສິດທິພາບຫຼາຍຂຶ້ນ ແລະ ອາດຈະເປີດເຜີຍສັນຍານຄາດຄະເນທີ່ລະອຽດອ່ອນ. ຢ່າງໃດກໍຕາມ, ການລວມກັນຂອງການກຳນົດລາຄາທີ່ມີປະສິດທິພາບ, ຂໍ້ມູນທີ່ມີສຽງດັງ, ເຫດການທີ່ບໍ່ຄາດຄິດ, ແລະ ຂໍ້ຈຳກັດທາງປະຕິບັດໝາຍຄວາມວ່າເຖິງແມ່ນວ່າ AI ທີ່ດີທີ່ສຸດບາງຄັ້ງກໍ່ຈະຜິດພາດ - ເຊິ່ງມັກຈະບໍ່ສາມາດຄາດເດົາໄດ້.

ປະສິດທິພາບຂອງຮູບແບບ AI: ຫຼັກຖານບອກຫຍັງແດ່?

ເນື່ອງຈາກທັງຄວາມກ້າວໜ້າ ແລະ ສິ່ງທ້າທາຍທີ່ໄດ້ປຶກສາຫາລືກັນມາ, ພວກເຮົາໄດ້ຮຽນຮູ້ຫຍັງແດ່ຈາກການຄົ້ນຄວ້າ ແລະ ຄວາມພະຍາຍາມໃນໂລກຕົວຈິງໃນການນຳໃຊ້ AI ໃນການຄາດຄະເນຫຸ້ນ? ຜົນໄດ້ຮັບມາຮອດປະຈຸບັນແມ່ນປະສົມປະສານກັນ, ເຊິ່ງເນັ້ນໃຫ້ເຫັນທັງ ຄວາມສຳເລັດທີ່ມີຄວາມຫວັງ ແລະ ຄວາມລົ້ມເຫຼວທີ່ໜ້າເສົ້າໃຈ :

• ຕົວຢ່າງຂອງໂອກາດທີ່ AI ຈະມີປະສິດທິພາບດີກວ່າ: ການສຶກສາຫຼາຍໆຄັ້ງໄດ້ສະແດງໃຫ້ເຫັນວ່າຮູບແບບ AI ສາມາດເອົາຊະນະການຄາດເດົາແບບສຸ່ມພາຍໃຕ້ເງື່ອນໄຂສະເພາະ. ຕົວຢ່າງ, ການສຶກສາໃນປີ 2024 ໄດ້ນຳໃຊ້ເຄືອຂ່າຍປະສາດ LSTM ເພື່ອຄາດຄະເນ ແນວໂນ້ມ ໃນຕະຫຼາດຫຸ້ນຫວຽດນາມ ແລະ ລາຍງານຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນສູງ - ປະມານ 93% ໃນຂໍ້ມູນການທົດສອບ ( ການນຳໃຊ້ອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກເພື່ອຄາດຄະເນແນວໂນ້ມລາຄາຫຸ້ນໃນຕະຫຼາດຫຸ້ນ - ກໍລະນີຂອງຫວຽດນາມ | ມະນຸດສາດ ແລະ ການສື່ສານວິທະຍາສາດສັງຄົມ ). ນີ້ຊີ້ໃຫ້ເຫັນວ່າໃນຕະຫຼາດນັ້ນ (ເສດຖະກິດທີ່ພວມພັດທະນາ), ຮູບແບບດັ່ງກ່າວສາມາດຈັບຮູບແບບທີ່ສອດຄ່ອງກັນໄດ້, ອາດຈະເປັນຍ້ອນວ່າຕະຫຼາດມີຄວາມບໍ່ມີປະສິດທິພາບ ຫຼື ແນວໂນ້ມດ້ານວິຊາການທີ່ເຂັ້ມແຂງທີ່ LSTM ໄດ້ຮຽນຮູ້. ການສຶກສາອີກອັນໜຶ່ງໃນປີ 2024 ໄດ້ມີຂອບເຂດທີ່ກວ້າງຂວາງກວ່າ: ນັກຄົ້ນຄວ້າໄດ້ພະຍາຍາມຄາດຄະເນຜົນຕອບແທນໄລຍະສັ້ນສຳລັບ ຫຸ້ນ S&P 500 ທັງໝົດ (ຕະຫຼາດທີ່ມີປະສິດທິພາບຫຼາຍກວ່າ) ໂດຍໃຊ້ຮູບແບບ ML. ພວກເຂົາໄດ້ວາງມັນໄວ້ເປັນບັນຫາການຈັດປະເພດ - ການຄາດຄະເນວ່າຫຸ້ນຈະມີປະສິດທິພາບດີກວ່າດັດຊະນີ 2% ໃນໄລຍະ 10 ມື້ຂ້າງໜ້າ - ໂດຍໃຊ້ອັລກໍຣິທຶມເຊັ່ນ: Random Forests, SVM, ແລະ LSTM. ຜົນໄດ້ຮັບ: ຮູບແບບ LSTM ມີປະສິດທິພາບດີກ່ວາຮູບແບບ ML ອື່ນໆ ແລະ ເສັ້ນຖານແບບສຸ່ມ , ໂດຍຜົນໄດ້ຮັບມີຄວາມໝາຍທາງສະຖິຕິພຽງພໍທີ່ຈະຊີ້ໃຫ້ເຫັນວ່າມັນບໍ່ແມ່ນພຽງແຕ່ໂຊກ ( ການຄາດຄະເນຜົນຕອບແທນທຽບເທົ່າສຳລັບຫຸ້ນ S&P 500 ໂດຍໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ | ນະວັດຕະກໍາທາງດ້ານການເງິນ | ຂໍ້ຄວາມເຕັມ ). ຜູ້ຂຽນຍັງໄດ້ສະຫຼຸບວ່າໃນການຕັ້ງຄ່າສະເພາະນີ້, ຄວາມເປັນໄປໄດ້ທີ່ສົມມຸດ ຕິຖານການຍ່າງແບບສຸ່ມຖື ຢູ່ແມ່ນ "ນ້ອຍຫຼາຍ," ຊີ້ບອກວ່າຮູບແບບ ML ຂອງພວກເຂົາໄດ້ພົບສັນຍານຄາດຄະເນທີ່ແທ້ຈິງ. ຕົວຢ່າງເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າ AI ສາມາດລະບຸຮູບແບບທີ່ໃຫ້ຄວາມໄດ້ປຽບ (ເຖິງແມ່ນວ່າຈະເປັນຮູບແບບທີ່ພໍປະມານ) ໃນການຄາດຄະເນການເຄື່ອນໄຫວຂອງຫຸ້ນ, ໂດຍສະເພາະເມື່ອທົດສອບໃນຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່.

• ກໍລະນີການນຳໃຊ້ທີ່ໂດດເດັ່ນໃນອຸດສາຫະກຳ: ນອກເໜືອໄປຈາກການສຶກສາທາງວິຊາການ, ມີບົດລາຍງານກ່ຽວກັບກອງທຶນປ້ອງກັນຄວາມສ່ຽງ ແລະ ສະຖາບັນການເງິນທີ່ປະສົບຜົນສຳເລັດໃນການນຳໃຊ້ AI ໃນການດຳເນີນການຊື້ຂາຍຂອງເຂົາເຈົ້າ. ບາງບໍລິສັດການຊື້ຂາຍທີ່ມີຄວາມຖີ່ສູງໃຊ້ AI ເພື່ອຮັບຮູ້ ແລະ ຕອບສະໜອງຕໍ່ຮູບແບບໂຄງສ້າງຈຸລະພາກຂອງຕະຫຼາດໃນເວລາພຽງສ່ວນໜຶ່ງຂອງວິນາທີ. ທະນາຄານຂະໜາດໃຫຍ່ມີຮູບແບບ AI ສຳລັບ ການຈັດສັນຫຼັກຊັບ ແລະ ການຄາດຄະເນຄວາມສ່ຽງ , ເຊິ່ງໃນຂະນະທີ່ບໍ່ແມ່ນກ່ຽວກັບການຄາດຄະເນລາຄາຫຸ້ນດຽວສະເໝີໄປ, ແຕ່ກ່ຽວຂ້ອງກັບການຄາດຄະເນດ້ານຕ່າງໆຂອງຕະຫຼາດ (ເຊັ່ນ: ຄວາມຜັນຜວນ ຫຼື ສະຫະສຳພັນ). ນອກຈາກນີ້ຍັງມີກອງທຶນທີ່ຂັບເຄື່ອນດ້ວຍ AI (ມັກເອີ້ນວ່າ "ກອງທຶນປະລິມານ") ທີ່ໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກເພື່ອຕັດສິນໃຈຊື້ຂາຍ - ບາງກອງທຶນມີປະສິດທິພາບດີກ່ວາຕະຫຼາດໃນບາງໄລຍະເວລາ, ເຖິງແມ່ນວ່າມັນຍາກທີ່ຈະຖືວ່າມັນເປັນຍ້ອນ AI ຢ່າງເຂັ້ມງວດ ເນື່ອງຈາກພວກມັນມັກໃຊ້ການປະສົມປະສານຂອງສະຕິປັນຍາຂອງມະນຸດ ແລະ ເຄື່ອງຈັກ. ການນຳໃຊ້ທີ່ເປັນຮູບປະທຳແມ່ນການນຳໃຊ້ ການວິເຄາະຄວາມຮູ້ສຶກ : ຕົວຢ່າງ, ການສະແກນຂ່າວ ແລະ Twitter ເພື່ອຄາດຄະເນວ່າລາຄາຫຸ້ນຈະເຄື່ອນໄຫວແນວໃດ. ຮູບແບບດັ່ງກ່າວອາດຈະບໍ່ຖືກຕ້ອງ 100%, ແຕ່ພວກມັນສາມາດເຮັດໃຫ້ພໍ່ຄ້າມີການເລີ່ມຕົ້ນທີ່ໜ້າສົນໃຈເລັກນ້ອຍໃນການກຳນົດລາຄາໃນຂ່າວ. ມັນເປັນສິ່ງທີ່ໜ້າສັງເກດວ່າ ບໍລິສັດຕ່າງໆມັກຈະປົກປ້ອງລາຍລະອຽດຂອງຍຸດທະສາດ AI ທີ່ປະສົບຜົນສຳເລັດຢ່າງໃກ້ຊິດຄືກັບຊັບສິນທາງປັນຍາ, ດັ່ງນັ້ນຫຼັກຖານໃນສາທາລະນະມັກຈະຊັກຊ້າ ຫຼື ເປັນພຽງເລື່ອງເລົ່າ.

• ກໍລະນີຂອງການປະຕິບັດທີ່ບໍ່ດີ ແລະ ຄວາມລົ້ມເຫຼວ: ສຳລັບທຸກໆເລື່ອງລາວຄວາມສຳເລັດ, ມີເລື່ອງເຕືອນໄພ. ການສຶກສາທາງວິຊາການຫຼາຍຢ່າງທີ່ອ້າງວ່າມີຄວາມຖືກຕ້ອງສູງໃນຕະຫຼາດ ຫຼື ໄລຍະເວລາໜຶ່ງບໍ່ສາມາດສະຫຼຸບໄດ້. ການທົດລອງທີ່ໂດດເດັ່ນໄດ້ພະຍາຍາມເຮັດຊ້ຳການສຶກສາການຄາດຄະເນຕະຫຼາດຫຸ້ນອິນເດຍທີ່ປະສົບຜົນສຳເລັດ (ເຊິ່ງມີຄວາມຖືກຕ້ອງສູງໂດຍໃຊ້ ML ໃນຕົວຊີ້ວັດດ້ານວິຊາການ) ໃນຫຸ້ນສະຫະລັດ. ການເຮັດຊ້ຳ ບໍ່ພົບພະລັງການຄາດຄະເນທີ່ສຳຄັນ - ໃນຄວາມເປັນຈິງ, ຍຸດທະສາດທີ່ໂງ່ຈ້າຂອງການຄາດຄະເນຫຸ້ນຈະເພີ່ມຂຶ້ນໃນມື້ຕໍ່ມາມີປະສິດທິພາບສູງກວ່າຮູບແບບ ML ທີ່ສັບສົນໃນດ້ານຄວາມຖືກຕ້ອງ. ຜູ້ຂຽນໄດ້ສະຫຼຸບວ່າຜົນໄດ້ຮັບຂອງພວກເຂົາ "ສະໜັບສະໜູນທິດສະດີການຍ່າງແບບສຸ່ມ" , ຊຶ່ງໝາຍຄວາມວ່າການເຄື່ອນໄຫວຂອງຫຸ້ນແມ່ນບໍ່ສາມາດຄາດເດົາໄດ້ ແລະ ຮູບແບບ ML ບໍ່ໄດ້ຊ່ວຍ. ສິ່ງນີ້ເນັ້ນໃຫ້ເຫັນວ່າຜົນໄດ້ຮັບສາມາດແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍຕາມຕະຫຼາດ ແລະ ໄລຍະເວລາ. ເຊັ່ນດຽວກັນ, ການແຂ່ງຂັນ Kaggle ແລະ ການແຂ່ງຂັນຄົ້ນຄວ້າປະລິມານຫຼາຍໆຄັ້ງໄດ້ສະແດງໃຫ້ເຫັນວ່າໃນຂະນະທີ່ຮູບແບບມັກຈະສາມາດປັບຂໍ້ມູນທີ່ຜ່ານມາໄດ້ດີ, ປະສິດທິພາບຂອງພວກເຂົາໃນການຊື້ຂາຍສົດມັກຈະຖອຍຫຼັງໄປສູ່ຄວາມຖືກຕ້ອງ 50% (ສຳລັບການຄາດຄະເນທິດທາງ) ເມື່ອປະເຊີນກັບເງື່ອນໄຂໃໝ່. ຕົວຢ່າງເຊັ່ນການລະລາຍຂອງກອງທຶນປະລິມານໃນປີ 2007 ແລະ ຄວາມຫຍຸ້ງຍາກທີ່ກອງທຶນທີ່ຂັບເຄື່ອນດ້ວຍ AI ປະເຊີນໃນລະຫວ່າງການຊ໊ອກຂອງການລະບາດໃນປີ 2020 ສະແດງໃຫ້ເຫັນວ່າຮູບແບບ AI ສາມາດລົ້ມເຫຼວຢ່າງກະທັນຫັນເມື່ອລະບອບການຕະຫຼາດມີການປ່ຽນແປງ. ອະຄະຕິຂອງຜູ້ລອດຊີວິດ ກໍ່ເປັນປັດໄຈໜຶ່ງໃນການຮັບຮູ້ເຊັ່ນກັນ - ພວກເຮົາໄດ້ຍິນກ່ຽວກັບຄວາມສຳເລັດຂອງ AI ເລື້ອຍໆກວ່າຄວາມລົ້ມເຫຼວ, ແຕ່ຢູ່ເບື້ອງຫຼັງ, ຫຼາຍຮູບແບບ ແລະ ກອງທຶນລົ້ມເຫຼວຢ່າງງຽບໆ ແລະ ປິດຕົວລົງ ເພາະວ່າຍຸດທະສາດຂອງພວກມັນຢຸດເຮັດວຽກ.

• ຄວາມແຕກຕ່າງລະຫວ່າງຕະຫຼາດ: ການສັງເກດທີ່ໜ້າສົນໃຈຈາກການສຶກສາແມ່ນວ່າປະສິດທິພາບຂອງ AI ອາດຈະຂຶ້ນກັບ ຄວາມເຕີບໃຫຍ່ຂອງຕະຫຼາດ ແລະ ປະສິດທິພາບ . ໃນຕະຫຼາດທີ່ມີປະສິດທິພາບໜ້ອຍກວ່າ ຫຼື ຕະຫຼາດທີ່ພວມພັດທະນາ, ອາດຈະມີຮູບແບບທີ່ສາມາດນຳໃຊ້ໄດ້ຫຼາຍກວ່າ (ເນື່ອງຈາກການຄຸ້ມຄອງຂອງນັກວິເຄາະຕ່ຳກວ່າ, ຂໍ້ຈຳກັດດ້ານສະພາບຄ່ອງ, ຫຼື ອະຄະຕິທາງດ້ານພຶດຕິກຳ), ເຊິ່ງຊ່ວຍໃຫ້ຮູບແບບ AI ສາມາດບັນລຸຄວາມຖືກຕ້ອງສູງຂຶ້ນ. ການສຶກສາ LSTM ຂອງຕະຫຼາດຫວຽດນາມທີ່ມີຄວາມແມ່ນຍຳ 93% ອາດເປັນຕົວຢ່າງຂອງສິ່ງນີ້. ໃນທາງກົງກັນຂ້າມ, ໃນຕະຫຼາດທີ່ມີປະສິດທິພາບສູງເຊັ່ນສະຫະລັດ, ຮູບແບບເຫຼົ່ານັ້ນອາດຈະຖືກນຳໄປໃຊ້ໃນທາງທີ່ຜິດຢ່າງໄວວາ. ຜົນໄດ້ຮັບທີ່ປະສົມປະສານລະຫວ່າງກໍລະນີຫວຽດນາມ ແລະ ການສຶກສາການຊ້ຳຊ້ອນຂອງສະຫະລັດຊີ້ບອກເຖິງຄວາມແຕກຕ່າງນີ້. ໃນທົ່ວໂລກ, ນີ້ໝາຍຄວາມວ່າ AI ອາດຈະໃຫ້ຜົນການຄາດເດົາທີ່ດີກວ່າໃນຕະຫຼາດ niche ຫຼື ຊັ້ນສິນຊັບສະເພາະໃດໜຶ່ງ (ຕົວຢ່າງ, ບາງຕະຫຼາດໄດ້ນຳໃຊ້ AI ເພື່ອຄາດຄະເນລາຄາສິນຄ້າ ຫຼື ແນວໂນ້ມເງິນດິຈິຕອນດ້ວຍຄວາມສຳເລັດທີ່ແຕກຕ່າງກັນ). ເມື່ອເວລາຜ່ານໄປ, ຍ້ອນວ່າຕະຫຼາດທັງໝົດເຄື່ອນຍ້າຍໄປສູ່ປະສິດທິພາບທີ່ສູງຂຶ້ນ, ປ່ອງຢ້ຽມສຳລັບການຊະນະການຄາດເດົາທີ່ງ່າຍກໍ່ແຄບລົງ.

• ຄວາມຖືກຕ້ອງ ທຽບກັບ ຄວາມສາມາດໃນການສ້າງກຳໄລ: ມັນຍັງມີຄວາມສຳຄັນຫຼາຍທີ່ຈະແຍກແຍະ ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນ ຈາກ ຄວາມສາມາດໃນການສ້າງກຳໄລຈາກການລົງທຶນ . ແບບຈຳລອງອາດຈະມີຄວາມຖືກຕ້ອງພຽງແຕ່ 60% ໃນການຄາດຄະເນການເຄື່ອນໄຫວຂຶ້ນ ຫຼື ລົງປະຈຳວັນຂອງຫຸ້ນ - ເຊິ່ງຟັງແລ້ວບໍ່ສູງຫຼາຍ - ແຕ່ຖ້າການຄາດຄະເນເຫຼົ່ານັ້ນຖືກນຳໃຊ້ໃນຍຸດທະສາດການຊື້ຂາຍທີ່ສະຫຼາດ, ພວກມັນອາດຈະມີກຳໄລຫຼາຍ. ໃນທາງກົງກັນຂ້າມ, ແບບຈຳລອງອາດຈະມີຄວາມຖືກຕ້ອງ 90% ແຕ່ຖ້າ 10% ຂອງເວລາທີ່ມັນຜິດພາດສອດຄ່ອງກັບການເຄື່ອນໄຫວຂອງຕະຫຼາດຂະໜາດໃຫຍ່ (ແລະດັ່ງນັ້ນຈຶ່ງມີການສູນເສຍຫຼາຍ), ມັນອາດຈະບໍ່ມີກຳໄລ. ຄວາມພະຍາຍາມໃນການຄາດຄະເນຫຸ້ນ AI ຫຼາຍຢ່າງແມ່ນສຸມໃສ່ຄວາມຖືກຕ້ອງຂອງທິດທາງ ຫຼື ການຫຼຸດຜ່ອນຄວາມຜິດພາດ, ແຕ່ນັກລົງທຶນສົນໃຈກ່ຽວກັບຜົນຕອບແທນທີ່ປັບຄວາມສ່ຽງ. ດັ່ງນັ້ນ, ການປະເມີນຜົນມັກຈະປະກອບມີຕົວຊີ້ວັດເຊັ່ນ: ອັດຕາສ່ວນ Sharpe, ການຖອນເງິນ, ແລະຄວາມສອດຄ່ອງຂອງປະສິດທິພາບ, ບໍ່ພຽງແຕ່ອັດຕາການໂຈມຕີດິບ. ບາງແບບຈຳລອງ AI ໄດ້ຖືກລວມເຂົ້າໃນລະບົບການຊື້ຂາຍແບບອັລກໍຣິທຶມທີ່ຈັດການຕຳແໜ່ງ ແລະ ຄວາມສ່ຽງໂດຍອັດຕະໂນມັດ - ປະສິດທິພາບທີ່ແທ້ຈິງຂອງພວກມັນຖືກວັດແທກໃນຜົນຕອບແທນການຊື້ຂາຍສົດແທນທີ່ຈະເປັນສະຖິຕິການຄາດຄະເນແບບດ່ຽວ. ມາຮອດປະຈຸບັນ, “ພໍ່ຄ້າ AI” ທີ່ເປັນເອກະລາດຢ່າງເຕັມທີ່ ເຊິ່ງສາມາດຜະລິດເງິນໄດ້ຢ່າງໜ້າເຊື່ອຖືໃນແຕ່ລະປີນັ້ນ ແມ່ນເປັນນິຍາຍວິທະຍາສາດຫຼາຍກວ່າຄວາມເປັນຈິງ, ແຕ່ແອັບພລິເຄຊັນທີ່ແຄບກວ່າ (ເຊັ່ນ: ຮູບແບບ AI ທີ່ຄາດຄະເນ ຄວາມຜັນຜວນ ເຊິ່ງພໍ່ຄ້າສາມາດໃຊ້ເພື່ອກຳນົດລາຄາຕົວເລືອກ, ແລະອື່ນໆ) ໄດ້ພົບເຫັນບ່ອນຢູ່ໃນຊຸດເຄື່ອງມືທາງການເງິນ.

ໂດຍລວມແລ້ວ, ຫຼັກຖານຊີ້ໃຫ້ເຫັນວ່າ AI ສາມາດຄາດຄະເນຮູບແບບຕະຫຼາດບາງຢ່າງໄດ້ຢ່າງແມ່ນຍຳກວ່າໂອກາດ , ແລະໃນການເຮັດເຊັ່ນນັ້ນສາມາດໃຫ້ຄວາມໄດ້ປຽບໃນການຊື້ຂາຍ. ຢ່າງໃດກໍຕາມ, ຄວາມໄດ້ປຽບນັ້ນມັກຈະນ້ອຍ ແລະ ຕ້ອງການການປະຕິບັດທີ່ຊັບຊ້ອນເພື່ອນຳໃຊ້ປະໂຫຍດ. ເມື່ອມີຄົນຖາມວ່າ, AI ສາມາດຄາດເດົາຕະຫຼາດຫຼັກຊັບໄດ້ບໍ? , ຄຳຕອບທີ່ຊື່ສັດທີ່ສຸດໂດຍອີງໃສ່ຫຼັກຖານໃນປະຈຸບັນແມ່ນ: ບາງຄັ້ງ AI ສາມາດຄາດຄະເນດ້ານຕ່າງໆຂອງຕະຫຼາດຫຼັກຊັບພາຍໃຕ້ເງື່ອນໄຂສະເພາະ, ແຕ່ມັນບໍ່ສາມາດເຮັດແບບນັ້ນໄດ້ຢ່າງສະໝໍ່າສະເໝີສຳລັບຫຸ້ນທັງໝົດຕະຫຼອດເວລາ . ຄວາມສຳເລັດມັກຈະເປັນບາງສ່ວນ ແລະ ຂຶ້ນກັບສະພາບການ.

ສະຫຼຸບ: ຄວາມຄາດຫວັງທີ່ເປັນຈິງສຳລັບ AI ໃນການຄາດຄະເນຕະຫຼາດຫຼັກຊັບ

AI ແລະ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ກາຍເປັນເຄື່ອງມືທີ່ມີປະສິດທິພາບດ້ານການເງິນຢ່າງບໍ່ຕ້ອງສົງໃສ. ພວກມັນເກັ່ງໃນການປະມວນຜົນຊຸດຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍ, ເປີດເຜີຍຄວາມສຳພັນທີ່ເຊື່ອງໄວ້, ແລະແມ່ນແຕ່ການປັບຍຸດທະສາດໄດ້ທັນທີ. ໃນການຄົ້ນຫາເພື່ອຄາດຄະເນຕະຫຼາດຫຼັກຊັບ, AI ໄດ້ສົ່ງ ທີ່ແນ່ນອນແຕ່ຈຳກັດ . ນັກລົງທຶນ ແລະ ສະຖາບັນຕ່າງໆສາມາດຄາດຫວັງໄດ້ຢ່າງເປັນຈິງວ່າ AI ຈະຊ່ວຍໃນການຕັດສິນໃຈ - ຕົວຢ່າງ, ໂດຍການສ້າງສັນຍານຄາດຄະເນ, ການເພີ່ມປະສິດທິພາບຂອງຫຼັກຊັບ, ຫຼື ການຄຸ້ມຄອງຄວາມສ່ຽງ - ແຕ່ບໍ່ແມ່ນເພື່ອເປັນລູກແກ້ວທີ່ຮັບປະກັນຜົນກຳໄລ.

ສິ່ງທີ່ AI
ສາມາດ ເຮັດໄດ້: AI ສາມາດປັບປຸງຂະບວນການວິເຄາະໃນການລົງທຶນ. ມັນສາມາດກວດສອບຂໍ້ມູນຕະຫຼາດ, ຂ່າວ, ແລະບົດລາຍງານທາງການເງິນເປັນເວລາຫຼາຍປີພາຍໃນວິນາທີ, ກວດພົບຮູບແບບທີ່ລະອຽດອ່ອນ ຫຼື ຄວາມຜິດປົກກະຕິທີ່ມະນຸດອາດຈະມອງຂ້າມ ( ການໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບການຄາດຄະເນຕະຫຼາດຫຼັກຊັບ... | FMP ). ມັນສາມາດລວມຕົວແປຫຼາຍຮ້ອຍຕົວ (ດ້ານເຕັກນິກ, ພື້ນຖານ, ຄວາມຮູ້ສຶກ, ແລະອື່ນໆ) ເຂົ້າໃນການຄາດຄະເນທີ່ສອດຄ່ອງກັນ. ໃນການຊື້ຂາຍໄລຍະສັ້ນ, ອັລກໍຣິທຶມ AI ອາດຈະຄາດຄະເນດ້ວຍຄວາມຖືກຕ້ອງທີ່ດີກວ່າແບບສຸ່ມເລັກນ້ອຍວ່າຫຸ້ນໜຶ່ງຈະມີປະສິດທິພາບດີກວ່າຫຸ້ນອື່ນ, ຫຼືວ່າຕະຫຼາດກຳລັງຈະປະສົບກັບການເພີ່ມຂຶ້ນຂອງຄວາມຜັນຜວນ. ຂອບທີ່ເພີ່ມຂຶ້ນເຫຼົ່ານີ້, ເມື່ອຖືກນຳໃຊ້ຢ່າງຖືກຕ້ອງ, ສາມາດແປເປັນຜົນປະໂຫຍດທາງການເງິນທີ່ແທ້ຈິງ. AI ຍັງສາມາດຊ່ວຍໃນ ການຄຸ້ມຄອງຄວາມສ່ຽງ - ການລະບຸຄຳເຕືອນລ່ວງໜ້າຂອງການຫຼຸດລົງ ຫຼື ແຈ້ງໃຫ້ນັກລົງທຶນຮູ້ກ່ຽວກັບລະດັບຄວາມໝັ້ນໃຈຂອງການຄາດຄະເນ. ບົດບາດປະຕິບັດອີກອັນໜຶ່ງຂອງ AI ແມ່ນຢູ່ໃນລະບົບອັດຕະໂນມັດ ຂອງຍຸດທະສາດ : ອັລກໍຣິທຶມສາມາດດຳເນີນການຊື້ຂາຍດ້ວຍຄວາມໄວສູງ ແລະ ຄວາມຖີ່, ຕອບສະໜອງຕໍ່ເຫດການ 24/7, ແລະ ບັງຄັບໃຊ້ລະບຽບວິໄນ (ບໍ່ມີການຊື້ຂາຍທາງດ້ານອາລົມ), ເຊິ່ງສາມາດເປັນປະໂຫຍດໃນຕະຫຼາດທີ່ມີຄວາມຜັນຜວນ.

ສິ່ງທີ່ AI
ບໍ່ສາມາດ ເຮັດໄດ້ (ຍັງ): ເຖິງວ່າຈະມີການໂຄສະນາຊວນເຊື່ອໃນບາງສື່, AI ບໍ່ສາມາດ ຄາດເດົາຕະຫຼາດຫຼັກຊັບໄດ້ຢ່າງສະໝໍ່າສະເໝີ ແລະ ໜ້າເຊື່ອຖື ໃນຄວາມໝາຍໂດຍລວມຂອງການເອົາຊະນະຕະຫຼາດສະເໝີ ຫຼື ການຄາດເດົາຈຸດປ່ຽນທີ່ສຳຄັນ. ຕະຫຼາດໄດ້ຮັບຜົນກະທົບຈາກພຶດຕິກຳຂອງມະນຸດ, ເຫດການແບບສຸ່ມ, ແລະ ວົງຈອນການຕອບສະໜອງທີ່ສັບສົນທີ່ທ້າທາຍຮູບແບບຄົງທີ່ໃດໆ. AI ບໍ່ໄດ້ກຳຈັດຄວາມບໍ່ແນ່ນອນ; ມັນພຽງແຕ່ກ່ຽວຂ້ອງກັບຄວາມເປັນໄປໄດ້ເທົ່ານັ້ນ. AI ອາດຈະຊີ້ບອກເຖິງໂອກາດ 70% ທີ່ຫຸ້ນຈະເພີ່ມຂຶ້ນໃນມື້ອື່ນ - ຊຶ່ງໝາຍຄວາມວ່າໂອກາດ 30% ທີ່ມັນຈະບໍ່ເພີ່ມຂຶ້ນ. ການສູນເສຍການຊື້ຂາຍ ແລະ ການໂທທີ່ບໍ່ດີແມ່ນຫຼີກລ່ຽງບໍ່ໄດ້. AI ບໍ່ສາມາດຄາດເດົາເຫດການໃໝ່ໆແທ້ໆ (ມັກຖືກເອີ້ນວ່າ "ຫງส์ດຳ") ທີ່ຢູ່ນອກຂອບເຂດຂອງຂໍ້ມູນການຝຶກອົບຮົມຂອງມັນ. ຍິ່ງໄປກວ່ານັ້ນ, ຮູບແບບການຄາດຄະເນທີ່ປະສົບຜົນສຳເລັດໃດໆກໍ່ເຊື້ອເຊີນການແຂ່ງຂັນທີ່ສາມາດທຳລາຍຄວາມໄດ້ປຽບຂອງມັນ. ໂດຍຫຍໍ້ແລ້ວ, ບໍ່ມີ AI ໃດທຽບເທົ່າກັບລູກບານແກ້ວ ທີ່ຮັບປະກັນການຄາດເດົາອະນາຄົດຂອງຕະຫຼາດ. ນັກລົງທຶນຄວນລະມັດລະວັງຜູ້ໃດກໍຕາມທີ່ອ້າງວ່າເປັນຢ່າງອື່ນ.

ທັດສະນະທີ່ເປັນກາງ ແລະ ເປັນຈິງ:
ຈາກທັດສະນະທີ່ເປັນກາງ, AI ຖືກເບິ່ງວ່າເປັນການປັບປຸງ, ບໍ່ແມ່ນການທົດແທນ, ການວິເຄາະແບບດັ້ງເດີມ ແລະ ຄວາມເຂົ້າໃຈຂອງມະນຸດ. ໃນທາງປະຕິບັດ, ນັກລົງທຶນສະຖາບັນຫຼາຍຄົນໃຊ້ຮູບແບບ AI ຄຽງຄູ່ກັບການປ້ອນຂໍ້ມູນຈາກນັກວິເຄາະ ແລະ ຜູ້ຈັດການຫຼັກຊັບຂອງມະນຸດ. AI ອາດຈະຄິດໄລ່ຕົວເລກ ແລະ ການຄາດຄະເນຜົນຜະລິດ, ແຕ່ມະນຸດກຳນົດຈຸດປະສົງ, ຕີຄວາມໝາຍຜົນໄດ້ຮັບ, ແລະ ປັບຍຸດທະສາດໃຫ້ເໝາະສົມກັບສະພາບການ (ເຊັ່ນ: ການລົບລ້າງຮູບແບບໃນລະຫວ່າງວິກິດການທີ່ບໍ່ຄາດຄິດ). ນັກລົງທຶນຂາຍຍ່ອຍທີ່ໃຊ້ເຄື່ອງມືທີ່ຂັບເຄື່ອນດ້ວຍ AI ຫຼື ບອທ໌ການຊື້ຂາຍຄວນມີຄວາມລະມັດລະວັງ ແລະ ເຂົ້າໃຈເຫດຜົນ ແລະ ຂໍ້ຈຳກັດຂອງເຄື່ອງມື. ການປະຕິບັດຕາມຄຳແນະນຳຂອງ AI ຢ່າງຕາບອດແມ່ນມີຄວາມສ່ຽງ - ຄົນເຮົາຄວນໃຊ້ມັນເປັນການປ້ອນຂໍ້ມູນໜຶ່ງໃນບັນດາຫຼາຍໆຢ່າງ.

ໃນການກຳນົດຄວາມຄາດຫວັງທີ່ເປັນຈິງ, ຄົນເຮົາອາດຈະສະຫຼຸບໄດ້ວ່າ: AI ສາມາດຄາດເດົາຕະຫຼາດຫຼັກຊັບໄດ້ໃນລະດັບໜຶ່ງ, ແຕ່ບໍ່ແມ່ນດ້ວຍຄວາມແນ່ນອນ ແລະ ບໍ່ແມ່ນໂດຍບໍ່ມີຂໍ້ຜິດພາດ . ມັນສາມາດ ເພີ່ມໂອກາດ ໃນການຕັດສິນໃຈທີ່ຖືກຕ້ອງ ຫຼື ປັບປຸງ ປະສິດທິພາບ ໃນການວິເຄາະຂໍ້ມູນ, ເຊິ່ງໃນຕະຫຼາດທີ່ມີການແຂ່ງຂັນສາມາດເປັນຄວາມແຕກຕ່າງລະຫວ່າງກຳໄລ ແລະ ການສູນເສຍ. ຢ່າງໃດກໍຕາມ, ມັນ ບໍ່ສາມາດຮັບປະກັນ ຄວາມສຳເລັດ ຫຼື ກຳຈັດຄວາມຜັນຜວນ ແລະ ຄວາມສ່ຽງທີ່ມີຢູ່ໃນຕະຫຼາດຫຼັກຊັບ. ດັ່ງທີ່ສິ່ງພິມໜຶ່ງໄດ້ຊີ້ໃຫ້ເຫັນ, ເຖິງແມ່ນວ່າຈະມີອັລກໍຣິທຶມທີ່ມີປະສິດທິພາບ, ຜົນໄດ້ຮັບໃນຕະຫຼາດຫຼັກຊັບສາມາດ "ຄາດເດົາບໍ່ໄດ້ໂດຍທຳມະຊາດ" ເນື່ອງຈາກປັດໃຈທີ່ຢູ່ນອກເໜືອຈາກຂໍ້ມູນທີ່ສ້າງແບບຈຳລອງ ( ການຄາດຄະເນຕະຫຼາດຫຼັກຊັບໂດຍໃຊ້ການຮຽນຮູ້ການເສີມແຮງຢ່າງເລິກເຊິ່ງ ).

ເສັ້ນທາງຂ້າງໜ້າ:
ເມື່ອເບິ່ງໄປຂ້າງໜ້າ, ບົດບາດຂອງ AI ໃນການຄາດຄະເນຕະຫຼາດຫຼັກຊັບອາດຈະເພີ່ມຂຶ້ນ. ການຄົ້ນຄວ້າຢ່າງຕໍ່ເນື່ອງກຳລັງແກ້ໄຂຂໍ້ຈຳກັດບາງຢ່າງ (ຕົວຢ່າງ, ການພັດທະນາຮູບແບບທີ່ພິຈາລະນາເຖິງການປ່ຽນແປງລະບອບການປົກຄອງ, ຫຼືລະບົບປະສົມທີ່ລວມທັງການວິເຄາະທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນ ແລະ ຂັບເຄື່ອນດ້ວຍເຫດການ). ຍັງມີຄວາມສົນໃຈໃນ ຕົວແທນການຮຽນຮູ້ແບບເສີມ ທີ່ປັບຕົວເຂົ້າກັບຂໍ້ມູນຕະຫຼາດໃໝ່ຢ່າງຕໍ່ເນື່ອງໃນເວລາຈິງ, ເຊິ່ງອາດຈະສາມາດຈັດການກັບສະພາບແວດລ້ອມທີ່ປ່ຽນແປງໄດ້ດີກ່ວາຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມແບບຄົງທີ່. ຍິ່ງໄປກວ່ານັ້ນ, ການລວມ AI ເຂົ້າກັບເຕັກນິກຈາກການເງິນທາງດ້ານພຶດຕິກຳ ຫຼື ການວິເຄາະເຄືອຂ່າຍອາດຈະໃຫ້ຮູບແບບທີ່ສົມບູນກວ່າຂອງການເຄື່ອນໄຫວຂອງຕະຫຼາດ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ເຖິງແມ່ນວ່າ AI ໃນອະນາຄົດທີ່ກ້າວໜ້າທີ່ສຸດກໍ່ຈະດຳເນີນງານພາຍໃນຂອບເຂດຂອງຄວາມເປັນໄປໄດ້ ແລະ ຄວາມບໍ່ແນ່ນອນ.

ສະຫຼຸບແລ້ວ, ຄຳຖາມທີ່ວ່າ "AI ສາມາດຄາດເດົາຕະຫຼາດຫຼັກຊັບໄດ້ບໍ?" ບໍ່ມີຄຳຕອບງ່າຍໆວ່າ ແມ່ນ ຫຼື ບໍ່. ຄຳຕອບທີ່ຖືກຕ້ອງທີ່ສຸດແມ່ນ: AI ສາມາດຊ່ວຍຄາດຄະເນຕະຫຼາດຫຼັກຊັບໄດ້, ແຕ່ມັນບໍ່ແມ່ນວ່າບໍ່ມີຂໍ້ຜິດພາດ. ມັນສະເໜີເຄື່ອງມືທີ່ມີປະສິດທິພາບທີ່ເມື່ອນຳໃຊ້ຢ່າງສະຫຼາດ, ສາມາດເສີມຂະຫຍາຍການຄາດຄະເນ ແລະ ຍຸດທະສາດການຊື້ຂາຍ, ແຕ່ມັນບໍ່ໄດ້ລົບລ້າງຄວາມບໍ່ແນ່ນອນພື້ນຖານຂອງຕະຫຼາດ. ນັກລົງທຶນຄວນຮັບເອົາ AI ສຳລັບຈຸດແຂງຂອງມັນ - ການປະມວນຜົນຂໍ້ມູນ ແລະ ການຮັບຮູ້ຮູບແບບ - ໃນຂະນະທີ່ຍັງຮັບຮູ້ເຖິງຈຸດອ່ອນຂອງມັນ. ໃນການເຮັດເຊັ່ນນັ້ນ, ຄົນເຮົາສາມາດນຳໃຊ້ສິ່ງທີ່ດີທີ່ສຸດຂອງທັງສອງໂລກ: ການຕັດສິນຂອງມະນຸດ ແລະ ສະຕິປັນຍາຂອງເຄື່ອງຈັກເຮັດວຽກຮ່ວມກັນ. ຕະຫຼາດຫຼັກຊັບອາດຈະບໍ່ສາມາດຄາດເດົາໄດ້ 100%, ແຕ່ດ້ວຍຄວາມຄາດຫວັງທີ່ເປັນຈິງ ແລະ ການນຳໃຊ້ AI ຢ່າງລະມັດລະວັງ, ຜູ້ເຂົ້າຮ່ວມຕະຫຼາດສາມາດພະຍາຍາມເພື່ອການຕັດສິນໃຈລົງທຶນທີ່ມີຂໍ້ມູນດີຂຶ້ນ ແລະ ມີວິໄນຫຼາຍຂຶ້ນໃນພູມສັນຖານທາງການເງິນທີ່ມີການພັດທະນາຢູ່ສະເໝີ.

ເອກະສານຂາວທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກອັນນີ້:

🔗 ວຽກທີ່ AI ບໍ່ສາມາດທົດແທນໄດ້ - ແລະວຽກໃດທີ່ AI ຈະທົດແທນ?
ຄົ້ນພົບວ່າອາຊີບໃດທີ່ຮອງຮັບອະນາຄົດ ແລະ ອາຊີບໃດທີ່ມີຄວາມສ່ຽງຫຼາຍທີ່ສຸດ ຍ້ອນວ່າ AI ກຳລັງປ່ຽນແປງການຈ້າງງານທົ່ວໂລກ.

🔗 ປັນຍາປະດິດ AI ສາມາດອີງໃສ່ເຮັດຫຍັງໄດ້ແດ່ໂດຍບໍ່ມີການແຊກແຊງຂອງມະນຸດ?
ເຂົ້າໃຈຂອບເຂດໃນປະຈຸບັນ ແລະ ຄວາມສາມາດທີ່ເປັນເອກະລາດຂອງປັນຍາປະດິດ AI ໃນສະຖານະການປະຕິບັດຕົວຈິງ.

🔗 ປັນຍາປະດິດ (AI) ສາມາດນຳໃຊ້ໃນຄວາມປອດໄພທາງໄຊເບີໄດ້ແນວໃດ?
ຮຽນຮູ້ວິທີທີ່ AI ປ້ອງກັນໄພຂົ່ມຂູ່ ແລະ ເສີມຂະຫຍາຍຄວາມຢືດຢຸ່ນທາງໄຊເບີດ້ວຍເຄື່ອງມືທີ່ຄາດເດົາ ແລະ ເປັນເອກະລາດ.