چرا بازار سرمايه نيازمند هوش مصنوعي است؟

ساره محبعلي قائم مقام مديرعامل سبدگردان كوروش براي صداي بورس نوشت: از سال ۱۹۵۶ كه جان مك‌كارتي، مهندس كامپيوتر امريكايي در «كنفرانس دارتموث» براي اولين‌بار از اصطلاح هوش مصنوعي يا همان AI استفاده كرد، حدود ۷۰ سال مي‌گذرد. اولين كاربردهاي تجاري هوش مصنوعي در صنعت مالي در دهه ۱۹۸۰ و با كاربرد سيستم‌هاي خبره در بانكداري و بيمه براي ارزيابي اعتباري و تصميم‌گيري پرداخت وام‌ها صورت پذيرفت. پس از آن در دهه ۱۹۹۰ با ورود يادگيري ماشين، شبكه‌هاي عصبي مصنوعي (ANNs) براي پيش‌بيني قيمت سهام يا نرخ بهره آزموده شدند. در دهه ۲۰۰۰، رشد سريع معاملات الگوريتمي اتفاق افتاد و بانك‌ها و شركت‌هاي مالي شروع به استخدام متخصصان داده و مهندسين نرم‌افزار كردند. به تدريج يادگيري عميق (Deep Learning) به بازار مالي راه يافت و فين‌تك‌هايي كه از AI براي خدماتي نوين مانند ربات مشاور استفاده مي‌كردند، ظهور كردند. در اين دهه اخير رشد مدل‌هاي هوش مصنوعي مولد مانند GPT در تحليل متون مالي، گزارش‌نويسي خودكار و پردازش زبان طبيعي در اخبار و گزارش‌هاي مالي بصورت گسترده مورد توجه قرار گرفته‌اند. برخي از مواردي كه نياز به استفاده از هوش مصنوعي در بازار سرمايه را تبيين مي‌كنند عبارتند از: حجم عظيم داده‌ها (‌Big Data)، در بازارهاي سرمايه در لحظه ميليون‌ها معامله صورت مي‌گيرد، گزارش‌هاي مالي شركت‌ها، اخبار اقتصادي و سياسي، مطالب مطرح شده درشبكه‌هاي اجتماعي و احساسات درباره بازار، حجم بالايي از داده‌ها را توليد مي‌كنند. هوش مصنوعي با ابزارهايي مانند يادگيري ماشين و پردازش زبان طبيعي قادر است اين داده‌ها را سريع تحليل و الگوهاي پنهان را استخراج كند.

پيچيدگي بازار: تحليل‌هاي سنتي (تحليل تكنيكال و بنيادي) در بسياري موارد نمي‌توانند با پيچيدگي و سرعت در بازار سرمايه سازگار شوند. هوش مصنوعي قادر است روندها و الگوهايي را شناسايي كند كه براي تحليل‌گر انساني نامرئي است. براي مثال در زمان شيوع كرونا در مارس ۲۰۲۰، بازارهاي جهاني سقوط شديدي را تجربه كردند. مدل‌هاي هوش مصنوعي برخي صندوق‌هاي سرمايه‌گذاري، پيش از سقوط بازار كاهش پوزيشن‌ها را آغاز كرده بودند؛ در حالي كه اكثر تحليل‌گران انساني هنوز شوك را درك نكرده بودند.

نياز به تصميم‌گيري سريع و دقيق به دليل نوسان‌‌پذيري بالا در اين بازار. در بسياري مواقع معاملات بايد در كسري از ثانيه انجام شود. اين سطح از سرعت و دقت فقط با استفاده از AI ممكن است.

كاربردهاي اصلي هوش مصنوعي

در بازار سرمايه

پيش‌بيني قيمت دارايي‌ها با استفاده از داده‌هاي تاريخي و يادگيري الگوها. مهم‌ترين و اصلي‌ترين كاربرد هوش مصنوعي در بازار سرمايه، پيش بيني قيمت سهام و ساير اوراق بهادارر قابل معامله در اين بازار مي‌باشد. شناسايي ناهنجاري‌ها در سفارش‌ها، معاملات مشكوك يا دستكاري قيمت با استفاده از الگوريتم‌هاي تشخيص ناهنجاري، براي نمونه در بورس نيويورك، از AI براي كشف سفارش‌گذاري‌هاي غيرطبيعي استفاده مي‌شود. تحليل احساسات بازار (Sentiment Analysis) با استفاده ازNLP. پردازش زبان طبيعي براي تحليل اخبار، توييت‌ها و گزارش‌ها يكي ديگر از كاربردهاي فعلي هوش مصنوعي در بازارهاي سرمايه مي‌باشد.ساخت الگوريتم‌هاي معاملات خودكار . (Algo Trading) الگوريتم‌هاي AI در زمان واقعي داده را دريافت كرده، سيگنال توليد كرده و معامله انجام مي‌دهند. نمونه موفق معاملات الگوريتمي در شركت رنسانس تكنالجيز، كه در سال ۱۹۸۲ توسط جيم سيمونز، يك استاد دانشگاه در رشته رياضيات و با كمك تيمي از رياضيدانان و مهندسين نرم‌افزار تأسيس شده، قابل طرح است. اين شركت توانسته است در طول چند دهه سودآوري بي‌نظيري داشته باشد. معروف‌ترين صندوق سرمايه‌گذاري اين شركت، به‌طور مداوم سودهايي بسيار بالاتر از ميانگين بازار ثبت كرده است.

نمونه‌هاي جهاني استفاده از  هوش مصنوعي در بازار سرمايه

در اين بخش به چند نمونه از كاربرد موفق AI در بازار سرمايه پرداخته‌ام. در ابتدا به بزرگ‌ترين شركت مديريت دارايي در جهان اشاره مي‌كنم:

بلك راك و علاءالدين: اين شركت با بيش از ۹ تريليون دلار دارايي تحت مديريت، به طراحي و توسعه پلتفرم علاءالدين پرداخته است. Aladdin (Asset, Liability, Debt and Derivative Investment Network) هسته فناوري بلك‌راك است. اين پلتفرم به عنوان يك سيستم يكپارچه براي تحليل ريسك، مديريت دارايي و معاملات مالي از الگوريتم‌ها و مدل‌هاي پيشرفته يادگيري ماشين استفاده مي‌كند. بيش از ۱۰۰ نهاد مالي بزرگ (از جمله صندوق‌هاي بازنشستگي، بانك‌ها، بيمه‌ها) در كشورهاي مختلف مشترك علاالدين هستند

پلتفرم رابين‌هود: Robinhood يكي از شناخته‌شده‌ترين اپليكيشن‌هاي معاملات سهام و رمزارز در امريكا است. اين پلتفرم با هدف دموكراتيزه كردن سرمايه‌گذاري براي عموم مردم طراحي و پياده‌سازي شد. كاربران رابين‌هود با هماهنگي از طريق شبكه‌هاي اجتماعي، جنبش‌هايي براي مقابله با نهادهاي بزرگ مالي شكل دادند. اين جنبش‌ها، بحث‌هاي زيادي درباره قدرت جمعي خرده‌سرمايه‌گذاران ايجاد كردند. امكاناتي كه رابين هود براي سرمايه‌گذاران خرد فراهم مي‌آورد عبارتند از: تحليل رفتار كاربران و شخصي‌سازي محتوا و پيشنهادات سرمايه‌گذاري، تشخيص تقلب و ريسك‌هاي امنيتي با استفاده از يادگيري ماشين (الگوهاي مشكوك در رفتار كاربر يا حملات سايبري را شناسايي مي‌كند)، پشتيباني هوشمند (چت‌بات و دستيار مالي) و تحليل بازار و پيش‌بيني روندها.

استاك توييتز: يك شبكه اجتماعي مالي است كه به‌طور خاص براي معامله‌گران، سرمايه‌گذاران و تحليلگران بازار طراحي شده است. اين پلتفرم شبيه به توييتر است، اما تمركز آن صرفاً بر بازارهاي مالي است. اين شبكه اجتماعي از هوش مصنوعي براي بهبود تجربه كاربران و تحليل داده‌هاي مالي در مقياس گسترده استفاده مي‌كند. تحليل احساسات بازار Sentiment Analysis، تشخيص روندها و هشدارهاي خودكار، پيشنهاد محتوا به‌صورت هوشمند و ايجاد واچ ليست پيشنهادي براي كاربران از امكانات ديگر اين شبكه اجتماعي است.

پلتفرم كين: COIN مخفف Contract Intelligenceيكي از نوآوري‌هاي برجسته بانك سرمايه‌گذاري جي پي مورگان در حوزه هوش مصنوعي است كه با هدف خودكارسازي بررسي قراردادهاي حقوقي طراحي شده است. اين پلتفرم منجر به كاهش زمان بررسي قراردادها در اين بانك سرمايه‌گذاري از ۳۶۰، ۰۰۰ ساعت به چند ثانيه شده است. همچنين كاهش خطاهاي انساني با خودكارسازي فرايند تحليل اسناد، صرفه‌جويي در هزينه‌ها با كاهش نياز به نيروي انساني براي وظايف تكراري و افزايش بهره‌وري با آزادسازي منابع انساني براي تمركز بر وظايف استراتژيك‌تر، منجر بهبود عملكرد بخش حقوقي در جي پي مورگان شده است.

استفاده از هوش مصنوعي  در بازار سرمايه ايران

در ايران با صرف نظر كردن از تعداد انگشت‌شماري سامانه ارايه‌دهنده معاملات الگوريتمي به عموم بازيگران بازار سرمايه، شركت‌هاي سبدگردان و كارگزاري در حال توسعه يا بهره‌گيري از سيستم‌هاي مبتني بر AI براي توصيه‌گرها، تحليل‌گرهاي هوشمند يا ربات‌هاي معامله‌گر خود و عمدتاً براي مصارف داخل سازماني هستند و در حوزه تجاري‌سازي بسيار ضعيف عمل كرده‌اند. در واقع اغلب بمنظور ايجاد مزيت رقابتي براي سازمان توسعه‌دهنده و بصورت اختصاصي مورداستفاده قرار گرفته‌اند. البته كه انجام معاملات الگوريتمي و همچنين، ارايه نرم‌افزارهاي مرتبط با آن، مستلزم اخذ مجوز از سازمان بورس و اوراق بهادار است و اين خود يكي از دلايل كاهش سرعت استفاده از پلتفرم‌هاي معاملات الگوريتمي فعلي است. در نهايت با نگاه به مسيري كه استفاد از هوش مصنوعي در دنيا پيموده است، مي‌توان به صراحت عنوان كرد كه حدود ۲۰ سال از كشورهاي پيشرو در حوزه استفاده از هوش مصنوعي در بازار سرمايه عقب هستيم. از جمله ظرفيت‌هايي كه استفاده از هوش مصنوعي در بازار سرمايه ايران را تسهيل خواهد نمود، علاوه بر وجود داده‌هاي غني و مستمر موجود در سامانه‌هايي مانند TSETMC، كدال، فيپيران و در نتيجه فراهم بودن بسترمناسبي براي تغذيه الگوريتم‌هاي AI، تعدد فعالان مالي و وجود صدها سبدگردان، كارگزاري، صندوق سرمايه‌گذاري، شركت تأمين سرمايه و ديگر نهادهاي مالي در اين بازار مي‌باشد. در كنار فرصت‌ها و طرفيت‌هاي مذكور، چالش‌هايي از جمله چالش‌هاي انساني و آموزشي، فقدان نيروي متخصص بين‌رشته‌اي مالي و AI و نبود فرهنگ داده‌محور در نهادهاي مالي نيز وجود دارند. بسياري از مديران و فعالان بازار هنوز به تحليل‌هاي سنتي (احساسي يا شايعه‌محور) بيشتر اعتماد دارند تا به خروجي مدل‌هاي AI. از ديگر چالش‌هاي موجود، موضوعات حقوقي و نظارتي و نبود قوانين شفاف درباره الگوتريدينگ مي‌باشد. در كنار موارد داخلي، از جمله ريسك‌هايي كه استفاده از معاملات الگوريتمي در بازارهاي سرمايه جهاني ايجاد نموده است و هنوز درباره آن بحث‌هاي زيادي مطرح مي‌شود، ريسك‌هاي بازار و سيستمي مي‌باشند. اين ريسك در واقع رفتارهاي همگرا و ايجاد بحران‌هاي ناگهاني در صورتي كه چندين مدل AI از منطق مشابهي استفاده كنند، مي‌باشد. در اين زمينه اين بحث مطرح مي‌شود كه ممكن است در زمان‌هاي خاص همه يك تصميم بگيرند و باعث حركات توده‌وار و سقوط يا جهش شديد بازار شوند. در انتها پيشنهاداتي براي هرچه پر رنگ‌تر نمودن نقش هوش مصنوعي در بازار سرمايه ايران، در سه حوزه كلي تدوين و اجراي مقررات جامع (تنظيم‌گري معاملات الگوريتمي و سامانه‌هاي مبتني برAI توسط سازمان بورس و اوراق بهادار و تعريف مسووليت قانوني براي توسعه‌دهندگان و استفاده‌كنندگان از سيستم‌هاي مذكور)، توسعه زيرساخت‌هاي مربوط به نگهداري و پردازش داده‌ها (ارايه APIهاي رسمي و استاندارد توسط نهادهاي دارنده اطلاعات مربوط به بازار سرمايه) و آموزش و ارتقاء سواد ديجيتال بازار سرمايه (آموزش سرمايه‌گذاران خرد درباره ظرفيت‌ها و محدوديت‌هاي AI و برگزاري دوره‌هاي ميان‌رشته‌اي در دانشگاه‌ها)، مفيد و كاربردي بنظر مي‌رسند.