איך הבינה המלאכותית משנה את ניתוח השוק הפיננסי

בינה מלאכותית עברה ממעבדות מחקר אל זרימות העבודה היומיות של אנליסטים מקצועיים, קרנות כמותיות, ומדי יום יותר ויותר אל הכלים הזמינים למשקיעים פרטיים. השינוי הזה אינו מדע בדיוני; מדובר בשינוי מעשי באופן שבו נתוני השוק הפיננסי מעובדים, מסווגים והופכים למידע שניתן לפעול עליו. הבנת מה יכולים ומה לא יכולים לעשות כלים של בינה מלאכותית הופכת לחלק מהשכלה פיננסית בסיסית.

היסטוריה קצרה של שיטות כמותיות בפיננסים

שיטות כמותיות בפיננסים מקדימות את הבינה המלאכותית המודרנית בעשרות שנים. המאמר של הארי מרקוביץ' על בחירת תיק השקעות מ-1952 הציג אופטימיזציה של ממוצע-שונות. מודל תמחור האופציות של בלאק-שולס, שפורסם ב-1973, יישם משוואות דיפרנציאליות להערכת נגזרים. עד שנות ה-80, אסטרטגיות ארביטראז' סטטיסטי, שהופיעו על ידי חברות כמו Renaissance Technologies, ייצרו תשואות שמביסות את השוק באמצעות שיטות טהורות ושיטתיות. הבינה המלאכותית המודרנית מייצגת המשך של מגמה זו, תוך יישום רשתות עצביות וטכניקות למידת מכונה על מערכי נתונים גדולים בהרבה מאלה שהשיטות הסטטיסטיות הקודמות יכלו להתמודד איתם.

בינה מלאכותית בזיהוי תבניות טכניות

מודלים של למידת מכונה, במיוחד רשתות עצביות קונבולוציוניות שפותחו במקור לזיהוי תמונות, יכולים להיות מאומנים לזהות תבניות גרפים כמו תבניות של ראש וכתפיים, שיאים כפולים, משולשים, דגלים, ואזורי תמיכה והתנגדות. בעוד שאנליסט אנושי עשוי לבדוק עשרה או עשרים גרפים בשעה, מודל מאומן יכול לעבד עשרות אלפי גרפים בדקה ולהקצות ציוני הסתברות לתבניות שזוהו. הפלט אינו ערובה — זו הסתברות כמותית שהאנלוגים ההיסטוריים הובילו לתוצאות ספציפיות בתוך חלונות זמן מוגדרים.

ניתוח רגשות על נתונים לא מובנים

טכניקות עיבוד שפה טבעית סורקות כמויות גדולות של טקסט לא מובנה — הודעות לעיתונות, תמלילים של שיחות רווחים, הגשות רגולטוריות, חוטי חדשות, ופוסטים ברשתות חברתיות — כדי לחלץ אותות של רגשות ונושאים. מודלים מודרניים מבוססי טרנספורמר יכולים לזהות שציטוט כמו תיאור של מנכ"ל על הביקוש כ"יציב" בשיחה רבעונית יש לו קורלציה היסטורית שונה עם ביצועי המניה מאשר ניסוחים חלופיים. קטגוריה זו של קלט נקראת לעיתים נתונים אלטרנטיביים והייתה בשימוש על ידי קרנות כמותיות מאז סוף שנות ה-2010.

אנליטיקה חיזוי וחיזוי

מודלים של בינה מלאכותית יכולים להיות מאומנים על נתוני מחירים היסטוריים, דפוסי נפח, אינדיקטורים מקרו-כלכליים, וקורלציות בין נכסים כדי לייצר תחזיות עם משקל הסתברות. מודלים שנבנים כראוי מפיקים התפלגות של תוצאות סבירות במקום תחזית נקודתית אחת. לדוגמה, מודל עשוי להפיק שבמהלך שלושים ימי מסחר הבאים, לנכס יש הסתברות של 35 אחוז לסיים גבוה יותר ב-5 אחוזים, הסתברות של 40 אחוז לסיים בטווח של 5 אחוזים מהמחיר הנוכחי, והסתברות של 25 אחוז לסיים נמוך יותר ב-5 אחוזים. התפלגויות ההסתברות הללו מכוילות כנגד דיוק היסטורי.

הערכת סיכון ובדיקת לחץ

בינה מלאכותית מצטיינת בחישוב מדדי סיכון מורכבים על פני תיקי השקעות. מנועי סימולציה היסטוריים יכולים לשחזר אירועים כמו קריסת יום שני השחור של 1987, הירידה של הדוט-קום ב-2000, המשבר הכלכלי הגלובלי של 2008, והקריסה של מרץ 2020 מול תיק נוכחי כדי להעריך את הירידה המקסימלית בתנאים דומים. סימולציות מונטה קרלו המשתמשות במיליוני מסלולי תשואה רנדומליים יכולות לבדוק הקצאות מול תרחישים שמעולם לא התרחשו היסטורית. כלים אלה היו סטנדרטיים בדסקי סיכון מוסדיים גדולים במשך שנים רבות והולכים ומתרבים בתוכנות השקעה קמעונאיות.

טעויות נפוצות בשימוש בכלי בינה מלאכותית

• התייחסות לפלטי המודל כאל ודאויות ולא כהסתברויות
• התעלמות מהתקופה שבה המודל אומן, מה שמטה את התוצאות לעבר משטרי השוק הללו
• שימוש במודל בודד בבידוד במקום לשלב מספר גישות
• כישלון לאמן מחדש מודלים ככל שהשוק משתנה
• בלבול בין קורלציה לסיבתיות בדוחות על חשיבות תכונות
• אמון בפלטים לא שקופים מבלי להבין את הלוגיקה הבסיסית
• תגובה יתרה למודל שהצליח היטב במהלך חלון בדיקה קצר

זיהוי אנומליות והתראה

יישום בינה מלאכותית מעשי במיוחד הוא זיהוי אנומליות — זיהוי מתי ההתנהגות הנוכחית בשוק סוטה סטטיסטית מהתבניות שהוקמו. מערכות כאלה יכולות להדגיש נפח לא רגיל במניה ספציפית, זרימת אופציות לא רגילה ביחס לממוצעים היסטוריים, סטיות בין נכסים מקושרים שיצאו מהקשר הרגיל שלהם, או רגשות חדשות שהשתנו בפתאומיות ממקורות מרובים בתוך חלון זמן קצר. התראות אלה אינן מייצרות אותות מסחר; הן מפנות את תשומת הלב האנושית למקרים שעשויים לדרוש סקירה. קרנות גידור ומנהלי נכסים גדולים השתמשו במערכות זיהוי אנומליות במשך לפחות שני עשורים, ויכולות דומות משולבות כיום בפלטפורמות ניתוח רבות המיועדות לקמעונאים. כוחו של זיהוי אנומליות טמון בהיקף: מערכת יכולה לפקח על אלפי מכשירים ועשרות מדדים בו זמנית, ולהתריע רק כאשר סף סטטיסטי מוגדר נחצה.

בדיקות רטרואקטיביות ובעיה של מחוץ לדוגמה

מושג מרכזי בהערכת כל אסטרטגיה מונעת בינה מלאכותית הוא ההבחנה בין ביצועים בתוך הדוגמה (על נתונים ששימשו לאימון המודל) וביצועים מחוץ לדוגמה (על נתונים שהמודל מעולם לא ראה). אסטרטגיה שהניבה תשואות מרשימות בתקופת האימון עשויה להיכשל לחלוטין בשנה הבאה של נתוני אמת, מכיוון שהיא למדה רעש ולא תבניות אמיתיות. מתודולוגיית הערכה קפדנית מחלקת נתונים היסטוריים לסטים של אימון, אימות ובדיקה, כאשר סט הבדיקה נשמר לחלוטין עד להערכה הסופית. ניתוח הליכה קדימה, שבו מודל מאומן מחדש באופן תקופתי ונבדק על התקופה שלאחר מכן, מספק הערכה מציאותית יותר של ביצועים חיים מאשר בדיקה רטרואקטיבית סטטית אחת. משקיעים צריכים להיות ספקנים לגבי כל מערכת שמפורסמת עם תשואות בדיקה רטרואקטיבית בלבד — ללא אימות מחוץ לדוגמה, תשואות אלה עשויות להיות בלתי מהימנות לחלוטין.

דוגמה מהעולם האמיתי

שקול מנהל תיק שמשתמש במודל רגשות מונע בינה מלאכותית כדי לדרג את שיחות הרווחים הרבעוניות של רשימת מעקב של 50 חברות בעלות שווי שוק גדול. המודל מקצה לכל שיחה ציון רגשות בין מינוס 100 לפלוס 100 בהתבסס על תבניות שפה שהיו קשורות היסטורית עם מהלכי מחיר שלאחר מכן. המנהל משלב את הציונים הללו עם יחסיים פונדמנטליים מסורתיים כמו יחס מחיר לרווח, יחס חוב להון, וצמיחת הכנסות, ומשתמש באות המשולב כאחד הקלטים מבין כמה כאשר הוא בודק את העמדות. הכלי של הבינה המלאכותית אינו מקבל החלטות מסחר; הוא מאיץ ומנרמל תהליך סינון שצורך אחרת שבוע שלם של זמן אנליסט. ההחלטה הסופית עדיין תלויה בשיפוט אנושי לגבי אסטרטגיית החברה, מיקום תחרותי, והקשר מקרו-כלכלי.

מגבלות הבינה המלאכותית במסחר

מודלים של בינה מלאכותית טובים רק כמו נתוני האימון שלהם. מודל שאומן באופן בלעדי על תקופת ריבית נמוכה בין 2010 ל-2020 עשוי להיכשל בסביבה של ריביות גבוהות כמו 2022 עד 2023. אירועי ברווז שחור — שהוגדרו על ידי נסים טאלב בספרו מ-2007 באותו שם כאירועים נדירים ובעלי השפעה גבוהה שהמודלים ההיסטוריים אינם צופים — אינם ניתנים לחיזוי על ידי התאמת תבניות לנתונים קודמים. התאמה יתרה היא סיכון מתמשך: מודל יכול להיות מכויל לפעול בצורה מרשימה על נתונים היסטוריים ואז להיכשל לחלוטין בשווקים חיים מכיוון שהוא למד רעש ולא אות. בינה מלאכותית גם אינה יכולה לקחת בחשבון אירועים באמת חסרי תקדים כמו מגפות חדשות, משטרים רגולטוריים חדשים, או זעזועים גיאופוליטיים משמעותיים.

השותפות בין בני אדם לבינה מלאכותית

הגישה היעילה ביותר משלבת את יכולת עיבוד הנתונים של הבינה המלאכותית עם שיפוט אנושי. הבינה המלאכותית מבצעת את העומס הכמותי — סורקת אלפי ניירות ערך, מעבדת מיליוני נקודות נתונים, מזהה תבניות סטטיסטיות. אנליסטים אנושיים מספקים הקשר איכותי: מבינים את אסטרטגיית החברה, מעריכים את אמינות ההנהלה, שופטים את עמידות החסמים התחרותיים, ומסנתזים התפתחויות מקרו-כלכליות שעדיין לא הופיעו בנתונים מספריים. השילוב נוטה להניב ביצועים טובים יותר מאשר כל קלט בנפרד.

שאלות נפוצות

האם בינה מלאכותית מבטיחה תשואות טובות יותר? לא. בינה מלאכותית היא כלי שיכול לשפר את מהירות ועקביות הניתוח. התשואות תלויות כיצד נעשה שימוש בכלי, באיכות האסטרטגיה הבסיסית, ובמשמעת ניהול הסיכון.

האם בינה מלאכותית יכולה להחליף יועץ פיננסי? לא לייעוץ אישי. כלים של בינה מלאכותית יכולים לתמוך בניתוח, אך המלצות ספציפיות לגבי מצב המס של אדם, תכנון עיזבון, והגדרת מטרות עדיין זקוקות ליועץ אנושי מוסמך שמכיר את התמונה המלאה של חיי הלקוח.

כמה נתונים נדרש למודל בינה מלאכותית? זה תלוי בטכניקה. מודלים פשוטים עשויים להיות שימושיים עם כמה מאות תצפיות; מודלים של למידת עומק לרוב דורשים מיליונים. יותר נתונים אינם בהכרח טובים יותר — איכות ורלוונטיות הנתונים חשובות יותר מהנפח.

האם בינה מלאכותית עושה את השווקים ליעילים יותר? כנראה שכן בשווקים נזילים עם שווי שוק גדול, שבהם מוסדות רבים משתמשים בכלים דומים. פינות פחות יעילות של השוק — מניות קטנות, שווקים פרונטיר, אג"ח לא נזילים — עשויות להישאר קשות יותר לדגם.

מסקנה עיקרית

בינה מלאכותית היא כלי עוצמתי שמחזק את הניתוח האנושי ולא מערכת קסמים שמבטיחה רווחים. המשקיעים שיצליחו בעשורים הקרובים הם אלה שלומדים לנצל את כלי הבינה המלאכותית בצורה יעילה תוך שמירה על הבנה פונדמנטלית חזקה ומשמעת ניהול סיכון. מודל הוא רק טוב כמו השאלות שנשאלות ממנו והשיפוט המיושם על פלטיו. מאמר זה הוא למטרות חינוכיות בלבד ואינו מהווה ייעוץ פיננסי.