ปัญญาประดิษฐ์ได้ก้าวจากห้องทดลองวิจัยเข้าสู่กระบวนการทำงานประจำวันของนักวิเคราะห์มืออาชีพ กองทุนเชิงปริมาณ และเพิ่มมากขึ้นในเครื่องมือที่มีให้กับนักลงทุนรายบุคคล การเปลี่ยนแปลงนี้ไม่ใช่เรื่องของนิยายวิทยาศาสตร์ แต่เป็นการเปลี่ยนแปลงที่เป็นรูปธรรมในวิธีการประมวลผลข้อมูลตลาดการเงิน การจัดประเภท และการเปลี่ยนข้อมูลเหล่านั้นให้กลายเป็นข้อมูลที่สามารถนำไปใช้ได้ การเข้าใจว่าเครื่องมือ AI สามารถทำอะไรได้และทำอะไรไม่ได้กำลังกลายเป็นส่วนหนึ่งของความรู้ทางการเงินพื้นฐาน
ประวัติย่อของวิธีการเชิงปริมาณในการเงิน
วิธีการเชิงปริมาณในด้านการเงินมีมาก่อนปัญญาประดิษฐ์สมัยใหม่หลายทศวรรษ เอกสารการเลือกพอร์ตการลงทุนของ Harry Markowitz ในปี 1952 ได้นำเสนอการเพิ่มประสิทธิภาพแบบเฉลี่ย-ความแปรปรวน โมเดลการกำหนดราคาตัวเลือก Black-Scholes ที่เผยแพร่ในปี 1973 ได้ใช้สมการเชิงอนุพันธ์ในการประเมินมูลค่าตราสารอนุพันธ์ จนถึงทศวรรษ 1980 กลยุทธ์การเก็งกำไรเชิงสถิติที่ได้รับความนิยมจากบริษัทต่างๆ เช่น Renaissance Technologies ได้สร้างผลตอบแทนที่ดีกว่าตลาดผ่านวิธีการที่เป็นระบบอย่างแท้จริง ปัญญาประดิษฐ์สมัยใหม่เป็นการต่อยอดจากแนวทางนี้ โดยนำเครือข่ายประสาทและเทคนิคการเรียนรู้ของเครื่องอื่นๆ มาใช้กับชุดข้อมูลที่มีขนาดใหญ่กว่าที่วิธีการเชิงสถิติในอดีตสามารถจัดการได้
AI ในการจดจำรูปแบบทางเทคนิค
โมเดลการเรียนรู้ของเครื่อง โดยเฉพาะเครือข่ายประสาทแบบคอนโวลูชันที่พัฒนาขึ้นในตอนแรกสำหรับการจดจำภาพ สามารถฝึกฝนให้ระบุรูปแบบกราฟ เช่น รูปแบบหัวและไหล่, จุดสูงสองจุด, รูปสามเหลี่ยม, ธง, และโซนการสนับสนุนและต้านทาน ในขณะที่นักวิเคราะห์มนุษย์อาจตรวจสอบกราฟสิบหรือยี่สิบกราฟต่อชั่วโมง โมเดลที่ได้รับการฝึกฝนสามารถประมวลผลกราฟได้หลายหมื่นกราฟต่อนาทีและกำหนดคะแนนความน่าจะเป็นให้กับรูปแบบที่ตรวจพบ ผลลัพธ์ไม่ใช่การรับประกัน แต่เป็นความน่าจะเป็นที่มีการวัดค่าแล้วว่าการเปรียบเทียบในอดีตได้นำไปสู่ผลลัพธ์เฉพาะในช่วงเวลาที่กำหนด
การวิเคราะห์ความรู้สึกจากข้อมูลที่ไม่มีโครงสร้าง
เทคนิคการประมวลผลภาษาธรรมชาติจะสแกนข้อความที่ไม่มีโครงสร้างในปริมาณมาก — ข่าวประชาสัมพันธ์, บันทึกการประชุมผลประกอบการ, เอกสารการกำกับดูแล, ข่าวสาร, และโพสต์ในโซเชียลมีเดีย — เพื่อดึงสัญญาณความรู้สึกและหัวข้อ โมเดลที่ใช้เทคโนโลยีทรานส์ฟอร์เมอร์สมัยใหม่สามารถรับรู้ได้ว่าประโยคที่อ้างถึง เช่น CEO ที่อธิบายความต้องการว่าแข็งแกร่งในการประชุมไตรมาส มีความสัมพันธ์ทางประวัติศาสตร์ที่แตกต่างกับผลการดำเนินงานของหุ้นในภายหลังเมื่อเปรียบเทียบกับการใช้คำอื่นๆ ประเภทของข้อมูลนี้มักถูกเรียกว่า ข้อมูลทางเลือก และถูกใช้โดยกองทุนเชิงปริมาณตั้งแต่ปลายทศวรรษ 2010
การวิเคราะห์เชิงพยากรณ์และการคาดการณ์
โมเดล AI สามารถฝึกฝนจากข้อมูลราคาประวัติศาสตร์ รูปแบบปริมาณ ตัวชี้วัดเศรษฐกิจมหภาค และความสัมพันธ์ข้ามสินทรัพย์เพื่อสร้างการคาดการณ์ที่มีน้ำหนักความน่าจะเป็น โมเดลที่สร้างขึ้นอย่างถูกต้องจะให้การกระจายของผลลัพธ์ที่น่าจะเป็นแทนที่จะเป็นการคาดการณ์เพียงจุดเดียว ตัวอย่างเช่น โมเดลอาจให้ผลลัพธ์ว่าในช่วงสามสิบวันซื้อขายถัดไป สินทรัพย์มีความน่าจะเป็น 35 เปอร์เซ็นต์ที่จะปิดสูงขึ้นมากกว่า 5 เปอร์เซ็นต์, ความน่าจะเป็น 40 เปอร์เซ็นต์ที่จะปิดในช่วง 5 เปอร์เซ็นต์ของราคาปัจจุบัน, และความน่าจะเป็น 25 เปอร์เซ็นต์ที่จะปิดต่ำกว่ามากกว่า 5 เปอร์เซ็นต์ การกระจายความน่าจะเป็นเหล่านี้จะถูกปรับเทียบกับความแม่นยำในอดีต
การประเมินความเสี่ยงและการทดสอบความเครียด
AI มีความสามารถในการคำนวณเมตริกความเสี่ยงที่ซับซ้อนในพอร์ตการลงทุน เครื่องจำลองประวัติศาสตร์สามารถเล่นซ้ำเหตุการณ์ต่างๆ เช่น การล่มสลายของ Black Monday ในปี 1987, การลดลงของดอทคอมในปี 2000, วิกฤตการเงินโลกในปี 2008, และการล่มสลายจากการระบาดในเดือนมีนาคม 2020 เทียบกับพอร์ตการลงทุนปัจจุบันเพื่อประเมินการลดลงสูงสุดภายใต้เงื่อนไขที่คล้ายกัน การจำลองแบบมอนติคาร์โลที่ใช้เส้นทางผลตอบแทนที่สุ่มหลายล้านเส้นทางสามารถทดสอบความเครียดการจัดสรรในสถานการณ์ที่ไม่เคยเกิดขึ้นในประวัติศาสตร์ เครื่องมือเหล่านี้เป็นมาตรฐานที่โต๊ะความเสี่ยงของสถาบันใหญ่ๆ มาหลายปีและกำลังมีให้บริการมากขึ้นในซอฟต์แวร์การลงทุนสำหรับผู้บริโภค
ข้อผิดพลาดทั่วไปเมื่อใช้เครื่องมือ AI
- การมองผลลัพธ์ของโมเดลเป็นความแน่นอนแทนที่จะเป็นความน่าจะเป็น
- การมองข้ามช่วงเวลาที่โมเดลได้รับการฝึกฝน ซึ่งทำให้ผลลัพธ์มีอคติต่อระบอบตลาดเหล่านั้น
- การใช้โมเดลเดียวในลักษณะโดดเดี่ยวแทนที่จะรวมหลายวิธีเข้าด้วยกัน
- การไม่ฝึกฝนโมเดลใหม่เมื่อสภาวะตลาดเปลี่ยนแปลง
- การสับสนระหว่างความสัมพันธ์กับสาเหตุในรายงานความสำคัญของฟีเจอร์
- การไว้วางใจผลลัพธ์ที่ไม่โปร่งใสโดยไม่เข้าใจตรรกะพื้นฐาน
- การตอบสนองเกินจริงต่อโมเดลที่ทำงานได้ดีในช่วงเวลาทดสอบย้อนหลังสั้นๆ
การตรวจจับความผิดปกติและการแจ้งเตือน
การใช้งาน AI ที่มีประโยชน์อย่างหนึ่งคือการตรวจจับความผิดปกติ — การระบุเมื่อพฤติกรรมตลาดปัจจุบันเบี่ยงเบนทางสถิติจากรูปแบบที่กำหนดไว้ ระบบดังกล่าวสามารถระบุปริมาณที่ผิดปกติในหุ้นเฉพาะ, การไหลของตัวเลือกที่ผิดปกติเมื่อเปรียบเทียบกับค่าเฉลี่ยในอดีต, ความแตกต่างระหว่างสินทรัพย์ที่มีความสัมพันธ์ซึ่งได้หลุดจากความสัมพันธ์ที่ปกติ, หรือความรู้สึกข่าวที่เปลี่ยนแปลงอย่างกะทันหันในหลายแหล่งภายในช่วงเวลาสั้นๆ การแจ้งเตือนเหล่านี้ไม่ได้สร้างสัญญาณการซื้อขาย แต่จะชี้ให้เห็นถึงสถานการณ์ที่อาจต้องการการตรวจสอบ กองทุนเฮดจ์และผู้จัดการสินทรัพย์ขนาดใหญ่ได้ใช้ระบบการตรวจจับความผิดปกติมานานกว่า 20 ปี และความสามารถที่คล้ายกันกำลังถูกฝังอยู่ในแพลตฟอร์มการวิเคราะห์ที่มุ่งเน้นผู้บริโภคหลายแห่ง ความแข็งแกร่งของการตรวจจับความผิดปกติอยู่ที่ขนาด: ระบบสามารถตรวจสอบเครื่องมือหลายพันรายการและตัวชี้วัดหลายสิบรายการในเวลาเดียวกัน โดยจะยกธงขึ้นเมื่อมีการข้ามเกณฑ์ทางสถิติที่กำหนดไว้
การทดสอบย้อนหลังและปัญหานอกตัวอย่าง
แนวคิดหลักในการประเมินกลยุทธ์ที่ขับเคลื่อนด้วย AI คือความแตกต่างระหว่างประสิทธิภาพในตัวอย่าง (จากข้อมูลที่ใช้ในการฝึกฝนโมเดล) และประสิทธิภาพนอกตัวอย่าง (จากข้อมูลที่โมเดลไม่เคยเห็น) กลยุทธ์ที่สร้างผลตอบแทนที่น่าทึ่งในช่วงการฝึกฝนอาจล้มเหลวโดยสิ้นเชิงในปีถัดไปของข้อมูลจริง เพราะมันเรียนรู้เสียงรบกวนแทนที่จะเป็นรูปแบบที่แท้จริง วิธีการประเมินอย่างเข้มงวดจะแบ่งข้อมูลประวัติศาสตร์ออกเป็นชุดการฝึกฝน การตรวจสอบ และการทดสอบ โดยชุดการทดสอบจะถูกเก็บไว้จนกว่าจะถึงการประเมินขั้นสุดท้าย การวิเคราะห์แบบเดินไปข้างหน้า ซึ่งโมเดลจะได้รับการฝึกฝนใหม่เป็นระยะและทดสอบในช่วงเวลาถัดไปทันที จะให้การประเมินผลการดำเนินงานที่มีชีวิตชีวามากกว่าการทดสอบย้อนหลังแบบคงที่เพียงครั้งเดียว นักลงทุนควรมีความสงสัยต่อระบบใดๆ ที่ถูกตลาดด้วยผลตอบแทนจากการทดสอบย้อนหลังเพียงอย่างเดียว — หากไม่มีการตรวจสอบนอกตัวอย่าง ผลตอบแทนเหล่านั้นอาจไม่น่าเชื่อถือโดยสิ้นเชิง
ตัวอย่างในโลกจริง
ลองพิจารณาผู้จัดการพอร์ตการลงทุนที่ใช้โมเดลความรู้สึกที่ขับเคลื่อนด้วย AI เพื่อให้คะแนนการประชุมผลประกอบการรายไตรมาสของบริษัทขนาดใหญ่ 50 แห่งในรายชื่อเฝ้าระวัง โมเดลจะมอบคะแนนความรู้สึกให้กับการประชุมแต่ละครั้งตั้งแต่ลบ 100 ถึงบวก 100 ตามรูปแบบภาษาในอดีตที่เกี่ยวข้องกับการเคลื่อนไหวของราคาในภายหลัง ผู้จัดการจะรวมคะแนนเหล่านี้กับอัตราส่วนพื้นฐานแบบดั้งเดิม เช่น อัตราส่วนราคาต่อกำไร, หนี้สินต่อทุน, และการเติบโตของรายได้ และใช้สัญญาณรวมนี้เป็นหนึ่งในหลายๆ ข้อมูลเมื่อพิจารณาตำแหน่ง การใช้เครื่องมือ AI ไม่ได้ทำการตัดสินใจการซื้อขาย แต่จะเร่งและทำให้กระบวนการคัดกรองเป็นมาตรฐานซึ่งจะใช้เวลานักวิเคราะห์ทั้งหมดหนึ่งสัปดาห์ในการทำงาน ตัดสินใจสุดท้ายยังคงขึ้นอยู่กับการตัดสินใจของมนุษย์เกี่ยวกับกลยุทธ์ของบริษัท ตำแหน่งการแข่งขัน และบริบททางเศรษฐกิจมหภาค
ข้อจำกัดของ AI ในการซื้อขาย
โมเดล AI มีประสิทธิภาพเพียงเท่าที่ข้อมูลการฝึกฝนของมันดี โมเดลที่ได้รับการฝึกฝนเฉพาะในช่วงปี 2010 ถึง 2020 ซึ่งมีอัตราดอกเบี้ยต่ำและการผ่อนคลายเชิงปริมาณอาจทำงานได้ไม่ดีในสภาวะที่มีอัตราดอกเบี้ยสูง เช่น ปี 2022 ถึง 2023 เหตุการณ์หงส์ดำ — ที่ Nassim Taleb นิยามในหนังสือปี 2007 ของเขาที่มีชื่อเดียวกันว่าเป็นเหตุการณ์ที่หายากและมีผลกระทบสูงที่โมเดลในอดีตไม่สามารถคาดการณ์ได้ — ไม่สามารถคาดการณ์ได้จากการจับคู่รูปแบบกับข้อมูลในอดีต การปรับแต่งเกินขอบเขตเป็นความเสี่ยงที่เกิดขึ้นตลอดเวลา: โมเดลสามารถปรับแต่งให้ทำงานได้อย่างยอดเยี่ยมกับข้อมูลในอดีตและจากนั้นล้มเหลวโดยสิ้นเชิงในตลาดจริงเพราะมันเรียนรู้เสียงรบกวนแทนที่จะเป็นสัญญาณ AI ยังไม่สามารถคำนึงถึงเหตุการณ์ที่ไม่เคยเกิดขึ้นจริง เช่น การระบาดใหม่, ระเบียบข้อบังคับใหม่, หรือช็อกทางภูมิศาสตร์การเมืองที่สำคัญ
ความร่วมมือระหว่างมนุษย์และ AI
แนวทางที่มีประสิทธิภาพที่สุดคือการรวมความสามารถในการประมวลผลข้อมูลของ AI เข้ากับการตัดสินใจของมนุษย์ AI จะจัดการกับการวิเคราะห์เชิงปริมาณ — สแกนหลักทรัพย์หลายพันรายการ ประมวลผลข้อมูลหลายล้านจุด และระบุรูปแบบทางสถิติ นักวิเคราะห์มนุษย์จะให้บริบทเชิงคุณภาพ: การเข้าใจกลยุทธ์ของบริษัท การประเมินความน่าเชื่อถือของผู้บริหาร การตัดสินใจเกี่ยวกับความยั่งยืนของความได้เปรียบในการแข่งขัน และการสังเคราะห์การพัฒนาเศรษฐกิจมหภาคที่ยังไม่ปรากฏในข้อมูลเชิงตัวเลข การรวมกันนี้มักจะทำให้ได้ผลลัพธ์ที่ดีกว่าการใช้ข้อมูลใดข้อมูลหนึ่งเพียงอย่างเดียว
คำถามที่พบบ่อย
AI รับประกันผลตอบแทนที่ดีกว่าหรือไม่? ไม่ AI เป็นเครื่องมือที่สามารถปรับปรุงความเร็วและความสม่ำเสมอของการวิเคราะห์ ผลตอบแทนขึ้นอยู่กับวิธีการใช้เครื่องมือ คุณภาพของกลยุทธ์พื้นฐาน และวินัยในการจัดการความเสี่ยง
AI สามารถแทนที่ที่ปรึกษาทางการเงินได้หรือไม่? ไม่สำหรับคำแนะนำเฉพาะบุคคล เครื่องมือ AI สามารถสนับสนุนการวิเคราะห์ได้ แต่คำแนะนำเฉพาะเกี่ยวกับสถานการณ์ภาษี การวางแผนมรดก และการตั้งเป้าหมายยังคงได้รับประโยชน์จากที่ปรึกษามนุษย์ที่มีคุณสมบัติซึ่งรู้ภาพรวมทั้งหมดของชีวิตลูกค้า
โมเดล AI ต้องการข้อมูลมากแค่ไหน? ขึ้นอยู่กับเทคนิค โมเดลที่ง่ายอาจมีประโยชน์กับข้อมูลเพียงไม่กี่ร้อยรายการ ในขณะที่โมเดลการเรียนรู้เชิงลึกมักต้องการข้อมูลหลายล้านรายการ ข้อมูลมากขึ้นไม่ได้หมายความว่าดีกว่าโดยอัตโนมัติ — คุณภาพและความเกี่ยวข้องของข้อมูลมีความสำคัญมากกว่าปริมาณ
AI ทำให้ตลาดมีประสิทธิภาพมากขึ้นหรือไม่? น่าจะใช่ในตลาดขนาดใหญ่ที่มีสภาพคล่อง ซึ่งมีสถาบันหลายแห่งใช้เครื่องมือที่คล้ายกัน มุมที่มีประสิทธิภาพน้อยกว่าในตลาด — หุ้นขนาดเล็ก ตลาดชายแดน พันธบัตรที่ไม่มีสภาพคล่อง — อาจยังคงยากต่อการสร้างโมเดล
ข้อสรุปที่สำคัญ
AI เป็นเครื่องมือที่ทรงพลังที่ช่วยเสริมการวิเคราะห์ของมนุษย์ แทนที่จะเป็นระบบเวทมนตร์ที่รับประกันผลกำไร นักลงทุนที่มีแนวโน้มจะประสบความสำเร็จในทศวรรษที่จะถึงนี้คือผู้ที่เรียนรู้ที่จะใช้เครื่องมือ AI อย่างมีประสิทธิภาพในขณะที่ยังคงมีความเข้าใจพื้นฐานที่แข็งแกร่งและวินัยในการจัดการความเสี่ยง โมเดลมีคุณค่าเพียงเท่าที่คำถามที่ถูกถามและการตัดสินใจที่นำไปใช้กับผลลัพธ์ของมัน บทความนี้จัดทำขึ้นเพื่อวัตถุประสงค์ด้านการศึกษาเท่านั้นและไม่ได้เป็นคำแนะนำทางการเงิน