ابزارهای مبتنی بر هوش مصنوعی، مانند ChatGPT، پتانسیل ایجاد انقلابی در کارایی، اثربخشی و سرعت کاری که انسان ها انجام می دهند را دارند.
و این در بازارهای مالی به همان اندازه که در بخشهایی مانند مراقبتهای بهداشتی، تولید و تقریباً هر جنبه دیگری از زندگی ما صادق است.
من 14 سال است که در مورد بازارهای مالی و معاملات الگوریتمی تحقیق می کنم. در حالی که هوش مصنوعی مزایای زیادی ارائه می دهد، استفاده رو به رشد از این فناوری ها در بازارهای مالی نیز به خطرات بالقوه اشاره می کند. نگاهی به تلاشهای گذشته وال استریت برای سرعت بخشیدن به تجارت با استقبال از رایانهها و هوش مصنوعی، درسهای مهمی در مورد پیامدهای استفاده از آنها برای تصمیمگیری ارائه میدهد.
معاملات برنامه ای دوشنبه سیاه را تقویت می کند
در اوایل دهه 1980، با تقویت پیشرفت در فناوری و نوآوری های مالی مانند مشتقات، سرمایه گذاران نهادی شروع به استفاده از برنامه های رایانه ای برای اجرای معاملات بر اساس قوانین و الگوریتم های از پیش تعریف شده کردند. این به آنها کمک کرد تا معاملات بزرگ را به سرعت و کارآمد انجام دهند.
در آن زمان، این الگوریتمها نسبتاً ساده بودند و عمدتاً برای به اصطلاح آربیتراژ شاخص استفاده میشدند، که شامل تلاش برای سود بردن از اختلاف قیمت یک شاخص سهام – مانند S&P 500 – و سهامی است که از آن تشکیل شده است.
با پیشرفت تکنولوژی و در دسترس قرار گرفتن داده های بیشتر، این نوع تجارت برنامه به طور فزاینده ای پیچیده شد، با الگوریتم هایی که قادر به تجزیه و تحلیل داده های پیچیده بازار و اجرای معاملات بر اساس طیف گسترده ای از عوامل بودند. تعداد این معاملهگران برنامه در آزادراههای تجاری بسیار غیرقانونی – که هر روز بیش از یک تریلیون دلار دارایی در آنها تغییر میکند – به رشد خود ادامه دادند و باعث افزایش شدید نوسانات بازار شد.
در نهایت این منجر به سقوط گسترده بازار سهام در سال 1987 به نام دوشنبه سیاه شد. میانگین صنعتی داوجونز در آن زمان بیشترین کاهش درصدی را در تاریخ خود تجربه کرد و درد در سراسر جهان گسترش یافت.
در پاسخ، مقامات نظارتی تعدادی از اقدامات را برای محدود کردن استفاده از معاملات برنامه اجرا کردند، از جمله قطع کننده های مدار که معاملات را در صورت وجود نوسانات قابل توجه بازار و محدودیت های دیگر متوقف می کنند. اما علیرغم این اقدامات، محبوبیت تجارت برنامه در سالهای پس از سقوط ادامه یافت.
HFT: تجارت برنامه بر روی استروئیدها
15 سال به جلو، به سال 2002، زمانی که بورس نیویورک یک سیستم معاملاتی کاملاً خودکار را معرفی کرد. در نتیجه، معاملهگران برنامه جای خود را به اتوماسیونهای پیچیدهتر با فناوری بسیار پیشرفتهتر دادند: تجارت با فرکانس بالا.
HFT از برنامه های کامپیوتری برای تجزیه و تحلیل داده های بازار و اجرای معاملات با سرعت بسیار بالا استفاده می کند. برخلاف معاملهگران برنامهای که در طول زمان سبدهایی از اوراق بهادار را خرید و فروش میکردند تا از فرصت آربیتراژ استفاده کنند – تفاوت قیمت اوراق بهادار مشابه که میتوان از آن برای سود بهرهبرداری کرد – معاملهگران با فرکانس بالا از رایانههای قدرتمند و شبکههای پرسرعت برای تجزیه و تحلیل دادههای بازار استفاده میکنند. و معاملات را با سرعتی بسیار بالا انجام دهید. معامله گران با فرکانس بالا می توانند معاملات را در حدود یک 64 میلیونم ثانیه انجام دهند، در مقایسه با چند ثانیه ای که معامله گران در دهه 1980 طول می کشد.
این معاملات معمولاً ماهیت بسیار کوتاه مدتی دارند و ممکن است شامل خرید و فروش یک اوراق بهادار چندین بار در عرض چند نانوثانیه باشد. الگوریتمهای هوش مصنوعی مقادیر زیادی از دادهها را در زمان واقعی تجزیه و تحلیل میکنند و الگوها و روندهایی را شناسایی میکنند که بلافاصله برای معاملهگران انسانی آشکار نمیشوند. این به معامله گران کمک می کند تا تصمیمات بهتری بگیرند و معاملات را با سرعتی سریعتر از آنچه که به صورت دستی امکان پذیر است انجام دهند.
یکی دیگر از کاربردهای مهم هوش مصنوعی در HFT، پردازش زبان طبیعی است که شامل تجزیه و تحلیل و تفسیر داده های زبان انسانی مانند مقالات خبری و پست های رسانه های اجتماعی است. با تجزیه و تحلیل این داده ها، معامله گران می توانند بینش ارزشمندی در مورد احساسات بازار به دست آورند و استراتژی های معاملاتی خود را بر این اساس تنظیم کنند.
مزایای تجارت هوش مصنوعی
این معاملهگران مبتنی بر هوش مصنوعی و با فرکانس بالا بسیار متفاوت از مردم عمل میکنند.
مغز انسان کند، نادرست و فراموشکار است. قادر به انجام محاسبات سریع، با دقت بالا و ممیز شناور مورد نیاز برای تجزیه و تحلیل حجم عظیمی از داده ها برای شناسایی سیگنال های تجاری نیست. رایانهها میلیونها بار سریعتر هستند، با حافظهای اساساً خطاناپذیر، توجه کامل و توانایی بیپایان برای تجزیه و تحلیل حجم زیادی از دادهها در چند میلیثانیه.
و بنابراین، درست مانند بسیاری از فناوری ها، HFT مزایای متعددی را برای بازارهای سهام فراهم می کند.
این معامله گران معمولا دارایی ها را با قیمت های بسیار نزدیک به قیمت بازار می خرند و می فروشند، به این معنی که از سرمایه گذاران کارمزد بالایی دریافت نمی کنند. این کمک می کند تا اطمینان حاصل شود که همیشه خریداران و فروشندگان در بازار وجود دارند که به نوبه خود به تثبیت قیمت ها و کاهش احتمال نوسانات ناگهانی قیمت کمک می کند.
معاملات با فرکانس بالا همچنین می تواند با شناسایی سریع و بهره برداری از قیمت گذاری نادرست در بازار، به کاهش تأثیر ناکارآمدی بازار کمک کند. به عنوان مثال، الگوریتمهای HFT میتوانند تشخیص دهند که یک سهم خاص کمارزش یا بیش از ارزشگذاری شده است و معاملات را برای استفاده از این اختلافات انجام دهند. با انجام این کار، این نوع معاملات میتواند به اصلاح ناکارآمدیهای بازار و اطمینان از قیمتگذاری دقیقتر داراییها کمک کند.
جنبه های منفی
اما سرعت و کارایی نیز می تواند باعث آسیب شود.
الگوریتمهای HFT میتوانند آنقدر سریع به رویدادهای خبری و سایر سیگنالهای بازار واکنش نشان دهند که میتوانند باعث افزایش ناگهانی یا افت قیمت داراییها شوند.
علاوه بر این، شرکت های مالی HFT می توانند از سرعت و فناوری خود برای به دست آوردن مزیت ناعادلانه نسبت به سایر معامله گران استفاده کنند و سیگنال های بازار را بیشتر مخدوش کنند. نوسانات ایجاد شده توسط این هیولاهای تجاری بسیار پیچیده با نیروی هوش مصنوعی منجر به سقوط به اصطلاح فلش در می 2010 شد، زمانی که سهام سقوط کرد و سپس در عرض چند دقیقه بهبود یافت – پاک شد و سپس حدود 1 تریلیون دلار ارزش بازار را بازیابی کرد.
از آن زمان، بازارهای بی ثبات به یک امر عادی تبدیل شده اند. در تحقیقات سال 2016، من و دو نفر از نویسندگان متوجه شدیم که نوسانات – معیاری برای افزایش سریع و غیرقابل پیش بینی قیمت ها – پس از معرفی HFT به طور قابل توجهی افزایش یافت.
سرعت و کارایی که معاملهگران با فرکانس بالا دادهها را تجزیه و تحلیل میکنند به این معنی است که حتی یک تغییر کوچک در شرایط بازار میتواند تعداد زیادی از معاملات را تحریک کند و منجر به نوسانات ناگهانی قیمت و افزایش نوسانات شود.
علاوه بر این، تحقیقاتی که با چندین همکار دیگر در سال 2021 منتشر کردم، نشان میدهد که اکثر معاملهگران با فرکانس بالا از الگوریتمهای مشابهی استفاده میکنند که خطر شکست بازار را افزایش میدهد. به این دلیل که با افزایش تعداد این معاملهگران در بازار، شباهت در این الگوریتمها میتواند منجر به تصمیمات تجاری مشابه شود.
این بدان معناست که اگر الگوریتمهایشان سیگنالهای معاملاتی مشابهی را منتشر کند، همه معاملهگران با فرکانس بالا ممکن است در همان سمت بازار معامله کنند. یعنی همه آنها ممکن است در صورت اخبار منفی بفروشند یا در صورت اخبار مثبت خرید کنند. اگر کسی نباشد که طرف دیگر معامله را بگیرد، بازارها می توانند شکست بخورند.
ChatGPT را وارد کنید
این ما را به دنیای جدیدی از الگوریتمهای معاملاتی مبتنی بر ChatGPT و برنامههای مشابه میبرد. آنها می توانند مشکل بسیاری از معامله گران را در یک طرف معامله بگیرند و آن را حتی بدتر کنند.
به طور کلی، انسانها که به حال خود رها شدهاند، تمایل دارند طیف متنوعی از تصمیمها را بگیرند. اما اگر همه تصمیمات خود را از هوش مصنوعی مشابه گرفته باشند، این می تواند تنوع عقاید را محدود کند.
یک موقعیت غیرمالی و شدید را در نظر بگیرید که در آن همه به ChatGPT برای تصمیم گیری در مورد بهترین رایانه برای خرید وابسته هستند. مصرف کنندگان در حال حاضر بسیار مستعد رفتار گله ای هستند که در آن تمایل به خرید محصولات و مدل های مشابه دارند. برای مثال، بررسیها در Yelp، Amazon و غیره، مشتریان را تشویق میکند تا از میان چند گزینه برتر انتخاب کنند.
از آنجایی که تصمیمات گرفته شده توسط ربات چت مولد مبتنی بر هوش مصنوعی مبتنی بر داده های آموزشی گذشته است، در تصمیمات پیشنهادی چت بات شباهت وجود دارد. بسیار محتمل است که ChatGPT مارک و مدل یکسانی را به همه پیشنهاد دهد. این ممکن است گله داری را به سطح کاملاً جدیدی برساند و منجر به کمبود در برخی محصولات و خدمات و همچنین افزایش شدید قیمت شود.
زمانی که هوش مصنوعی تصمیمگیرنده از اطلاعات مغرضانه و نادرست مطلع شود، این مسئله مشکلسازتر میشود. الگوریتمهای هوش مصنوعی میتوانند سوگیریهای موجود را هنگامی که سیستمها بر روی مجموعههای دادهای باطرف، قدیمی یا محدود آموزش داده میشوند، تقویت کنند. و ChatGPT و ابزارهای مشابه به دلیل ایجاد خطاهای واقعی مورد انتقاد قرار گرفته اند.
علاوه بر این، از آنجایی که سقوط بازار نسبتاً نادر است، داده های زیادی در مورد آنها وجود ندارد. از آنجایی که هوش مصنوعی مولد برای یادگیری به آموزش داده وابسته است، عدم آگاهی آنها در مورد آنها می تواند احتمال وقوع آنها را افزایش دهد.
حداقل در حال حاضر، به نظر میرسد که اکثر بانکها به کارمندان خود اجازه نمیدهند از ChatGPT و ابزارهای مشابه استفاده کنند. سیتیگروپ، بانک آمریکا، گلدمن ساکس و چندین وامدهنده دیگر قبلاً استفاده از آنها را در طبقات اتاقهای معاملات ممنوع کردهاند و دلیل آن نگرانیهای مربوط به حفظ حریم خصوصی است.
اما من قویاً معتقدم که بانکها در نهایت از هوش مصنوعی مولد استقبال خواهند کرد، به محض اینکه نگرانیهایی که در مورد آن دارند را برطرف کنند. دستاوردهای بالقوه آنقدر قابل توجه است که نمی توان از آنها گذشت – و خطر عقب ماندن توسط رقبا وجود دارد.
اما خطرات بازارهای مالی، اقتصاد جهانی و همه افراد نیز بسیار زیاد است، بنابراین امیدوارم آنها با دقت قدم بردارند.
این مقاله از The Conversation، یک سایت خبری غیرانتفاعی مستقل که به اشتراک گذاری ایده های کارشناسان دانشگاهی اختصاص دارد، بازنشر شده است. اگر برای شما جالب بود، می توانید در خبرنامه هفتگی ما مشترک شوید.
این نوشته توسط: پاوان جین، دانشگاه ویرجینیای غربی.
بیشتر بخوانید:
پاوان جین برای هیچ شرکت یا سازمانی که از این مقاله منتفع میشود کار نمیکند، مشاوره میکند، سهام ندارد یا از آن کمک مالی دریافت نمیکند و هیچ وابستگی مرتبطی را فراتر از انتصاب دانشگاهی خود فاش نکرده است.