اگر سري به يك شركت مديريت دارايي بزنيد، با طيف وسيعي از فناوري‌هاي پيشرفته مواجه خواهيد شد. قسمتي از اين طيف كاملا متعارف و شناخته‌شده هستند. مديران پرتفوي با اطلاعات دقيق و كامل از خواسته‌هاي سرمايه‌گذاران از جانب آنها براي دارايي‌هاي‌شان تصميم‌گيري مي‌كنند و تمام تلاش خود را مي‌كنند تا سرمايه‌گذاري را در شرايط مطلوب انجام دهند.
اما در شركت‌هاي پيشرفته‌تر ممكن است تمامي اين مراحل از مديريت و تصميم‌گيري گرفته تا سفارش و اجراي سرمايه‌گذاري، به صورت الكترونيكي و توسط هوش مصنوعي انجام شود.
انسان‌هاي باقي‌مانده در اين صنعت تنها مسئوليت نگهداري و مراقبت از سيستم‌هاي كامپيوتري و ماشين‌ها را به عهده دارند تا زماني‌كه بازار دچار ناهماهنگي بود، به تصميم‌گيري‌هاي بهتر كمك كنند.
تجارت خودكار تنها آغاز راه است
اين روش يك تغيير تدريجي است كه در طول سال‌هاي اخير با افزايش تجارت‌هاي خودكار، پيشرفت‌هاي هوش مصنوعي در سرمايه‌گذاري و همچنين يادگيري ماشين بيشتر مورد استفاده قرار گرفته است. به لطف وجود چنين فناوري‌هايي، تصميمات بزرگ تجاري در چند صدم ثانيه و در يك چشم به هم زدن انجام مي‌گيرند!
برخي شركت‌هاي سرمايه‌گذاري سريع‌تر از ديگران با مزاياي روش‌هاي فناوري‌محور آشنا شده و آن را پذيرفته‌اند. با اين حال در سال‌هاي آتي شركت‌هاي بسياري خود را در مسير پيشرفت روش‌هاي سرمايه‌گذاري قرار داده و به اين طيف از فناوري‌ها خواهند پيوست.
متيو هاجسون، مدير اجرايي بخش تجزيه و تحليل داده‌هاي استارتاپ موزك اسمارت ديتا (Mosaic Smart Data) كه پيش از اين كار در حرفه بانكداري مشغول به كار بود، چنين مي‌گويد: «هوش مصنوعي در سرمايه‌گذاري پتانسيلي ايجاد مي‌كند كه به واسطه آن تمامي تسك‌ها و وظايف كم‌ارزش و تكراري خودكارسازي مي‌شود. همچنين سرمايه‌گذاري مبتني بر داده‌ها خواهد بود كه در نهايت منجر به يافتن بهترين گزينه‌هاي ممكن جهت سرمايه‌گذاري خواهد شد.»
البته تجارت خودكار مبحث كاملا جديدي نيست و سال‌هاست كه در ميان بانك‌هاي برتر سرمايه‌گذاري رواج دارد. اين بانك‌ها سرمايه‌گذاري قابل توجهي را نيز صرف ابزارهاي الگوريتميك خود مي‌كنند تا به كمك آنها بتوانند معاملات مختلفي را به صورت خودكار و برمبناي يك سري از معيارهاي تعريف‌شده انجام دهند.
تاجران و سرمايه‌گذاران به اين نتيجه رسيده‌اند كه به جاي تكيه بر تصميمات و واكنش‌هاي پراشتباه انساني، با استفاده از الگوريتم‌هاي هوشمند مي‌توانند در هزينه‌هاي خود صرفه‌جويي كرده و تاثيرات مخرب را در شرايط خاص كاهش دهند.
ديويد مچنر، مدير ارشد اجرايي شركت ارائه‌دهنده الگوريتم‌هاي تجاري پراگما سكيوريتيز (Pragma Securities) اين‌چنين مي‌گويد: «ما همواره مدل‌هاي يادگيري ماشين را در الگوريتم‌هاي اجرايي خود گنجانده‌ايم و استفاده از اين ابزارها در معاملات به معناي حقيقي در مديريت ارتباطات با كارگزاران، ارزيابي ابزارهاي تجاري و همچنين تطبيق آنها با اهداف مديريت پرتفوي تاثير فوق‌العاده موثري داشته است.»
جديدترين ترندهاي هوش مصنوعي در سرمايه‌گذاري
با توجه به پتانسيل بالاي فناوري در ايجاد يك مزيت رقابتي، سرمايه‌گذاران اغلب علاقه دارند تا در حول مفاهيم خاصي حباب‌هاي تبليغاتي ايجاد كنند. پس از گذشت يك دوره طولاني در جست‌وجوي امكانات و احتمالات بلاكچين، اكنون اين هوش مصنوعي است كه بر موضوعات كنفرانس‌ها و بحث‌هاي صنعتي حكمفرمايي مي‌كند.
در اغلب بحث‌ها اين سوال پيش مي‌آيد كه ماشين‌هاي برنامه‌نويسي شده كه هوشمندتر از انسان‌ها عمل كنند، چه تاثيري بر تجارت خواهند داشت؟ همانند اغلب تكنولوژي‌هاي ديگر، هوش مصنوعي به‌سادگي مي‌تواند براي صرفه‌جويي در هزينه‌ها و ايجاد كارايي بيشتر مورد استفاده قرار گرفته و يا با مورد استفاده قرار گرفتن بيش از حد و خصمانه، رقابت را از ميان ببرد.
درحالي كه هوش مصنوعي پتانسيل اين را دارد كه در بازارهاي مالي سريع، جايگزيني براي تصميم‌گيري‌هاي انساني باشد، بايد منتظر ماند و ديد كه موسسات تا چه اندازه‌اي مايل به سپردن كارها به دست ماشين‌ها خواهند بود.
در حال حاضر پتانسيل تصميم‌گيري بر مبناي ماشين در دنياي تجارت و سرمايه‌گذاري كاملا پذيرفته شده است. اما با اين حال، برخي معتقدند كه فعلا بهتر است وظايف مديريتي سرمايه‌گذاري را به انسان‌ها بسپاريم و اين موضوع مي‌تواند مرز آينده ماشين و هوش مصنوعي باشد.
استفان لروي، هم‌بنيانگذار و مدير ارشد درآمدزايي در شركت ارائه‌دهنده الگوريتم‌هاي تجاري كوانت هاوس (QuantHouse) چنين مي‌گويد: «در بخش مديريت دارايي و بودجه، موقعيت مناسبي براي انجام اتوماتيك فرآيند تصميم‌گيري در مورد پرتفوي‌ها به وجود آمده است. با اين حال اين بخش از بازار به مراتب پيچيده‌تر و مبهم‌تر از بورس و بانك‌هاست. به همين علت فرآيند انتقال به سمت تصميم‌گيري ماشين‌محور مدت‌زمان طولاني‌تري نياز دارد.»
چگونه هوش مصنوعي مديريت سرمايه‌گذاري را پيش خواهد برد
به نظر مي‌رسد كه وارد‌كردن هوش مصنوعي در سرمايه‌گذاري و مديريت آن يك پيشرفت و روال طبيعي باشد. خودكارسازي براي اولين بار كار خود را از بورس اوراق بهادار و براي مطابقت دادن خريداران و فروشندگان آغاز كرد و پس از آن با گسترش استراتژي‌هاي تجاري خودكار به نظام بانكداري راه يافت.
با اين حال در حيطه سرمايه‌گذاري كه در آن مديريت دارايي‌هاي بسياري نسبت به بانك‌ها وجود دارد، ممكن است براي وارد شدن خودكارسازي به سمت خريد سال‌ها زمان ببرد.
آقاي مچنر بر اين عقيده است كه «جهان تجارت در حال حاضر خودكارسازي شده، اما استفاده از هوش مصنوعي در سرمايه‌گذاري و براي مديريت آن موضوع بسيار پيچيده‌اي است. بازارها هميشه در حال تغيير هستند. درنتيجه استراتژي‌هايي كه تا ديروز نتيجه‌بخش بودند لزوما پاسخ مناسبي براي مسائل فردا ارائه نمي‌كنند.»
هوش مصنوعي پتانسيل اين را دارد كه در بازارهاي مالي سريع، جايگزيني براي تصميم‌گيري انساني باشد، بايد منتظر ماند و ديد كه موسسات تا چه اندازه‌اي مايل به سپردن كارها به دست ماشين‌ها خواهند بود
فقدان داده‌هاي قابل اعتماد يكي از اصلي‌ترين چالش‌هاي هوش مصنوعي در مواجهه با بازارهاي تجاري براي استفاده از ماشين‌ها جهت تصميم‌گيري‌هاي موثر در زمان واقعي است. همانطور كه آقاي هاجسون مي‌گويد، بدون اين داده‌ها يك الگوريتم همانند ماشين اسپورت بسيار گران‌قيمتي است كه بدون سوخت در يك گاراژ باقي مانده است.
او مي‌گويد: «موثر‌بودن به‌كارگيري هوش مصنوعي به داشتن الگوريتم‌هايي بستگي دارد كه به صورت حرفه‌اي طراحي شده‌اند و به طور مداوم براي كسب نتيجه‌اي بهتر و بهينه‌تر تلاش مي‌كنند.
درصورتي كه شما به يك مجموعه تر و تميز و قابل استفاده از داده‌ها در كنار تعاريف رايج از پيش‌برنده‌هاي كسب‌و‌كارتان نياز داشته باشيد، در يك موقعيت بسيار قدرتمند براي استفاده از اين فناوري قرار داريد.» افزايش پذيرش هوش مصنوعي در نهايت به ايجاد بنگاه‌هاي اختصاصي براي ايجاد پايگاه‌هاي اطلاعاتي و همچنين فرهنگ‌سازي براي پذيرش نوآوري براي پيشرفت و رقابت در بازارهاي مالي مدرن بستگي دارد.
اين موضوع مي‌تواند به‌تدريج و در طي گذر نسل‌ها به خوبي اتفاق بيفتد. درنهايت آقاي لروي چنين نتيجه‌گيري مي‌كند: «در اين حيطه دانش يك مانع بزرگ خواهد بود، چراكه اغلب شركت‌هاي سرمايه‌گذاري مهندسان زيادي را استخدام نمي‌كنند و در نتيجه تجربه محدودي از علم آمار و رياضيات دارند كه هر دو اين موارد جزء موارد كليدي و اساسي براي هوش مصنوعي هستند. به طور كلي، جايگزيني ماشين‌ها با انسان‌ها مدت بسياري طول خواهد كشيد.»