GenAI سرمایه های کمی را با یک معضل ارائه می کند

GenAI سرمایه های کمی را با یک معضل ارائه می کند

تمبر زمان: 7 مارس 2024، 4:24 صبح
GenAI وجوه کمی را با هوش مبهم پلاتوبلاک چین ارائه می کند. جستجوی عمودی Ai.

صندوق های کمی مدت طولانی است که بزرگترین کاربران هوش مصنوعی در دنیای مدیریت دارایی بوده اند. با این حال، ظهور هوش مصنوعی مولد می‌تواند مدیران دارایی‌های سنتی و مبتنی بر اصول را به جای کمیت‌ها ترجیح دهد.

این نگرانی از سوی چندین مدیر صندوق و ارائه دهندگان داده در آسیا است DigFin.

 یکی از مدیران کوانت گفت: «کاربردهای هوش مصنوعی در امور مالی هنوز نادر است. دانشمندان داده آن را در بازار سرمایه به کار نمی برند. اما اگر از این ابزارها برای معامله سهام استفاده شود، چشم انداز را تغییر خواهد داد. برندگان و بازندگان جدیدی وجود خواهند داشت.»

مقدار چیست؟

کوانت ها بر اساس قدرت محاسباتی عظیم و برنامه های نرم افزاری سفارشی شده که استراتژی های سرمایه گذاری را مدل می کنند، سهام خرید و فروش می کنند. افزایش کوانت ها با کاهش چندین دهه نرخ بهره و افزایش سرمایه گذاری های غیرفعال همزمان شد - دو روندی که خرید فعال سهام توسط انسان ها را به یک تجارت کم رقابت تبدیل کرده است.

استفاده از معاملات الگوریتمی یا برنامه ریزی شده سیستماتیک باعث ایجاد صنعت "سرمایه گذاری سیستماتیک" شده است، با شرکت هایی که پلتفرم های مدیران تک استراتژی را دنبال می کنند و یک استراتژی یا "عامل" خاص (مانند نرخ بهره یا نوسانات بازار) را تعقیب می کنند.

چنین سرمایه‌گذارانی علاقه‌ای به سهامدار شدن ندارند، فقط به خرید و فروش سریع سهام برای هدایت استراتژی‌ها علاقه‌مند هستند: بلند/کوتاه، بازار خنثی، آربیتراژ آماری، رویداد محور. با دنیای تجارت با فرکانس بالا همپوشانی وجود دارد، و وجه مشترک آن معاملاتی است که به صورت کاملاً عددی مفهوم‌سازی و هدایت می‌شوند.

قدیم‌تایمرهای هوش مصنوعی

این ایده‌ها جدید نیستند، اما در دسترس بودن قدرت محاسباتی و مجموعه‌های کلان داده‌ها به افزایش کوانت‌ها در دو دهه گذشته دامن زده‌اند. طی ده سال گذشته، کوانت ها اولین پذیرندگان تکنیک های جدید هوش مصنوعی مانند یادگیری ماشینی و استفاده از شبکه های عصبی بوده اند. آنها به مصرف‌کنندگان حریص داده‌های جایگزین، مانند تحلیل احساسات از فیدهای رسانه‌های اجتماعی تبدیل شدند.

بزرگ‌ترین مشکل سرمایه‌گذاران کوانت، «توضیح‌پذیری» است، اصطلاحی جدیدتر برای هوش مصنوعی که به «جعبه سیاه» کوانت‌ها برمی‌گردد. فروپاشی مدیریت سرمایه بلندمدت در سال 1998 مظهر این خطر است، به ویژه از آنجایی که مقادیر معمولاً اهرمی هستند.

اما از آن زمان، فروشگاه‌های کمی مانند سیتادل، DE Shaw، Man AHL، Millennium Management، Renaissance Technologies و Two Sigma به بزرگترین و تأثیرگذارترین شرکت‌های طرف خرید در وال استریت تبدیل شده‌اند. موفقیت آنها باعث شده است تا خانه های سرمایه سنتی مانند BlackRock یا Fidelity استراتژی های کمی خود را راه اندازی کنند.

آنها همچنین در بازارهای غیر ایالات متحده فعالیت می کنند که در آن می توانند نقدینگی، زیرساخت معاملاتی با تاخیر کم و ابزارهای پوشش ریسک (مانند ETF ها یا قراردادهای آتی که شاخص های بازار محلی را ردیابی می کنند) پیدا کنند. ژاپن بزرگترین بازار در آسیا و اقیانوسیه بوده است، اما هند اکنون یک زمین بازی اصلی است. (یک مشکل در آسیا هوس بازرگانی است، همانطور که اخیراً کره جنوبی ممنوعیت فروش کوتاه مدت و مداخله فزاینده دولت در چین را تأیید می کند.)

بنابراین صندوق‌های کوانت تنها شکارچیان تاثیرگذار اوج نیستند، بلکه در خط مقدم پذیرش فناوری‌های دیجیتال جدید نیز هستند.

GenAI را وارد کنید

که پیشرفت های جدید در هوش مصنوعی را به یک پازل برای کوانت ها تبدیل می کند.

این شرکت‌ها البته از مدل‌های زبان بزرگ (LLM) استفاده خواهند کرد که توسط ترانسفورماتورهای از پیش آموزش‌دیده مولد امکان‌پذیر شده است.

جام مقدس برای کوانت ها تبدیل LLM ها به ابزارهای پیش بینی است. یک انسان با دوستان رایانه خود تعامل می کند تا الگوها را در سری های زمانی و سایر مجموعه های داده شناسایی کند. در واقع، کوانت ها قبلاً این کار را انجام می دهند، فقط LLM ها باید فرآیند را بصری تر کنند، داده های غیر متنی را بهتر ادغام کنند و به توسعه دهندگان اجازه دهند مدل ها را بسیار سریع تر بسازند.

فروشگاه‌های Quant همچنین از genAI برای مقاصد معمولی‌تر، مانند یادگیری نحوه نوشتن گزارش‌های نظارتی، تفسیر گزارش‌های درآمد، یا غربال کردن عرشه‌های زمینی استفاده می‌کنند. ورود مشتری و سایر عملکردهای پشتیبان را می توان بیشتر خودکار کرد.

اما هیچ چیز مرموزی در مورد انجام این کارها توسط یک فروشگاه کوانت وجود ندارد، زیرا این همان چیزی است که دیگران از genAI برای آن استفاده خواهند کرد.

همه آن را انجام می دهند

تفاوت در توسعه مدل های سرمایه گذاری پیش بینی و الگوریتم های اجرایی است. این چیزی است که کوانت ها را خاص می کند، اما نشانه های اولیه نشان می دهد که genAI مدیران دارایی های سنتی را قادر می سازد تا این کارها را نیز انجام دهند. همینطور برای مدیران صندوق‌های سرمایه‌گذاری خصوصی – یک کسب‌وکار غیر خودکار که می‌تواند از LLM برای اتخاذ تصمیمات سرمایه‌گذاری سیستمی‌تر و مبتنی بر داده‌ها استفاده کند.

مدیران دارایی همگی با سوالاتی در مورد LLMها و تمایل آنها به ساختن مطالب روبرو خواهند شد. محصولاتی مانند ChatGPT OpenAI جعبه سیاه نهایی هستند. اگرچه سرمایه‌های کمی برای استراتژی‌های الهی به هوش مصنوعی متکی هستند، اما هنوز توسط متخصصان دارای مجوز اداره می‌شوند که پیامدهای یک ایده تجاری را درک می‌کنند. این مورد در مورد ابزار genAI نیست.

مهندسی سریع می تواند با ارائه مقداری از آن شفافیت، با بازجویی از LLM ها برای به دست آوردن حسی از فرآیندهای آنها و عوامل و منابع مورد استفاده برای تصمیم گیری، ارزش بیافزاید. از نظر تئوری ممکن است روزی LLMها شفاف تر و پاسخگوتر از یک انسان باشند.

اگرچه ایده واگذاری سرمایه‌گذاری‌ها به ماشین، سرفصل خوبی را ایجاد می‌کند، کوانت‌ها احتمالاً از LLM به روش‌های خاص‌تری استفاده می‌کنند.

به عنوان مثال، آنها ابزارهایی برای شناسایی هزینه اصطکاکی واقعی یک تجارت می خواهند که شامل مطالعه عمیق ساختارهای خرد بازار است. یک معیار معمولی برای سنجش عملکرد یک معامله‌گر، «کمبود پیاده‌سازی» نامیده می‌شود تا مشخص شود که آنها چقدر به بودجه یک معامله معین نزدیک می‌شوند. چنین الگوهایی در حال حاضر پیچیده‌تر می‌شوند، زیرا شرکت‌ها به دنبال لحظاتی در طول روز هستند که نقدینگی رسیده است یا زمانی که می‌توانند بدون آشکار کردن دست خود معامله کنند.

این در مورد یافتن سیگنال های بازار است که هسته اصلی ماموریت کوانت است. این احتمال وجود دارد که فروشگاه‌های کوانت از genAI برای توسعه راه‌های بهتری برای پیش‌بینی بهترین زمان‌ها و مکان‌ها برای اجرای یک معامله استفاده کنند.

این هنوز هم بسیار مفید است، اما اینطور نیست که کسی کلید ماشین را به ترمیناتور بدهد. همچنین هوش مصنوعی بر بزرگترین موانع موجود در بازارهای آسیایی غلبه نمی‌کند، یعنی فقدان ابزارهای پوشش ریسک و به دنبال آن هزینه‌های بالای پوشش ریسک در صورت در دسترس بودن قرارداد.

مهمتر از آن، این مختص کمیت ها نیست. طرف‌های خرید سنتی بزرگ نیز از این الگوهای اجرایی استفاده می‌کنند، چه در داخل یا توسط یک کارگزار طرف فروش طراحی شده باشند.

سوال وجودی کوانت ها این است که چگونه آنها برتری خود را حفظ می کنند، وقتی ابزارهای genAI می توانند بسیاری از کارهایی را که انجام می دهند به راحتی در اختیار مدیران دارایی های اساسی قرار دهند. فروشگاه‌های کوانت تا حدودی از توجه به این موضوع دوری می‌کنند، زیرا مدل‌های هوش مصنوعی و الگوهای اجرایی خود را سس‌های مخفی می‌دانند. آیا genAI می تواند اینها را به کالا تبدیل کند؟ مهندسی سریع شما چقدر متمایز است؟

همانطور که یک کوانت می گوید، "هوش مصنوعی برای سال ها بخشی از مجموعه ابزار ما بوده است. GenAI از شر موانع خلاص نمی‌شود، اما با کارآمدتر کردن آنها در جمع‌آوری و تجزیه و تحلیل داده‌ها، مزایای بیشتری را برای مدیران فعال اصلی به ارمغان می‌آورد. هنگامی که آن شرکت ها عوامل بازگشت را درک کنند، تبدیل به رقیب ما می شوند.

تمبر زمان:

بیشتر از DigFin