עולם ההשקעות הוא מגוון ומכיל שחקנים מסוגים שונים במשחק, החל ממשקיעים בודדים ועד קרנות פנסיה ומשקיעים מוסדיים אחרים. מה שמאחד אותם, בין היתר, הוא התיאבון הנראה לעין שיש לטכנולוגיית ה- AI, שמטלטלת לאחרונה את המגזר הפיננסי. סקר שנערך לאחרונה מראה שחלק ניכר מהמשקיעים המוסדיים מכין את עצמו לעידן חדש של השקעות המתבסס על אלגוריתמים. סקרים נוספים מסכמים כי הצרכנים מוכנים לאמץ את טכנולוגית הבינה המלאכותית בשירותים הפיננסיים. אך כשמדובר בהשקעה ספציפית, אלגוריתמים AI שפותחו או נרכשו על ידי בנקי השקעות ושחקנים גדולים אחרים מגיעים לעתים קרובות לדלתות הסגורות, הרחק מעיני הציבור כשמירה על יתרון תחרותי. ישנם עם זאת המבקשים לאזן את האי שוויון הזה, כמו חברת I Know First הישראלית, העוסקת בחיזוי אלגוריתמי מבוסס בינה מלאכותית. לתחום הבינה המלאכותית יש כל כך הרבה מה להציע למשקיעים, וכיום היא זמינה לכולם.

אבל איך בדיוק זה יקרה? איך זה הופכים את מגרש המשחקים פתוח עבור כולם? כדי לגלות זאת, נבחן כיצד חלק מהשחקנים הגדולים ביותר במשחק ההשקעות משתמשים ב- AI כדי לחפש אלפא(תשואה מעל מדד הייחוס) ונשווה זאת עם מה שמוצע ללקוחות הקמעונאיים.

JP MORGAN CHASE :"אם כסף לא גדל על עצים, תגדל עוד יער אקראי"

JPMorgan Chase, אחד מבנקי ההשקעות הגדולים בעולם, משתמש ב- AI בין השאר ליצירת תחזיות על מניות. על פי הדיווחים אלגוריתם היער האקראי (שעליו נרחיב בהמשך) שבו משתמשת החברה מספק תחזיות ברמת דיוק עקבית מעל 67%. הדיוק משתנה לאור טווחי זמן שונים, הדיוק שונה גם לגבי תחזיות חיוביות ושליליות.

כעת, בהתחשב בכך שבינה מלאכותית קשורה אולי באופן נרחב יותר לרשתות עצביות, זהי יהיה רעיון טוב לקחת צעד אחורה ולהסביר מה זה בעצם "יער אקראי". כדי להבין זאת, נצטרך להתחיל עם מודל פשוט יותר המרכיב את היער האקראי והוא – עץ החלטה. לצורך ההסבר, נניח שיש לנו מערך נתונים של ארבעה משתנים: מצב תעסוקה של הלקוח, גיל, הכנסה ורמת ההשכלה שלו. בהתבסס על אלה, אנו רוצים לחזות אם כדאי לתת לאדם ספיציפי הלוואה או לא. כדי להפוך את הדברים לפשוטים יותר, בואו נראה הפיתרון בצורה בינארית – לתת או לא לתת.

Stock Predictions

מה שעושה אלגוריתם עץ ההחלטה הוא שהוא מוצא את המשתנה שעובד כמנבא היעיל ביותר ומהו הערך עבור משתנה זה. נניח שזה מצב התעסוקה, ואדם בעל תעסוקה נתפס ברוב המקרים כאדם שניתן לתת לו הלוואה. לאחר מכן האלגוריתם מוצא את החיזוי הטוב ביותר עבור כל אחת מהתוצאות עם הערך שלהן, וזה אכן מסתכם במערכת שאלות, עם תשובות שעובדות כבסיס לחיזוי. יער אקראי, הוא אוסף גדול של עצי החלטה המשתמשים בנבאים אקראיים ורובם "מצביעים" על אותה תוצאה, והתפוקה הסופית נבחרת על ידי רוב הקולות. במונחים מוחלטים, קל יותר לכוונן רשת עצבית, מכיוון שהיא לא משאירה יותר מדי מקום למפתחים לכוונן את האלגוריתם. הדבר היחיד שאתה יכול לצבוט הוא מספר העצים, וכלל האצבע כאן הוא יותר, כן ייטב. עם רשתות עצביות, בינתיים תקדיש זמן רב יותר לחכות ל- AI להתאמן, והפריסה שלהם תעלה לך יותר, מכיוון שהפונקציות מורכבות יותר מיערות אקראיים.

כשחוזרים לתחזיות המניות מבוססות AI שפותחו על ידי JPMorgan Chase, קל לראות כיצד AI ניבא עם רמת דיוק גבוהה והתועלת שלה למשקיעים. אם תיק העבודות שלכם מגוון מספיק, סביר להניח שתפיק תועלת גם אם ה- AI יקבל 51% מהתחזית (אם לא יקרו אירועים יוצאי דופן). אז אין צורך לפרט עד כמה שימושי יכול להיות אחזו דיוק של 89% (תחזיות ל 6 חודשים) – עם כלי כזה בהישג יד, אתה יכול לבצע את ההשקעות שלך בבטחה יחסית, בידיעה שקבלת ההחלטות שלך מבוססת על גישה אמפירית ומונעת על ידי סטטיסטיקה ונתונים.

אולם התפיסה היא שבמונחים מוחלטים, יער אקראי אינו בהכרח המודל הטוב ביותר להתמודדות עם סדרות זמן, או במילים אחרות, עם תהליכים רציפים. אמנם ניתן להשתמש בהם לצורך זה, וקשה באמת להחליט מבלי שראינו את פעולתו הפנימית של האלגוריתם, אך באופן כללי, ניתוח סדרות זמן הוא המקום בו רשתות עצביות (רשתות עצביות חוזרות, ליתר דיוק) משגשגות. הסיבה לכך היא שהן מסוגלות לאתר את התבניות העונתיות וליצור תחזיות על סמך אלו, תוך שימוש גם בתאי הזיכרון לטווח הקצר-ארוך ולהיות מודעות למצבים הקודמים של המערכת. במילים פשוטות יותר, רשת עצבית תעקוב אחר התהליך והתנהלות הנתונים. בעוד שיער אקראי, ברוב המקרים, ינסה לחזות את מצבה העתידי של המערכת בהתבסס על לא יותר מאשר הנתונים על המצב הנוכחי שהזנתם אליו והפעולות הבסיסיות שלימדת אותו לעשות.

Vanguard : בינה מלאכותית היברידית כיועץ

כשענף AI ניער את הסקטור הפיננסי, רבים היו מודאגים מההפרעה שהיא עלולה לגרום, ותהו אם עידן השליטה של בני האדם בעולם השקעות הגיע לסופו. אולם המציאות מציגה מציאות שונה, לדוגמא מקרים כמו Vanguard, שבהם טכנולוגיית AI הולכת יד ביד עם מנהלי השקעות אנושיים.

הכירו את שירות העוזר אישי, יועץ רובוט שבאמת רוצה לוודא שהתיק שלך מותאם ליעדים הפיננסיים שלך ולרמת הסיכון שלך. במקרה הוא מנהל גם כספים בסכום של כ -101 מיליארד דולר, למקרה שתהיתם אם לקוחות התעניינו בשירות. המערכת מנצלת את המיטב משני העולמות בכך שהיא מוודה שיש גם יעוץ מבוסס AI וגם ייעוץ אנושי, העובדים יחד כדי להבטיח את התוצאות האופטימליות ביותר עבור הלקוחות שלהם.

הרעיון הכללי העומד מאחורי פרויקטים מסוג זה הוא לסווג משקיעים לפי קבוצות, המוגדרים על ידי יעדיהם הכספיים, מגבלות הזמן, רמות הסיכון ומשתנים נוספים. לאחר מכן ניתן לספק עצות מותאמות לכל לקוח נתון שהותאם לקטגוריה מסוימת על סמך מה שאנשים אחרים באותה קטגוריה נוטים להשקיע. כאשר AI מתמודדות עם המשימות הללו, קל לראות מדוע התחום הזה יכול להיות משתלם ורווחי למנהלי ההשקעות למיניהם. גישה דומה בחרה חברת Schwab , חברת הייעוץ הרובוטי השנייה בגודלה מבחינת ניהול נכסים. שיטה נוספת המעוררת הערצה, היא השיטה המיושמת בפרויקט AI המכונה Project Bear. כאן, שוב אנו מדברים על סיווג לקוחות, אך הפעם מדובר בשימוש בסטטיסטיקה מתקדמת המתבססת על ניתוח התנהגותי.

בואו נדמיין שהשוק הופך דובי פתאום, והבהלה עולה. מה יהיה האינסטינקט הראשון לחלק גדול מהמשקיעים? לצאת מהפוזיציות כמובן, לקצץ בהפסדים שלהם ולחסוך את מה שניתן לחסוך. השקעה בזהב, או אולי, במט"ח על מנת לגדר. מבחינה סטטיסטית, בהתחשב בעובדה ששוק המניות יעבור ריבאונד במוקדם או במאוחר, הנכסים האלטרנטיביים אינם עשויים להיות מקום מקלט בטוח כפי שניתן היה לדמיין שהם יהיו, ועצם השינוי יכול להדמות לירייה לעצמך ברגל. לא לעשות כלום, או אפילו לבחור נכסים פיננסיים חדשים בזמן שכולם נפטרים מהם במהרה, סטטיסטית כנראה תהיה האפשרות הטובה יותר. Schwab מודעת לכך, וה- AI של החברה עוקב אחר התנהגות לקוחותיה כדי להבין אם הם עשויים ללכת בעקבותיהם למקרה שתתחיל מכירת מכירה גדולה. מי שמסווג ככזה יקבל הודעה שתאמר להם כי ההחזקה בנכסים שלהם עשויה להיות אופציה טובה יותר. מושג פשוט זה, בשילוב עם יישום היי-טק, מספק את אחד מנקודות החוזק העיקריות של ההשקעה מונעת AI: הוא מסייע לבני אדם לשקול מעט את הרגשות, לשמור על קבלת ההחלטות קרת רוח אפילו במצבי לחץ גבוהים

אמנם כל האמור לעיל מרגש ומבטיח, אך הבעיה היא שרוב הדברים מתרחשים מאחורי דלתות הסגורות. מכשירי ה- AI המפותחים על ידי השחקנים הגדולים כנראה בסופו של דבר עשויים שלא יהיו זמינים עבור מרבית השחקנים בשוק, בין אם מדובר במשקיעים מוסדיים אחרים או לקוחות קמעונאיים המבקשים לקבל החלטות בעצמם על סמך תחזיות AI. כאן בדיוק נכנסים לתמונה חברות הייטק פיננסי המבקשות לדמוקרטיזציה של AI לכולם – ובתחום זה, אחת המובילות בתחום היא חברת I Know First. אשר פיתחה אלגוריתם חיזוי מתקדם עם בסיס נתונים שנאגר במשך 15 שנות מסחר. ה- AI מחפש מגמות ודפוסי התנהגות בהסתמך על נתוני עבר ונתונים עדכניים מהשוק. הוא מנבא את דינמיקת המחירים של למעלה מ- 10,500 נכסים, כולל תעודות סל, מניות, צמדי מטבע ושיעורי ריבית. האלגוריתם עובד מסביב לשעון ולומד מההצלחות ומהכישלונות של עצמו, ומגדיר מחדש את המודלים שלו כך שישקפו את מצב השוק הנוכחי. תכונה זו מאפשרת לו להסתגל לסיטואציות חדשות, ולוודא שהוא לא יהיה מופתע לחלוטין מדפוס שמעולם לא נתקל בו לפני כן.

תחזית האלגוריתם על הנכסים מוצגת כמפת חום עם שני אינדיקטורים – אות מגמה ומדד הסתברות. אות המגמה מייצג את הביצועים הכוללים של הנכס אל מול אחרים בתחזית, בעוד שמדד ההסתברות מדגים עד כמה האלגוריתם הצליח לחזות את המניה לפני כן. האחרון מוגדר כמקדם המתאם של פירסון בין תחזיות העבר לתנועות המניות בפועל. כאשר המערכת בוחרת כברירת מחדל את הנכסים הנחזים ביותר, שהלקוחות יכולים להפיק את המרב מהתחזיות. התחזיות מועברות למגוון רחב של טווחי זמן, שנעים בין 3 ל- 365 יום, וכוללות את המניות המומלצות ביותר ומעניקה ללקוח כלי תומך החלטה בעל כוח רב.

תחזיות המניות AI מדגימות שיעור דיוק מרשים: במחקר שנערך לאחרונה נראה כי הוא מדגים דיוק של עד 79% בניבוי הדינמיקה של מדד S&P500. התוצאות עבור כל אופקי הזמן נשארים מעל 50%, כלומר האלגוריתם מסוגל היה לבצע עקביות מרשימה. המגוון הרחב של תחזיות שהוא מספק מאפשר פיזור השקעה וחשיפה לסקטורים ונכסים רבים.