
یکی از جذابترین وعدههای هوش مصنوعی این بود که با دادههای بیشتر و مدلهای قدرتمندتر، بتوانیم رفتار بازارهای مالی را بهتر پیشبینی کنیم. در نگاه اول هم منطقی به نظر میرسد: اگر قیمت داراییها حاصل مجموعه بزرگی از اطلاعات اقتصادی، سیاسی و رفتاری باشد، شاید مدلی که بتواند میلیونها داده را همزمان بررسی کند، بتواند الگوهایی را پیدا کند که از چشم انسان پنهان ماندهاند. اما مسئله بازارهای مالی کمی پیچیدهتر از یک مسئله معمول پیشبینی است.
قیمت یک دارایی فقط نتیجه اطلاعات گذشته نیست؛ نتیجه تصمیمگیری تعداد بسیار زیادی بازیگر است که همزمان در حال مشاهده، تحلیل و واکنش به همان اطلاعات هستند. سرمایهگذاران، صندوقها، بانکها، بازارگردانها و سامانههای معاملاتی الگوریتمی دائماً در حال رقابت برای استخراج اطلاعات از بازارند. بنابراین اگر یک الگوی واقعاً سودمند در دادهها وجود داشته باشد، یک سؤال مهم مطرح میشود: اگر امروز این الگو را پیدا کنیم، چه مدت طول میکشد تا دیگران هم آن را پیدا کنند؟
این سؤال تفاوت مهمی میان «پیشبینیپذیری آماری» و «مزیت معاملاتی» ایجاد میکند. ممکن است یک مدل بتواند بازده آینده را بهتر از یک روش ساده پیشبینی کند، اما این موضوع لزوماً به معنای امکان کسب سود پایدار نیست. هزینه معاملات، نقدشوندگی، فاصله قیمت خرید و فروش، لغزش قیمت و واکنش سایر معاملهگران میتوانند بخش بزرگی از این مزیت را از بین ببرند.
پژوهش گو، کلی و شیو در سال ۲۰۲۰ نشان داد که روشهای یادگیری ماشین میتوانند در پیشبینی صرف ریسک سهام عملکرد قابلتوجهی داشته باشند و روابط غیرخطی میان متغیرهای مختلف را بهتر از بسیاری از روشهای خطی استخراج کنند [1]. اما این نتیجه را نباید با توانایی پیشبینی دقیق قیمت فردا اشتباه گرفت. یادگیری ماشین میتواند اطلاعات موجود در دادهها را بهتر استخراج کند، بدون اینکه آینده بازار را به یک مسئله کاملاً قابل پیشبینی تبدیل کند.
شاید جالبترین شواهد در این زمینه از پژوهش مکلین و پونتیف در سال ۲۰۱۶ به دست آمده باشد. آنها ۹۷ متغیر معرفیشده در پژوهشهای مالی را بررسی کردند و نشان دادند که عملکرد بسیاری از الگوهای شناختهشده پس از انتشار عمومی کاهش پیدا میکند. به بیان ساده، وقتی یک رابطه آماری کشف و در اختیار تعداد زیادی از فعالان بازار قرار میگیرد، خودِ استفاده از آن رابطه میتواند باعث کاهش قدرت پیشبینی آن شود [2]. بازار فقط به اطلاعات اقتصادی واکنش نشان نمیدهد؛ به دانشی که درباره خود بازار تولید میکنیم نیز واکنش نشان میدهد.
اینجاست که بازارهای مالی ویژگی عجیبی پیدا میکنند. اگر یک فیزیکدان رابطهای جدید در طبیعت کشف کند، انتشار مقاله او معمولاً باعث تغییر خودِ آن رابطه نمیشود. اما اگر یک الگوی سودآور در بازار کشف شود و هزاران نفر شروع به استفاده از آن کنند، رفتار همین افراد میتواند قیمتها را تغییر دهد و الگو را ضعیف کند. در نتیجه بازار یک سامانه ایستا نیست؛ تا حدی به شناخت ما از خودش واکنش نشان میدهد.
هوش مصنوعی این فرآیند را سریعتر میکند. از یک طرف، میتواند هزاران متغیر را همزمان بررسی کند، روابط غیرخطی را پیدا کند، متن و خبر را تحلیل کند و فرضیههای مختلف را در زمانی بسیار کوتاه آزمایش کند. از طرف دیگر، همین ابزارها در اختیار سایر بازیگران نیز قرار میگیرند. بنابراین هوش مصنوعی میتواند همزمان کشف الگو را آسانتر و عمر اقتصادی آن را کوتاهتر کند.
به همین دلیل شاید سؤال درست درباره هوش مصنوعی این نباشد که «قیمت فردا چیست؟» بلکه این باشد که «چه اطلاعات جدیدی وارد بازار شده و چه مقدار از آن هنوز در قیمت منعکس نشده است؟» در چنین نگاهی، هوش مصنوعی بیشتر از آنکه یک پیشگو باشد، ابزاری برای پردازش سریع اطلاعات، شناسایی ناهماهنگیها، سنجش ریسک و کاهش زمان واکنش است.
این مسئله درباره تحلیل تکنیکال نیز جالب است. پژوهش لو، مامایسکی و وانگ در سال ۲۰۰۰ نشان داد که برخی الگوهای نموداری میتوانند اطلاعات آماری افزودهای درباره بازده داشته باشند [3]. اما وجود اطلاعات آماری به معنای وجود سود آسان نیست. اگر تعداد زیادی از معاملهگران همان الگو را ببینند، رفتار آنها میتواند اثر آن را تغییر دهد. بنابراین سؤال مهمتر از «آیا این الگو کار میکند؟» این است که آیا پس از عمومی شدن آن، هنوز اطلاعاتی باقی مانده که ارزش اقتصادی داشته باشد؟
این موضوع با نظریه معروف گروسمن و استیگلیتز در سال ۱۹۸۰ نیز ارتباط دارد. آنها نشان دادند که یک بازار نمیتواند هم کاملاً کارا باشد و هم هیچ هزینهای برای کسب اطلاعات وجود نداشته باشد. اگر همه اطلاعات بدون هزینه و بلافاصله در قیمتها منعکس شوند، دیگر انگیزهای برای جمعآوری اطلاعات باقی نمیماند [4]. بنابراین مقداری ناکارایی نه یک نقص تصادفی، بلکه بخشی از سازوکار بازار است.
شاید به همین دلیل نباید انتظار داشته باشیم هوش مصنوعی بازارهای مالی را به یک سیستم کاملاً قابل پیشبینی تبدیل کند. احتمالاً اتفاق مهمتر این است که هوش مصنوعی هزینه فهمیدن بازار را کاهش میدهد. ماشینها میتوانند حجم بسیار بزرگی از اطلاعات را بررسی کنند، روابط پیچیده را پیدا کنند، ریسک را سریعتر محاسبه کنند و ناهماهنگیهای کوتاهمدت را شناسایی کنند؛ اما وقتی همه بازیگران به ابزارهای مشابه دسترسی پیدا کنند، رقابت نیز شدیدتر میشود.
در نهایت، شاید مهمترین تغییر هوش مصنوعی در بازارهای مالی این نباشد که ماشینها بالاخره آینده را پیشگویی میکنند. شاید تغییر واقعی این باشد که سرعت کشف اطلاعات و واکنش به آن بهشدت افزایش پیدا میکند. در چنین بازاری، مزیتهای ساده و آشکار سریعتر از بین میروند و اهمیت دادههای بهتر، اطلاعات اختصاصیتر، زیرساخت سریعتر و شناخت عمیقتر از ساختار بازار بیشتر میشود.
بنابراین شاید پرسش اصلی این نباشد که «آیا هوش مصنوعی میتواند بازار را پیشبینی کند؟» بلکه پرسش جالبتر این باشد:
وقتی همه به ابزارهای هوشمند دسترسی دارند، چه چیزی هنوز میتواند اطلاعات جدید ایجاد کند؟