هوش مصنوعی چگونه ترید نفت و انرژی را تغییر می دهد؟ بررسی Darling Analytics، Sparta، Bozy و Artis Works
اگر عبارت «هوش مصنوعی در ترید» را جستجو کنیم، بیشتر نتایج درباره ربات های خرید و فروش سهام یا ارز دیجیتال هستند. اما در بازار کالا، مخصوصا نفت، گاز، فرآورده های نفتی و حمل و نقل دریایی، مسئله بسیار پیچیده تر از تشخیص یک الگوی قیمتی و ارسال سفارش خرید یا فروش است.
یک Commodity Trader (فعال در ترید نفت، انرژی و مواد اولیه) باید هم زمان قیمت های نقدی و آتی، منحنی های زمانی، اختلاف قیمت محصولات، هزینه حمل، وضعیت محموله ها، اخبار سیاسی، داده های بنیادی، موقعیت های باز و میزان ریسک را ببیند. بخش زیادی از این اطلاعات نیز در چند نرم افزار، فایل اکسل، پیام کارگزار و گزارش داخلی پراکنده است. بنابراین ارزش واقعی هوش مصنوعی در این حوزه لزوما «پیش بینی قیمت» نیست؛ ارزش مهم تر آن، کوتاه کردن فاصله میان داده و تصمیم است.
در چند سال اخیر نسل تازه ای از پلتفرم های تخصصی شکل گرفته که می خواهند این فاصله را کمتر کنند. در این نوشته چهار نمونه را بررسی می کنم: Darling Analytics، Sparta، Bozy و Artis Works. این چهار محصول در یک بازار کلی فعالیت می کنند، اما مسئله را از چهار زاویه متفاوت می بینند. به همین دلیل مقایسه آنها بیشتر از آنکه برای انتخاب یک «برنده» باشد، به درک مسیر آینده نرم افزارهای معاملات کالا کمک می کند.
در بازار سهام، یک نماد معمولا قیمت مشخص، صورت های مالی و جریان خبری نسبتا استانداردی دارد. در معاملات فیزیکی کالا، قیمت نهایی ممکن است به کیفیت محصول، محل تحویل، زمان تحویل، هزینه کشتی، ظرفیت بندر، موجودی انبار، نرخ ارز و حتی امکان ترکیب چند محموله وابسته باشد.
برای مثال، بالا رفتن قیمت نفت خام به تنهایی نمی گوید یک معامله مشخص سودآور است یا نه. ممکن است هم زمان هزینه حمل افزایش یافته باشد، اختلاف قیمت دو منطقه تغییر کرده باشد یا حاشیه پالایش یک محصول کاهش پیدا کرده باشد. تصمیم درست از کنار هم قرار دادن این روابط به دست می آید، نه از دیدن یک نمودار منفرد.
مشکل دیگر، پراکندگی ابزارهاست. قیمت در یک ترمینال دیده می شود، منحنی در اکسل ساخته می شود، خبر در یک فید جداگانه می آید، موقعیت ها در سامانه ریسک ثبت می شوند و نظر تریدرها در ایمیل یا پیام رسان می ماند. هر بار انتقال داده از یک محیط به محیط دیگر، احتمال تاخیر، خطای انسانی و اختلاف نسخه را بالا می برد.
پلتفرم های جدید سعی می کنند یکی یا چند مورد از این گلوگاه ها را حل کنند:
· تبدیل پرسش طبیعی به تحلیل، نمودار یا هشدار
· ساخت و به روز رسانی منحنی های قیمتی
· مرتبط کردن خبر با محصول، موقعیت یا ریسک
· ارزیابی هم زمان چند سناریوی بازار
· اشتراک گذاری زنده داده و فرضیات میان اعضای تیم
· ثبت منبع و تاریخچه تغییرات برای کنترل و حسابرسی
نکته مهم این است که «هوشمند بودن» فقط به داشتن یک چت بات وابسته نیست. گاهی یک سیستم همکاری لحظه ای و داده قابل ردگیری، بیشتر از یک پاسخ متنی هوشمند به تصمیم واقعی کمک می کند.
Darling Analytics خود را به عنوان یک لایه هوشمند تخصصی برای بازارهای کالا و حمل و نقل دریایی معرفی می کند. ایده اصلی آن این است که کاربر به جای نوشتن درخواست SQL، جستجو در چند داشبورد یا آماده کردن دستی یک گزارش، سوال خود را با زبان طبیعی مطرح کند و پاسخ را به شکل متن، نمودار یا نمای تحلیلی بگیرد.
تمرکز Darling روی اتصال مدل هوش مصنوعی به داده های واقعی و تخصصی است. این موضوع در بازار کالا اهمیت زیادی دارد، زیرا یک مدل عمومی ممکن است درباره بازار نفت توضیح خوبی بدهد، اما بدون دسترسی به قیمت های معتبر، داده های جریان کالا و منطق تخصصی بازار، پاسخ آن برای تصمیم روزانه کافی نیست.
بخش دیگری از هویت Darling به داده های کشتیرانی و AIS مربوط می شود. ترکیب موقعیت کشتی ها، مسیرها، زمان تقریبی رسیدن، تراکم بنادر و داده های قیمتی می تواند برای تحلیل جریان فیزیکی کالا مفید باشد. در چنین مدلی، هوش مصنوعی نقش یک رابط تحلیلی را دارد که دسترسی به داده های پیچیده را ساده تر و سریع تر می کند.
نقطه قوت این رویکرد، سرعت رسیدن از سوال به تحلیل است. با این حال، کیفیت خروجی همچنان به کیفیت داده، تعریف درست مدل معنایی و امکان بررسی منبع پاسخ بستگی دارد. در محیط حرفه ای، پاسخ جذاب اما غیرقابل ردگیری ارزش محدودی دارد؛ به همین دلیل تاکید Darling بر پاسخ های قابل ردیابی و قابل حسابرسی، بخش مهمی از جایگاه آن است.
Sparta از دل نیازهای تخصصی بازار نفت و فرآورده ها رشد کرده است. ساختار محصول آن نشان می دهد که شرکت فقط یک ابزار هوش مصنوعی یا یک فید داده نمی سازد، بلکه چند لایه مکمل را کنار هم قرار داده است: Curves برای قیمت و منحنی، Knowledge برای خبر و تفسیر بازار، Intelligence برای سیگنال ها و سناریوهای آینده نگر و یک بازار داده برای اتصال منابع تخصصی.
در بخش منحنی ها، قیمت های بازار آتی، سوآپ، بازار فیزیکی و حمل در یک نمای مشترک قرار می گیرند. کاربر می تواند منطق و فرمول خود را اعمال کند، بعضی مقادیر را تغییر دهد و نمای بازار را با تیم به اشتراک بگذارد. در بخش Knowledge، خبرهای منتخب، داده های موسسات ارزیابی قیمت و دیدگاه تحلیلگران در کنار قیمت قرار می گیرند تا کاربر فقط نبیند «چه اتفاقی افتاده»، بلکه زمینه حرکت بازار را نیز درک کند.
بخش Intelligence یک قدم جلوتر می رود و روی سناریوهایی مانند آربیتراژ، هزینه حمل، ترکیب محصولات و حاشیه ها تمرکز دارد. این رویکرد برای ترید فیزیکی مهم است، چون فرصت ترید اغلب در رابطه میان چند قیمت و چند هزینه شکل می گیرد، نه در جهت حرکت یک دارایی منفرد.
مزیت Sparta، عمق تخصصی آن در نفت و اتصال داده به منطق ترید است. در مقابل، همین تخصص می تواند دامنه آن را نسبت به یک پلتفرم عمومی تر محدود کند. برای تیمی که روی نفت خام، فرآورده و حمل کار می کند، این تمرکز مزیت است؛ اما برای سازمانی با دارایی ها و فرایندهای بسیار متنوع، میزان پوشش هر بازار باید جداگانه بررسی شود.
Artis Works مسئله را بیشتر از زاویه گردش کار می بیند. در بسیاری از میزهای ترید، فایل اکسل فقط یک ابزار محاسبه نیست؛ محل ثبت فرضیات، قیمت های کارگزار، منحنی ارزش منصفانه و حافظه عملیاتی تیم است. مشکل از جایی شروع می شود که چند نسخه از یک فایل میان تریدر، کارگزار، تحلیلگر و تیم ریسک جابه جا می شود.
Artis تلاش می کند تجربه انعطاف پذیر صفحه گسترده را با همکاری لحظه ای، کنترل دسترسی و تاریخچه قابل بررسی ترکیب کند. ابزارهایی مانند Dynamic Curve Builder، Live Broker Curves و Snapshots نشان می دهند تمرکز اصلی روی ساخت منحنی، دریافت به روز رسانی، اشتراک داده و حفظ سابقه تغییرات است.
در این مدل، سوال محوری کمتر «هوش مصنوعی چه پیش بینی می کند؟» و بیشتر «چطور همه افراد با یک نسخه معتبر از داده کار کنند؟» است. برای سازمان های بزرگ، این موضوع فقط مسئله راحتی نیست. وقتی قیمت ها و فرضیات به سیستم ریسک و کنترل داخلی متصل می شوند، مشخص بودن منبع داده، زمان تغییر و فرد تغییر دهنده اهمیت حقوقی و عملیاتی پیدا می کند.
Artis را می توان نمونه ای از مدرن کردن زیرساخت انسانی ترید دانست. نقطه قوت آن در همکاری زنده، مالکیت داده و مدیریت منحنی است. اگر اولویت اصلی یک تیم، تحلیل مکالمه ای خبر یا دستیار هوش مصنوعی باشد، ممکن است این پلتفرم به تنهایی تمام نیاز را پوشش ندهد؛ اما برای جایگزین کردن فایل های پراکنده و ایجاد یک منبع مشترک، رویکرد آن قابل توجه است.
Bozy رویکردی ترکیبی دارد و می خواهد چند بخش از گردش کار یک Commodity Trader را در یک محیط به هم متصل کند: داده بازار، منحنی های آتی، نمودارهای تخصصی کالا، موقعیت ها، سود و زیان، ریسک، اخبار و همکاری تیمی.
در معرفی عمومی محصول، Curve Workspace شبیه یک محیط انعطاف پذیر برای ویرایش فرضیات و محاسبات منحنی طراحی شده است. Charting برای ساخت نمودارهای ساختار زمانی، اسپرد، الگوهای فصلی و روابط سفارشی به کار می رود. در کنار این دو، اطلاعات موقعیت و ریسک قرار می گیرد تا تغییر یک فرض قیمتی فقط روی نمودار دیده نشود و اثر آن بر مواجهه مالی نیز قابل بررسی باشد.
بخش هوش مصنوعی Bozy بیشتر به عنوان یک ابزار درون گردش کار تعریف شده است: ساخت نمودار با درخواست طبیعی، خلاصه و تحلیل خبر مرتبط با محصولات، یا کمک به ساختار دادن داده های ورودی. این تفاوت کوچکی نیست. در برخی محصولات، هوش مصنوعی یک پنجره جداگانه برای پرسش و پاسخ است؛ در اینجا ایده این است که هوش مصنوعی داخل همان محیطی کار کند که منحنی، خبر، موقعیت و ریسک حضور دارند.
Bozy در مقایسه با سه نام دیگر، محصولی تازه تر و در مرحله معرفی اولیه است؛ بنابراین ارزیابی نهایی آن باید بعد از مشاهده استفاده واقعی، کیفیت داده ها، پوشش بازارها و تجربه کاربران انجام شود. با این حال، معماری پیشنهادی آن یک روند مهم را نشان می دهد: حرکت از مجموعه ابزارهای جداگانه به سوی یک «لایه تصمیم» که زمینه بازار را میان بخش های مختلف حفظ می کند.
این جدول نباید به عنوان رتبه بندی خوانده شود. هر محصول از نقطه درد متفاوتی شروع کرده است. Darling از دشواری دسترسی به تحلیل، Sparta از پیچیدگی منطق بازار نفت، Artis از پراکندگی گردش کار و Bozy از قطع ارتباط میان اجزای تصمیم.
ترمینال های سنتی در جمع آوری و نمایش داده بسیار قدرتمند هستند. مشکل زمانی ایجاد می شود که کاربر باید شخصا ده ها ورودی را به یک تصمیم مشخص تبدیل کند. نسل جدید پلتفرم ها تلاش می کند علاوه بر نمایش داده، رابطه میان اطلاعات را نیز حفظ کند.
برای مثال، یک خبر درباره اختلال در بندر وقتی ارزش بیشتری دارد که سیستم بداند کدام محصول، مسیر حمل، منحنی یا موقعیت ممکن است از آن متاثر شود. یک تغییر در منحنی نیز زمانی مفیدتر است که اثر احتمالی آن بر سود و زیان یا مواجهه تیم دیده شود. این اتصال میان «چه اتفاقی افتاد»، «چرا مهم است» و «کدام تصمیم را تحت تاثیر قرار می دهد»، همان چیزی است که می توان آن را لایه تصمیم نامید.
البته این مفهوم نباید با تصمیم گیری خودکار اشتباه گرفته شود. در ترید فیزیکی کالا، کیفیت داده، محدودیت قرارداد، نقدشوندگی، تجربه تریدر و شرایط عملیاتی هنوز نقش اساسی دارند. کاربرد واقع بینانه هوش مصنوعی، حذف قضاوت حرفه ای نیست؛ بلکه کاهش کار تکراری، پیدا کردن ارتباط های پنهان و بررسی سریع تر سناریوهاست.
ظاهر یک داشبورد یا کیفیت پاسخ یک دمو برای انتخاب کافی نیست. تیم های حرفه ای بهتر است چند سوال پایه را بررسی کنند:
1. داده ها از کجا می آیند و مجوز استفاده از آنها چگونه تعریف شده است؟
2. آیا کاربر می تواند منبع، زمان و مسیر تولید هر عدد یا پاسخ را ببیند؟
3. پوشش محصول و منطقه با بازار واقعی تیم هماهنگ است؟
4. آیا منطق و فرضیات اختصاصی سازمان قابل تعریف و نگهداری هستند؟
5. سیستم چگونه با اکسل، API، سامانه ریسک و ابزارهای داخلی ارتباط می گیرد؟
6. دسترسی کاربران، اشتراک داده و تاریخچه تغییرات چگونه کنترل می شود؟
7. هوش مصنوعی فقط متن تولید می کند یا واقعا در ساخت نمودار، سناریو و گردش کار نقش دارد؟
8. در صورت تغییر مدل هوش مصنوعی، داده و منطق اختصاصی سازمان چه وضعیتی پیدا می کند؟
این سوال ها کمک می کنند میان یک نمایش جذاب و یک زیرساخت قابل اعتماد تفاوت بگذاریم.
به نظر من آینده نرم افزارهای معاملات کالا در اختیار یک قابلیت منفرد نخواهد بود. نه چت بات به تنهایی کافی است، نه فید خبر، نه نمودار و نه حتی یک صفحه گسترده بسیار پیشرفته. ارزش اصلی زمانی ایجاد می شود که داده معتبر، منطق تخصصی، همکاری تیمی، ریسک و هوش مصنوعی در یک جریان قابل کنترل به هم متصل شوند.
چهار پلتفرمی که بررسی شد، چهار نشانه از همین آینده هستند. Darling نشان می دهد رابط مکالمه ای چگونه دسترسی به تحلیل پیچیده را ساده می کند. Sparta اهمیت دانش عمیق یک بازار و سناریوهای تخصصی را نشان می دهد. Artis یادآوری می کند که همکاری، منبع داده و کنترل نسخه هنوز از مسائل بنیادی میزهای ترید هستند. Bozy نیز تصویری از محیطی ارائه می دهد که می خواهد این اجزا را در یک زمینه مشترک از داده تا تصمیم کنار هم نگه دارد.
شاید مهم ترین تغییر این باشد که نرم افزار دیگر فقط محلی برای دیدن اطلاعات نیست. به تدریج به بخشی از حافظه و فرایند تصمیم سازمان تبدیل می شود. هر پلتفرمی که بتواند این نقش را با داده قابل اعتماد، شفافیت و کنترل انسانی ایفا کند، شانس بیشتری برای ماندن در نسل بعدی زیرساخت معاملات کالا خواهد داشت.
