کاربرد هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه/ از مفاهیم تا پیادهسازیهای پایه
دکتر حمید اسکندری
کارشناس مسئول مدیریت تحقیق و توسعه بورس تهران
ماهنامه «بورس» در راستای رسالت خود برای انعکاس پژوهشهای اثرگذار در حوزه بازارهای مالی، در این شماره اقدام به بازنشر یکی از مقالات تحلیلی مدیریت تحقیق و توسعه شرکت بورس تهران کرده است. این مقاله با تمرکز بر نقش هوش مصنوعی و یادگیری ماشین در بازار سرمایه، ابتدا به معرفی مفاهیم پایهای این فناوریها میپردازد و سپس با نگاهی تاریخی، مسیر استفاده از آنها در ساختارهای مالی جهانی و داخلی را مرور میکند. در ادامه نیز پنج کاربرد کلیدی و اولیه این فناوریها در بازارهای مالی مورد بررسی قرار گرفته است؛ ازجمله پشتیبانی هوشمند مشتری، تحلیل احساسات، توسعه معاملات الگوریتمی و … . در شماره بعدی ماهنامه، بخش دیگری از این مقاله منتشر خواهد شد که به کاربردهای پیشرفتهتر و آیندهنگرانهتر این فناوری در بازارهای مالی اختصاص دارد.
مقدمه
هوش مصنوعی، بهعنوان یکی از نوآورانهترین فناوریهای عصر حاضر، پتانسیل خارقالعادهای برای ایجاد تحولات عمیق در جهان دارد و میتواند بازارهای سرمایه و خدمات مالی را به شکلی اساسی متحول کند. این فناوری با توانایی بینظیر خود در پردازش حجم عظیمی از دادهها، شناسایی الگوهای پیچیده و پنهان و ارائه تحلیلهای دقیق، افقهای جدیدی را پیش روی تحلیلگران، سرمایهگذاران و تصمیمگیرندگان مالی گشوده است. این قابلیتها نهتنها امکان درک عمیقتری از روندهای بازار را فراهم میکنند، بلکه به فعالان این حوزه کمک میکنند تا با اتخاذ تصمیماتی آگاهانهتر و بهموقع، در محیطی پویا و رقابتی عملکرد بهتری داشته باشند. شواهد و بررسیها نشاندهنده آن است که اکثریت قریب به اتفاق فعالان بازارهای مالی بر این باورند که استفاده از هوش مصنوعی در سالهای آتی بهطور چشمگیری گسترش خواهد یافت و نقشی کلیدی در حوزههایی نظیر پیشبینی دقیق روندهای بازار، مدیریت هوشمند ریسک، اجرای معاملات الگوریتمی با سرعت و دقت بالا و تحلیل احساسات بازار ایفا خواهد کرد. در این میان، تأثیر فزاینده هوش مصنوعی بر پیچیدگی و پویایی بازارهای مالی، ضرورت شناخت عمیقتر جایگاه این فناوری و تدوین چهارچوبهای مناسب برای بهرهبرداری از آن را بیشازپیش آشکار میسازد. از سوی دیگر، آمادگی قانونگذاران برای ایجاد بسترهای لازم و تنظیم مقرراتی کارآمد که هم نوآوری را تقویت کند و هم ریسکهای احتمالی را مدیریت نماید، به چالشی اساسی تبدیل شده است. بر این اساس، این گزارش با هدف ارائه نگاهی جامع و منسجم به کاربردهای هوش مصنوعی در بازارهای سرمایه تدوین شده است تا ضمن بررسی ظرفیتها و فرصتهای این فناوری، چشماندازی روشن از آینده آن در عرصه مالی ترسیم کند و گامی مؤثر در جهت افزایش آگاهی و آمادگی فعالان بازار، نهادهای نظارتی و سیاستگذاران بردارد.
۱- مبانی و مفاهیم هوش مصنوعی در بازارهای مالی
تحقیقات در زمینه هوش مصنوعی از دهه ۱۹۵۰ میلادی آغاز شد، زمانی که دانشمندان به دنبال راههایی برای ساخت ماشینهایی بودند که بتوانند مانند انسان فکر کنند. در دهه ۱۹۶۰، وزارت دفاع ایالات متحده بهعنوان یکی از پیشگامان این حوزه از این فناوری برای آموزش کامپیوترها بهمنظور تقلید از استدلال انسانی بهره گرفت. این تلاشهای اولیه، زمینهساز پیشرفتهای چشمگیری در هوش مصنوعی شد که امروزه در بسیاری از جنبههای زندگی روزمره ازجمله بازارهای مالی، نقش کلیدی ایفا میکند.
در یک نگاه کلی، هوش مصنوعی (AI1) به مجموعهای از فناوریها اطلاق میشود که به کامپیوترها امکان شبیهسازی تواناییهای مشابه هوش انسانی را میدهد. بهبیاندیگر، هوش مصنوعی مانند مغزی مصنوعی عمل میکند که قادر است فکر کند، یاد بگیرد، تصمیمگیری کند و حتی مشکلات را حل کند، درست همانگونه که انسانها این کارها را انجام میدهند. ویژگی برجسته این فناوری، توانایی آن در تحلیل دادهها، درک شرایط و انتخاب بهترین راهکار برای دستیابی به هدفی مشخص است.
با توجه به اینکه هوش مصنوعی یک فناوری پویا و در حال توسعه است، ارائه تعریفی جامع و مورد توافق همگان در بازارهای مالی همچنان با چالش مواجه است. این فناوری به دلیل گستردگی کاربردها و قابلیتهای متنوع خود از زوایای مختلف مورد توجه قرار گرفته و نهادهای رسمی و بینالمللی تعاریف متفاوتی از آن ارائه کردهاند. این تعاریف، هرچند در جزئیات با یکدیگر تفاوت دارند، اما همگی بر توانایی هوش مصنوعی در شبیهسازی فرآیندهای شناختی انسان و خودکارسازی تصمیمگیریها تأکید دارند. در ادامه، برای ایجاد درک بهتری از مفهوم هوش مصنوعی در چهارچوب بازار سرمایه، برخی از تعاریف ارائهشده توسط نهادهای معتبر ارائه میشود:
– سازمان همکاری و توسعه اقتصادی (OECD2): یک سیستم هوش مصنوعی، سیستمی مبتنی بر ماشین است که با اهداف صریح یا ضمنی، از ورودیهایی که دریافت میکند، نتیجهگیری میکند که چگونه خروجیهایی مانند انواع پیشبینی، محتوا، توصیهها یا تصمیماتی تولید کند که میتوانند بر محیطهای فیزیکی یا مجازی تأثیر بگذارند. سیستمهای مختلف هوش مصنوعی از نظر میزان خودکار بودن و قابلیت تطبیقپذیری پس از استقرار، متفاوت هستند.
– ایالات متحده آمریکا: در قوانین ایالات متحده آمریکا هنوز تعریفی از هوش مصنوعی ارائه نشده است، اما در فرمان اجرایی رئیس جمهور پیشین این کشور (جو بایدن) که برای توسعه و کاربرد هوش مصنوعی صادر شد، هوش مصنوعی بدین صورت تعریف شده است:
هوش مصنوعی، سیستمی مبتنی بر ماشین است که میتواند با توجه به اهداف مشخصشده توسط انسان، پیشبینیها، توصیهها یا تصمیمهایی اتخاذ کند که بر محیطهای واقعی یا مجازی تأثیر بگذارد. سیستمهای هوش مصنوعی از ورودیهای مبتنی بر ماشین و انسان برای درک محیطهای واقعی و مجازی استفاده میکنند؛ این درک را از طریق تحلیل خودکار به مدلهایی انتزاعی تبدیل میکنند و با بهرهگیری از استنتاج مدل، گزینههایی برای اطلاع یا اقدامات ارائه میدهند.
– کرهجنوبی: در این کشور نیز در قوانین تعریفی از هوش مصنوعی ارائه نشده است اما نهاد ناظر بازارهای مالی کره (FSC3) آن را بدین صورت تعریف کرده است:
یک سیستم هوش مصنوعی، سیستمی است که با توجه به هدف مشخصشده، دادهها را جمعآوری میکند، محیط را شناسایی مینماید، دادههای بهدستآمده را تفسیر میکند، دانش را استنتاج کرده یا اطلاعات را پردازش میکند و بهترین اقدام را برای دستیابی به آن هدف تعیین مینماید. این سیستم که در ابعاد فیزیکی یا دیجیتال به تحقق هدف کمک میکند به یک سیستم نرمافزاری یا سختافزاری طراحیشده توسط انسان اشاره دارد که در این راستا عمل میکند.
ازجمله مباحثی که همواره در کنار هوش مصنوعی در بازارهای مالی به کرّات مورد استفاده قرار میگیرد، یادگیری ماشین۴ است. یادگیری ماشین از زیرمجموعههای مهم هوش مصنوعی است که به برنامههای کامپیوتری این امکان را میدهد که بدون نیاز به برنامهریزی دستی و مداخله انسانی از دادههای جدید یاد بگیرند و خود را با شرایط متغیر سازگار کنند. بهعنوانمثال، یک سیستم مبتنی بر یادگیری ماشین میتواند با بررسی دادههای تاریخی بازار، الگوهای تکرارشونده را شناسایی کند و بر اساس آن، پیشبینیهایی درباره روندهای آینده ارائه دهد. این قابلیت، یادگیری ماشین را به ابزاری قدرتمند برای تحلیل و تصمیمگیری در بازار سرمایه تبدیل کرده است، جایی که سرعت، دقت و توانایی تحلیل حجم عظیمی از دادهها از اهمیت ویژهای برخوردار است. درواقع، یادگیری ماشین بهعنوان یکی از کاربردیترین زیرمجموعههای هوش مصنوعی، پایهای برای تحولات نوین در بازارهای سرمایه فراهم آورده است که در بخشهای بعدی این گزارش شرح داده خواهد شد.
۲- سیر تاریخی بهکارگیری هوش مصنوعی در بازارهای سرمایه
بر اساس مستندات ارائهشده توسط صندوق بینالمللی پول (IMF)، بهرهگیری از یادگیری ماشین و روشهای محاسباتی مبتنی بر هوش مصنوعی توسط نهادهای مالی در بازارهای سرمایه پدیدهای نوظهور نیست و سابقهای نزدیک به دو دهه دارد. درواقع، از اوایل قرن بیستویکم، نهادهای مالی پیشرو بهتدریج استفاده از این فناوریها را برای بهبود فرآیندهای تصمیمگیری و تحلیل بازار آغاز کردند. با گذشت زمان، روشهای مذکور بهصورت قابلتوجهی توسعه یافتند و اکنون به ابزاری کلیدی در بخشهای مختلف بازارهای سرمایه تبدیل شدهاند. بااینحال، میزان پذیرش هوش مصنوعی در بخشهای مختلف بازار سرمایه یکسان نیست. بر اساس آمار ارائهشده توسط صندوق بینالمللی پول، استفاده از این فناوری در بازار سهام و مشتقات بیش از سایر بازارها مورد توجه قرار گرفته است. به عبارت دقیقتر، همانطور که در نمودار (۱) قابل مشاهده است، ۵۷ درصد از کاربردهای هوش مصنوعی به بازار سهام و مشتقات اختصاص دارد. باقیمانده آن یعنی ۱۴ درصد از کاربردها مربوط به بازار درآمد ثابت، ۱۱ درصد مربوط به بازار فارکس و ۱۸ درصد دیگر مربوط به بازارهای کالایی است. علت اصلی این توزیع نابرابر، وجود حجم بالای معاملات و اطلاعات برای یادگیری توسط هوش مصنوعی و نیاز به انجام تجزیه و تحلیل سریع کلان دادهها در بازار سهام و مشتقات است که آن را به بستری مناسبتر برای بهرهگیری از هوش مصنوعی تبدیل کرده است.
علاوه بر میزان استفاده، شیوه بهکارگیری هوش مصنوعی در بخشهای مختلف صنعت مالی نیز با یکدیگر متفاوت است و این تفاوتها به ماهیت فعالیتها و نیازهای خاص هر بخش بستگی دارد. بهعنوان نمونه، میتوان به چگونگی بهرهگیری مدیران سرمایهگذاری از این فناوری اشاره کرد که نشاندهنده رویکردهای متنوع در پذیرش این فناوری و استفاده از آن است. برای شفافیت بیشتر این موضوع، نمودار(۲) فعالیتهای کلیدی مدیران سرمایهگذاری را طبقهبندی کرده و میزان ادغام هوش مصنوعی در فرآیندهایی نظیر تحلیل مجموعه دادههای جایگزین۵، توسعه نماگرهای پیشنگر۶، تجزیه و تحلیل نماگرهای بازار۷، خلق ایده۸، اجرای تصمیمات سرمایهگذاری۹ و تخصیص دارایی را نشان داده است.
بر اساس اطلاعات مندرج در این نمودار، حوزههایی که به تحلیل دادهها مرتبط هستند، بیشترین میزان پذیرش و ادغام با این فناوری را داشتهاند. بهعنوانمثال در حوزه تحلیل دادههای جایگزین، ۴۳ درصد از مدیران سرمایهگذاری در حال حاضر از سیستمهایی استفاده میکنند که بهصورت کامل به هوش مصنوعی تجهیز شدهاند، ۱۵ درصد دیگر از مدیران سرمایهگذاری از سیستمهایی در فرآیند تولید و اجرای تصمیم معاملاتی بهره میبرند که برخی از بخشهای سیستمهای آنها با هوش مصنوعی ادغام شده است، ۷ درصد دیگر از هوش مصنوعی استفاده میکنند و در حال برنامهریزی برای ادغام آن با سیستمهای خود هستند. گروه دیگر یعنی ۶ درصد از مدیران اعلام کردهاند که از هوش مصنوعی استفاده میکنند اما آن را در سیستمهای خود ادغام نکردهاند و درنهایت ۲۸ درصد اعلام کردهاند که برنامهای برای ادغام با سیستمهای خود ندارند. همچنین اطلاعات یادشده نشان میدهد که هوش مصنوعی توسط مدیران سرمایهگذاری برای توسعه نماگرهای پیشنگر، تجزیه و تحلیل نماگرهای بازار و خلق ایدههای معاملاتی بهصورت گسترده مورد استفاده قرار میگیرد اما اجرای تصمیمات سرمایهگذاری و تخصیص دارایی با پذیرش کمتری مواجه شدهاند و در این حوزهها همچنان به سیستمهای سنتی و تحلیلهای انسانی اتکا میشود. این تفاوتها بیانگر رویکرد محتاطانه مدیران در سپردن وظایف اجرایی به سیستمهای خودکار است که ممکن است ناشی از نگرانیهایی مانند پیچیدگیهای فنی، عدم شفافیت در تصمیمگیری الگوریتمها یا نیاز به نظارت انسانی باشد.
علاوه بر موارد یادشده، نحوه بهرهگیری از هوش مصنوعی در بازارهای مالی به منطقه جغرافیایی نیز وابستگی است. برای درک میزان اثر منطقه جغرافیایی بر میزان کاربرد هوش مصنوعی میتوان به حوزه معاملات الگوریتمی اشاره کرد. هرچند معاملات الگوریتمی سابقهای طولانیتر از هوش مصنوعی دارند، امّا در سالهای گذشته این تکنولوژی نوین بهطور فزایندهای در معاملات یادشده مورد استفاده قرار گرفته است. برای درک میزان این تفاوت ابتدا سهم معاملات الگوریتمی در بازارهای مختلف ایالات متحده در دهه گذشته در نمودار (۳) نشان داده شده است.
اطلاعات موجود در این نمودار حاکی از آن است که بازار سهام با بیش از ۶۰ درصد از کل حجم معاملات در سال ۲۰۲۳، بیشترین سهم معاملات الگوریتمی را در میان انواع بازارها به خود اختصاص داده است. این در حالی است که سهم معاملات الگوریتمی در قراردادهای آتی حدود ۲۰ درصد، فارکس نزدیک به ۱۰ درصد و اختیار معاملات حدود ۱۰ درصد از کل حجم معاملات را تشکیل میدهند. این اطلاعات نشان میدهد که بازار سهام، بستر اصلی برای بهکارگیری الگوریتمها بوده است.
اما میزان استفاده از معاملات الگوریتمی در سایر کشورها به همین میزان نیست. نمودار شماره (۴) میزان استفاده از معاملاتی الگوریتمی بازار سهام را در سایر مناطق جغرافیایی در سال ۲۰۲۳ نشان میدهد.
بر اساس این اطلاعات، ایالات متحده با بیش از ۶۰ درصد، بیشترین میزان پذیرش معاملات الگوریتمی را داشته در حالی که اروپا با حدود ۵۰ درصد، آسیا با نزدیک به ۴۰ درصد و آمریکای لاتین با کمترین سهم (حدود ۳۰ درصد) در ردههای بعدی قرار داشتند.
بهصورت معمول فرآیند دریافت اطلاعات، پردازش آنها، تولید تصمیم معاملاتی و مدیریت سفارشها در معاملات الگوریتمی بهصورت خودکار انجام میشود و هوش مصنوعی بهصورت گسترده در هر یک از بخشهای یادشده به کار گرفته میشود. اما به دلیل تفاوت در میزان استفاده از معاملات الگوریتمی در کشورهای مختلف، بدیهی است که میزان بهکارگیری هوش مصنوعی بدین منظور نیز در آنها متفاوت است.
شایان ذکر است که با وجود پیشرفتهای قابلتوجه، گسترش استفاده از فناوری هوش مصنوعی در حوزه معاملات الگوریتمی به پایان خود نرسیده و با ارائه نوآوریهای جدید، این حوزه از دنیای مالی همچنان در حال توسعه است. نمودار (۵) که تعداد ثبت اختراعهای مرتبط با معاملات الگوریتمی و معاملات پربسامد در دنیا را از سال ۲۰۰۹ تا ۲۰۲۳ نشان میدهد، این موضوع را بهخوبی تأیید میکند.
بر اساس این نمودار، تعداد ثبت اختراعات در زمینه معاملات الگوریتمی و پربسامد از حدود ۱۰ مورد در سال ۲۰۰۹ به بیش از ۶۰ مورد در سال ۲۰۲۳ افزایش یافته است که نشاندهنده رشد مداوم علاقهمندی فعالان و سرمایهگذاری در این حوزه است. همچنین سهم اختراعات مرتبط با معاملات الگوریتمی که شامل هوش مصنوعی یا یادگیری ماشین (AI/ML) نیز هستند، از حدود ۱۰ درصد در اوایل دهه ۲۰۱۰ به بیش از ۵۰ درصد در سال ۲۰۲۳ رسیده است. این افزایش، حاکی از آن است که هوش مصنوعی بهعنوان محرک اصلی نوآوری در طراحی الگوریتمهای معاملاتی، بهویژه در معاملات پربسامد که نیازمند سرعت و دقت بالا هستند، نقش فزایندهای ایفا میکند.
با توجه به این توسعهها، میتوان انتظار داشت که کاربردهای متنوعی از هوش مصنوعی در معاملات الگوریتمی و فراتر از آن در بازارهای سرمایه ظهور یابد.
کاربرد هوش مصنوعی بسیار فراتر از موارد یادشده است. برای آشنایی با سایر کاربردهای این فناوری در بخش بعدی مصادیق عملی هوش مصنوعی در بازارهای سرمایه شرح داده میشود.
۳- کاربردهای هوش مصنوعی در بازارهای سرمایه
هوش مصنوعی بهویژه یادگیری ماشین با قابلیتهای پیشرفته خود در تحلیل دادهها، پیشبینی روندها و خودکارسازی فرآیندها به ابزاری تحولآفرین برای مؤسسات و نهادهای مالی، انواع سرمایهگذاران و نهادهای نظارتی تبدیل شده است. کاربردهای این فناوری که از خدمات مشتریان تا مدیریت ریسک و ارزشیابی داراییها را در بر میگیرد، منجر به ارتقای کارایی بازار شده است.
برای درک بهتر چگونگی بهکارگیری این فناوری در بازارهای سرمایه، در ادامه برخی از مهمترین کاربردهای آن برشمرده میشود:
۱-۳- ارتقای خدمات پشتیبانی از مشتریان
بیشترین کاربرد هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه به حوزه خدمات مشتریان اختصاص دارد. برخی از مهمترین خدمات مربوط به این حوزه که در اختیار مشتریان و کسبوکارها قرار میگیرد عبارتند از:
– چتباتها و دستیارهای مجازی۱۰: یکی از برجستهترین کاربردهای هوش مصنوعی در حوزه خدمات مشتریان در بازارهای سرمایه، استفاده از چتباتها و دستیارهای مجازی است که برای ارائه پشتیبانی سریع و کارآمد به مشتریان استفاده میشوند. اکثر این نرمافزارها با بهرهگیری از پردازش زبان طبیعی۱۱ طراحی شدهاند تا بتوانند به طیف گستردهای از درخواستهای مشتریان از پرسوجوهای ساده مانند بررسی موجودی حساب، وضعیت سرمایهگذاری یا اطلاعات اولیه درباره محصولات مالی گرفته تا سؤالات پیچیدهتر مانند تحلیل جزئیات یک ابزار مالی خاص، پاسخ دهند. بهعنوانمثال، در صورت نیاز یک مشتری به دانستن میزان سود حاصل از سرمایهگذاری خود در یک بازه زمانی مشخص، چتبات میتواند بدون نیاز به دخالت نیروی انسانی و در کسری از ثانیه محاسبات مورد نیاز را انجام و اطلاعات مورد نظر را ارائه دهد. این نرمافزارها با داشتن توانایی فعالیت ۲۴ ساعته در ۷ روز هفته و عدم نیاز به استخدام نیروی انسانی برای پاسخگویی به سؤالات متداول و تکراری منجر به کاهش قابل توجه هزینههای عملیاتی شرکتها میشوند.
– تحلیل احساسات کاربران۱۲: این خدمت با بهرهگیری از الگوریتمهای یادگیری ماشین به بررسی و تحلیل دادههای متنی گردآوریشده از منابع مختلف همچون نظرات مشتریان در شبکههای اجتماعی، ایمیلها، فرمهای بازخورد یا حتی تماسهای ضبطشده میپردازد. هدف از انجام چنین تحلیلهایی، شناسایی احساسات نهفته در این دادههاست. به این معنا که مشتری از خدمات راضی، ناراضی یا دارای نظری خنثی است. برای مثال، اگر یک مشتری در پلتفرم ایکس (توییتر سابق) پستی منتشر کند و از تأخیر در پردازش یک تراکنش شکایت کند، سیستم تحلیل احساسات میتواند این نارضایتی را تشخیص دهد و به تیم پشتیبانی هشدار دهد تا سریعاً وارد عمل شوند و مشکل را برطرف کنند. این قابلیت در بازارهای سرمایه که حفظ اعتماد و رضایت مشتریان از اهمیت ویژهای برخوردار است، به شرکتها کمک میکند تا از تشدید مشکلات جلوگیری کنند و حتی پیش از آنکه یک نارضایتی به شکایت رسمی تبدیل شود، آن را مدیریت کنند. شرکتهای پیشرو مانند بلکراک۱۳ از این فناوری برای پایش مداوم بازخوردهای مشتریان خود استفاده میکنند و با تحلیل این دادهها، نهتنها خدمات خود را بهبود میدهند، بلکه استراتژیهای کلان خود را نیز بر اساس نیازهای واقعی مشتریان تنظیم میکنند. بهعنوان نمونه، اگر تحلیل احساسات نشان دهد که گروهی از مشتریان از پیچیدگی یک محصول مالی خاص ناراضی هستند، شرکت میتواند راهنمای سادهتری برای آن محصول تهیه کند یا حتی طراحی آن را بازنگری کند. این فرآیند نهتنها به ارتقای تجربه مشتری کمک میکند، بلکه دادههای ارزشمندی برای تصمیمگیریهای راهبردی در اختیار مدیران قرار میدهد.
– خدمات اختصاصی مبتنی بر فعالیت کاربر۱۴: ارائه خدمات اختصاصی با استفاده از هوش مصنوعی و یادگیری ماشین، یکی از نوآوریهای کلیدی در خدمات مشتریان در بازارهای سرمایه است که تجربه کاربری را به شکلی بیسابقه بهبود میبخشد و تعاملات میان شرکتها و مشتریان را هدفمندتر میکند. این فناوری با تحلیل حجم عظیمی از دادههای مشتریان، ازجمله تاریخچه معاملات، الگوهای سرمایهگذاری، ترجیحات شخصی و حتی رفتارهای آنلاین آنها، قادر است خدماتی کاملاً متناسب با نیازها و علایق هر فرد ارائه دهد. بهعنوانمثال، اگر یک مشتری بهطور مداوم در یک پلتفرم مالی به دنبال اطلاعات درباره سهام شرکتهای فعال در حوزه فناوری باشد، سیستم هوش مصنوعی میتواند به او پیشنهاد دهد که سهام جدیدی در این حوزه را بررسی کند یا یک صندوق سرمایهگذاری مرتبط با فناوری را به او معرفی کند که با اهداف مالیاش همراستا باشد. این سطح از شخصیسازی باعث میشود که مشتری احساس کند شرکت بهطور خاص به او توجه دارد و خدماتی منحصربهفرد برایش طراحی کرده است که این امر به نوبه خود وفاداری او را به پلتفرم افزایش میدهد.کارگزارانی مانند رابینهود۱۵ از چنین الگوریتمهایی بهره میبرند تا پیشنهادات سرمایهگذاری شخصیسازیشدهای به کاربران خود ارائه دهند که نهتنها تجربه کاربری را بهبود میبخشد، بلکه احتمال انجام معاملات بیشتر توسط کاربران را نیز افزایش میدهد. البته شخصیسازی فراتر از ارائه پیشنهادات سرمایهگذاری است و شامل سایر خدمات مانند ارسال اعلانهای هدفمند نیز است. مثلاً اگر بازار سهام دچار نوسان شود، سیستم میتواند به مشتریانی که پرتفویشان تحت تأثیر قرار گرفته، هشدار دهد و اطلاعات لازم را در اختیارشان بگذارد. این رویکرد فعالانه نهتنها اعتماد مشتریان را جلب میکند، بلکه به شرکتها کمک میکند تا فروش محصولات مالی خود را افزایش دهند، زیرا ارائه پیشنهادهای مالی مرتبط با نیازهای واقعی مشتری، احتمال پذیرش آنها را بالا میبرد.
– مدیریت شکایات و پشتیبانی پیشرفته۱۶: استفاده از هوش مصنوعی برای مدیریت شکایات و ارائه پشتیبانی پیشرفته، یکی از حوزههای کلیدی در خدمات مشتریان بازارهای سرمایه است که به بهبود کارایی و افزایش رضایت مشتریان کمک میکند. سیستمهای نوین مبتنی بر هوش مصنوعی قادرند شکایات مشتریان را بهصورت خودکار دریافت کنند، آنها را بر اساس معیارهایی همچون فوریت، شدت، یا موضوع دستهبندی کنند و در مواردی که امکانپذیر باشد، راهحلهایی فوری ارائه دهند. بهعنوانمثال، اگر مشتری گزارش دهد که یک تراکنش به اشتباه ثبت شده است، هوش مصنوعی میتواند با دسترسی به دادههای مرتبط، مشکل را بررسی کند و اگر مسئله ساده باشد (مانند یک خطای سیستمی که منجر به کسر هزینه اضافی شده)، آن را بهسرعت اصلاح کند و وجه را به حساب مشتری بازگرداند؛ اما در شرایط پیچیدهتر، مانند اختلاف در محاسبه سود یک سرمایهگذاری بلندمدت، سیستم میتواند شکایت را به یک کارشناس انسانی ارجاع دهد و درعینحال، تمام اطلاعات و مستندات لازم را برای تسریع در فرآیند حل مشکل در اختیار او قرار دهد. شرکت آلیانز۱۷ از این فناوری برای مدیریت بهتر شکایات مشتریان خود استفاده میکند و با این کار، زمان لازم برای رسیدگی به مشکلات را بهطور قابل توجهی کاهش داده است. این رویکرد نهتنها تجربه مشتری را بهبود میبخشد و از نارضایتیهای طولانیمدت جلوگیری میکند، بلکه به شرکتها امکان میدهد الگوهای تکرارشونده در شکایات را شناسایی کنند و با رفع ریشهای مشکلات، کیفیت خدمات خود را ارتقا دهند. مثلاً اگر چندین مشتری از تأخیر در پردازش برداشتها شکایت کنند، شرکت میتواند فرآیندهای داخلی خود را بازنگری کند تا از تکرار این مشکل جلوگیری شود.
۲-۳- توسعه معاملات الگوریتمی خودکار
معاملات الگوریتمی یکی دیگر از پیشرفتهترین و پرکاربردترین حوزههای استفاده از هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه است که با بهرهگیری از مدلهای یادگیری ماشین برای تحلیل کلان دادهها، شناسایی الگوها، تولید سیگنالهای معاملاتی و بهینهسازی فرآیندهای سرمایهگذاری به کار میرود و توانسته نحوه انجام معاملات را بهطور کامل متحول کند. این فناوری به شرکتها و سرمایهگذاران امکان میدهد تا با پردازش حجم انبوهی از دادههای مالی، مانند قیمت سهام، حجم معاملات، شاخصهای اقتصادی، اخبار و حتی دادههای غیرساختاریافته۱۸ مانند پستهای شبکههای اجتماعی، روندهای پنهان و فرصتهای سرمایهگذاری را شناسایی کنند و بر اساس آنها پیشبینیهایی درباره حرکت قیمتها یا رفتار بازار ارائه دهند. برای مثال، یک مدل یادگیری ماشین میتواند با تحلیل تاریخچه قیمت یک سهم خاص و ترکیب آن با دادههای کلان اقتصادی، مانند نرخ بهره یا تورم، پیشبینی کند که آیا قیمت آن سهم در روزهای آینده افزایش خواهد یافت یا خیر و سپس بهصورت خودکار دستور خرید یا فروش را در کسری از ثانیه اجرا کند، چیزی که برای انسانها به دلیل محدودیت سرعت و ظرفیت پردازش غیرممکن است. این سیستمها نهتنها برای پیشبینی قیمتها، بلکه برای بهینهسازی استراتژیهای معاملاتی نیز استفاده میشوند؛ به این معنا که میتوانند بهترین زمان خرید یا فروش در یک معامله را تعیین کنند، ریسکها را مدیریت و حتی پرتفوی سرمایهگذاری را به شکلی تنظیم کنند که سودآوری حداکثر شود و ضررها به حداقل برسند. بهعنوان نمونه، شرکت رنسانس تکنولوژی۱۹ از معاملات الگوریتمی مبتنی بر یادگیری ماشین بهره میبرد تا با شناسایی سیگنالهای ظریف در بازار، بازدهی بسیار بالایی کسب کند که اغلب از تواناییهای تحلیلگران انسانی فراتر است. این فناوری قابلیت هدایت رفتارهای سرمایهگذاری را نیز دارد؛ مثلاً میتواند به سرمایهگذاران خرد از طریق پلتفرمهایی مانند پلتفرم کارگزاری اینتراکتیو بروکر۲۰ پیشنهاد دهد که چه سهامی را بخرند یا بفروشند. از طرف دیگر، معاملات الگوریتمی در هدایت بازارهای مالی نیز نقش دارد، زیرا میتواند با تحلیل اخبار لحظهای و واکنش به آنها، جهتگیری کلی بازار را تحت تأثیر قرار دهد. برای مثال، اگر یک خبر منفی درباره یک شرکت منتشر شود، الگوریتمها میتوانند سریعاً فروش سهام آن شرکت را آغاز کنند و این واکنش زنجیرهای به تغییر قیمتها منجر شود. این سرعت و دقت در اجرا، امکان استفاده از استراتژیهای پیچیده مانند آربیتراژ یا معاملات پربسامد۲۱ را فراهم میکند که در آنها صدها یا هزاران معامله در ثانیه انجام میشود. بااینحال، این فناوری چالشهایی نیز به همراه دارد، ازجمله ریسکهایی مانند سقوط ناگهانی بازار۲۲ که ممکن است به دلیل تصمیمگیریهای همزمان الگوریتمها رخ دهد یا نیاز به نظارت مداوم برای جلوگیری از سوءاستفاده یا خطاهای سیستمی. بههرحال، استفاده از مدلهای یادگیری ماشین در معاملات الگوریتمی بهوضوح نشاندهنده قدرت رو به رشد این فناوری در تحلیل دادهها، پیشبینی روندها و هدایت تصمیمات سرمایهگذاری است.
۳-۳- تشخیص تهدیدات سایبری
حفاظت از زیرساختهای مالی، دادههای حساس مشتریان و تراکنشهای مالی در برابر حملات سایبری یا همان تشخیص تهدیدات سایبری۲۳ از اهمیت بالایی برخوردار است که در سالهای اخیر از هوش مصنوعی و یادگیری ماشین برای بهبود روشهای مورداستفاده در این حوزه استفاده شده است. این فناوری با بهرهگیری از الگوریتمهای پیشرفته، قادر است حجم عظیمی از دادهها ازجمله لاگ تراکنشها، ترافیک شبکه و رفتار کاربران را در لحظه رصد و تحلیل کند تا الگوهای غیرعادی یا تهدیدآمیز را شناسایی کند. بهعنوانمثال، اگر یک حساب کاربری بهطور ناگهانی از چندین مکان جغرافیایی مختلف فعالیت نشان دهد یا تراکنشهایی با حجم غیرمعمول انجام شود، سیستم میتواند این رفتار را بهعنوان یک تهدید بالقوه (مانند سرقت هویت یا نفوذ هکرها) تشخیص دهد و بلافاصله اقدامات محافظتی مانند مسدود کردن حساب یا ارسال هشدار به مشتری را اجرا کند. این قابلیت بهویژه در بازارهای سرمایه که امنیت اطلاعات مالی مشتریان و یکپارچگی سیستمهای معاملاتی از اهمیت استراتژیک برخوردار است، نقش کلیدی دارد زیرا حتی یک نقص امنیتی میتواند منجر به خسارات مالی هنگفت، از دست رفتن اعتماد مشتریان و جریمههای قانونی شود. شرکتهایی مانند گلدمن ساکس۲۴ از این فناوری برای پایش مداوم شبکههای خود استفاده میکنند و با ترکیب یادگیری ماشین با تحلیلهای مبتنی بر هوش مصنوعی، نهتنها حملات شناختهشده مانند فیشینگ۲۵ یا بدافزارها را شناسایی میکنند، بلکه میتوانند تهدیدات ناشناخته و نوظهور را نیز با استفاده از تکنیکهای یادگیری عمیق۲۶ پیشبینی کنند. این سیستمها با خودکارسازی فرآیندهای پاسخ به تهدیدات، مانند قرنطینهسازی بخشهای آلوده شبکه یا بازگرداندن سیستم به حالت ایمن، زمان واکنش را به حداقل میرسانند و از گسترش آسیب جلوگیری میکنند. یادگیری ماشین همچنین با تحلیل دادههای تاریخی حملات سایبری، الگوهایی از رفتار مهاجمان را شناسایی میکند و به شرکتها کمک میکند تا سیستمهای دفاعی خود را بهصورت پیشگیرانه تقویت کنند. بهعنوانمثال، اگر الگوریتم تشخیص دهد که حملات دیداس۲۷ (DDoS) در زمان انتشار گزارشهای مالی افزایش مییابد، میتواند پروتکلهای امنیتی را در آن بازهها تقویت کند. این فناوری همچنین با ارائه گزارشهای دقیق به تیمهای امنیتی، امکان تحلیل عمیقتر و بهبود مداوم استراتژیهای دفاعی را فراهم میکند که درنهایت به افزایش اعتماد مشتریان و پایداری عملیات بازارهای مالی منجر میشود. با توجه به رشد روزافزون تهدیدات سایبری در دنیای دیجیتال، بهکارگیری هوش مصنوعی در تشخیص تهدیدات نهتنها یک ضرورت بلکه یک مزیت رقابتی برای مؤسسات مالی است که میتواند آنها را در برابر ریسکهای فزاینده محافظت کند.
۴-۳- پردازش اطلاعات و مدیریت دادهها
پردازش اطلاعات و مدیریت دادهها یکی از حوزههای کلیدی در بازارهای سرمایه است که با استفاده از هوش مصنوعی و یادگیری ماشین، فرآیندهای جمعآوری، تحلیل و مدیریت دادهها را بهبود میبخشد و به مؤسسات مالی کمک میکند تا عملیات خود را با دقت و کارایی بیشتری انجام دهند. این فناوری با خودکارسازی فرآیندهای جمعآوری دادهها ازجمله استخراج اطلاعات از اسناد غیرساختاریافته مانند قراردادها، صورتحسابها و گزارشهای مالی، زمان و هزینههای مرتبط با پردازش دستی را بهطور قابلتوجهی کاهش میدهد. برای مثال، الگوریتمهای پردازش زبان طبیعی میتوانند محتوای یک سند به فرمت پیدیاف را اسکن کنند، اطلاعات کلیدی مانند تاریخ سررسید، مبلغ قرارداد یا شرایط پرداخت را استخراج کنند و بهصورت خودکار آنها را در سیستمهای مدیریت مالی ثبت کنند. در حوزه تحلیل متنی، هوش مصنوعی با بررسی گزارشهای بازار، اخبار مالی و حتی اظهارات مقامات اقتصادی، میتواند روندهای بازار را شناسایی کند و به تحلیلگران کمک کند تا تصمیمات آگاهانهتری بگیرند. بهعنوان نمونه، اگر یک خبر درباره تغییر نرخ بهره منتشر شود، سیستم میتواند تأثیر آن را بر بازارهای مالی پیشبینی کند و این اطلاعات را برای بازتنظیم استراتژیهای سرمایهگذاری ارائه دهد. علاوه بر این، هوش مصنوعی در فرآیندهای تأیید و تطبیق دادهها۲۸ نقش مهمی ایفا میکند. برای مثال، میتواند تراکنشهای بانکی را با صورتحسابها مقایسه کند و هرگونه مغایرت، مانند پرداختهای دوگانه یا خطاهای ثبتی را شناسایی و اصلاح کند که این کار نهتنها دقت را بالا میبرد، بلکه از ضررهای مالی ناشی از اشتباهات جلوگیری میکند. شرکتهایی مانند بلکراک از این فناوری برای مدیریت دادههای عظیم خود استفاده میکنند و با خودکارسازی فرآیندها، نهتنها کارایی عملیاتی خود را افزایش دادهاند، بلکه توانستهاند منابع انسانی را به وظایف استراتژیک اختصاص دهند. این سیستمها همچنین با ارائه داشبوردهای تحلیلی مبتنی بر هوش مصنوعی، به مدیران مالی کمک میکنند تا دید جامعی از وضعیت شرکت داشته باشند و تصمیمگیریهای سریعتر و مؤثرتری انجام دهند. مثلاً میتوانند پیشنهاد دهند که چه زمانی برای سرمایهگذاری در داراییهای جدید یا بازپرداخت بدهیها مناسب است. بااینحال، چالشهایی مانند نیاز به یکپارچگی دادهها از منابع مختلف و اطمینان از امنیت اطلاعات در برابر نشت دادهها، نیازمند توجه ویژه است. بهطورکلی، هوش مصنوعی و یادگیری ماشین با بهبود فرآیندهای پردازش اطلاعات، تحلیل دقیقتر دادهها و پیشبینیهای قابلاعتماد، نقش مهمی در بهینهسازی عملیات مالی و افزایش شفافیت ایفا میکنند.
۵-۳- قیمتگذاری یا ارزشیابی هوشمند۲۹
یکی از نوآورانهترین کاربردهای هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه، قیمتگذاری و ارزشیابی هوشمند است که با تحلیل دادههای پیچیده و پویا، فرآیند تعیین ارزش منصفانه۳۰ داراییهایی همچون سهام و اوراق قرضه را با دقت و سرعت بینظیری انجام میدهد و بهاینترتیب، تصمیمگیریهای مالی را برای مؤسسات و سرمایهگذاران بهبود میبخشد. این فناوری با بهرهگیری از الگوریتمهای یادگیری ماشین، قادر است دادههای عظیمی از منابع مختلف، ازجمله قیمتهای بازار در لحظه، گزارشهای مالی شرکتها، شاخصهای اقتصادی کلان (مانند نرخ بهره یا تورم) و حتی تحلیل احساسات بازار بر اساس شبکههای اجتماعی و اخبار را گردآوری و پردازش کند و بر اساس آنها، ارزش ذاتی یک دارایی را محاسبه کند. بهعنوانمثال، اگر یک شرکت گزارش درآمدی منتشر کند، سیستم میتواند با تحلیل سریع این دادهها و مقایسه آن با عملکرد تاریخی و رقبا، در لحظه ارزش سهام آن را بهروز کند و پیشنهادهایی برای خرید یا فروش ارائه دهد. این رویکرد نسبت به روشهای سنتی ارزشیابی که اغلب به مدلهای ثابت مانند تحلیل نسبتهای مالی وابسته بودند، انعطافپذیرتر است، زیرا میتواند عوامل غیرخطی و غیرقابلپیشبینی مانند واکنشهای ناگهانی بازار به یک رویداد سیاسی را نیز در نظر بگیرد. شرکتهایی مانند مورگان استنلی۳۱ از این فناوری برای ارزشیابی پورتفوهای خود استفاده میکنند و با بهکارگیری هوش مصنوعی، نهتنها دقت پیشبینیهایشان را افزایش دادهاند، بلکه توانستهاند ریسکهای مرتبط با قیمتگذاری نادرست را کاهش دهند. علاوه بر این، یادگیری ماشین با خودکارسازی فرآیندهای ارزشیابی، زمان لازم برای تحلیل داراییها را از ساعتها به دقیقهها کاهش میدهد و به تحلیلگران اجازه میدهد روی جنبههای استراتژیکتر تمرکز کنند درحالیکه سیستمها بهطور مداوم دادهها را بهروزرسانی میکنند و مدلها را با شرایط جدید تطبیق میدهند. این فناوری همچنین با ارائه شفافیت بیشتر در فرآیند قیمتگذاری، اعتماد سرمایهگذاران را جلب میکند و به شرکتها کمک میکند تا در بازارهای رقابتی، مزیت رقابتی به دست آورند. بهعنوان نمونه میتوانند با ارائه ارزشیابیهای دقیقتر، مشتریان خود را به انتخاب محصولات مالی خاص ترغیب کنند. بااینحال، چالشهایی مانند نیاز به دادههای باکیفیت بالا و پیچیدگی توضیح نتایج برای ذینفعان، نیازمند توسعه مداوم این سیستمها است.
منابع
۱- https://www.investopedia.com/terms/a/artificial-intelligence-ai.asp
۲- https://www.mckinsey.com/business-functions/operations/our-insights/the-future-of-customer-service-in-financial-markets
۳- https://hbr.org/2022/03/ai-powered-sentiment-analysis-in-finance
۴- https://www2.deloitte.com/us/en/insights/industry/financial-services/ai-in-wealth-management.html
۵- https://www.gartner.com/en/insights/ai-trends-in-customer-service-2024
۶- https://www.pwc.com/gx/en/industries/financial-services/insights/machine-learning-in-financial-markets.html
۷- https://www2.deloitte.com/us/en/insights/industry/financial-services/the-rise-of-robo-advisors.html
۸- https://www.mckinsey.com/business-functions/risk/our-insights/ai-in-cybersecurity-threat-detection-and-response
۹- https://www.pwc.com/gx/en/industries/financial-services/insights/ai-powered-credit-scoring.html
۱۰- https://www2.deloitte.com/us/en/insights/industry/financial-services/ai-driven-kyc-kyb.html
۱۱- https://www.mckinsey.com/business-functions/operations/our-insights/ai-in-data-processing-financial-operations
۱۲- https://www.pwc.com/gx/en/industries/financial-services/insights/intelligent-valuation-with-ai.html
۱۳- https://www2.deloitte.com/us/en/insights/industry/financial-services/ai-in-back-office-operations.html
پانویسها
۱- Artificial Intelligence
۲- Organisation for Economic Co-operation and Development
۳- Financial Services Commission
۴- Machine Learning
۵- Alternative Data Sets:
دادههای جایگزین در بازارهای مالی به دادههایی گفته میشود که خارج از دادههای سنتی مالی و اقتصادی مانند صورتهای مالی، قیمت و حجم معاملات یا شاخصهای اقتصادی رسمی هستند و از منابع غیرمتعارف و جدیدی همچون دادههای ماهوارهای، شبکههای اجتماعی، جستجوهای اینترنتی و … جمعآوری میشوند. این دادهها با هدف تحلیل بهتر بازار، کشف سیگنالهای معاملاتی و کسب مزیت رقابتی توسط شرکتهای سرمایهگذاری، صندوقهای پوشش ریسک و سایر فعالان حرفهای بازار مورد استفاده قرار میگیرند.
۶- Forward-Looking Indicators
۷- Analysing Market Indicators
۸- Generating Ideas
۹- Executing Investment Decisions
۱۰- Chatbots and Virtual Assistants
۱۱- Natural Language Processing – NLP
۱۲- Sentiment Analysis
۱۳- BlackRock:
بلکراک بزرگترین شرکت مدیریت دارایی در جهان است که در سال ۲۰۲۴ میلادی مدیریت بیش از ۱۱/۵ تریلیون دلار دارایی را بر عهده داشت.
۱۴- Personalized Customer Experience
۱۵- Robinhood:
شرکت رابینهود یکی از پیشروترین کارگزاریهای آنلاین در جهان است که از زمان تأسیس در سال ۲۰۱۳، با ارائه معاملات بدون کارمزد برای سهام، صندوقهای قابل معامله (ETF)، اختیارمعاملات و ارزهای دیجیتال، صنعت کارگزاری را متحول کرده است.
۱۶- Complaint Management and Advanced Support
۱۷- Allianz:
آلیانز یک شرکت مدیریت دارایی و بیمه بینالمللی است که دفتر مرکزی آن در آلمان قرار دارد. این شرکت بزرگترین شرکت بیمهای دنیا و بزرگترین شرکت ارائهدهنده خدمات مالی در اروپا است.
۱۸- Unstructured Data
۱۹- Renaissance Technologies:
این شرکت یک صندوق پوشش ریسک (Hedge Fund) مستقر در نیویورک است که تخصص بالایی در انواع معاملات الگوریتمی دارد. این شرکت دارای حدود ۳۰۰ نفر پرسنل است که ۹۰ نفر از آنها دارای دکتری ریاضیات، فیزیک، کامپیوتر و… هستند. همچنین این شرکت توانسته بیش از ۱۰۰ میلیارد دلار دارایی را جذب و تحت مدیریت خود قرار دهد.
۲۰- Interactive Brokers:
اینتراکتیو یک کارگزاری بینالمللی است که رتبه پنجمین کارگزاری بزرگ دنیا را به خود اختصاص داده است. این شرکت دارای مشتری در بیش از ۲۰۰ کشور است. همچنین اینتراکتیو برای مشتریان خود امکان دسترسی به بیش از ۱۶۰ بازار مالی را فراهم کرده است.
۲۱- High-Frequency Trading – HFT
۲۲- Flash Crashes
۲۳- Cyber-Security Threat Detection
۲۴- Goldman Sachs
۲۵- فیشینگ نوعی کلاهبرداری آنلاین است که در آن مجرم با کپی دقیق رابط گرافیکی و ظاهر یک وبگاه معتبر یا ارسال ایمیل، پیامک، تماس تلفنی و …، اطلاعات محرمانۀ کاربر مانند اطلاعات حساب بانکی یا کارگزاری همچون نام کاربری، رمز عبور و سایر اطلاعات ارزشمند وی را میرباید.
۲۶- Deep Learning
۲۷- Distributed Denial of Service:
حمله دیداس نوعی حمله سایبری است که در آن فرد مهاجم با ارسال حجم سنگینی از ترافیک اینترنتی به سمت هدف خود (مانند سامانه معاملات بورس) باعث از کار افتادن و یا ایجاد اختلال در عملکرد عادی آن شده و درنتیجه فعالان بازار برای دسترسی به آن دچار مشکل خواهند شد.
۲۸- Data Verification and Reconciliation
۲۹- Intelligent Pricing and Valuation
۳۰- Fair Value
۳۱- Morgan Stanley
