آیا عامل‌های هوش مصنوعی می‌توانند معامله‌گران را شکست دهند؟

ورود هوش مصنوعی به بازارهای مالی وارد مرحله تازه‌ای شده است؛ مرحله‌ای که در آن دیگر صحبت فقط از تحلیل گزارش‌های مالی یا ارائه پیشنهاد سرمایه‌گذاری نیست، بلکه عامل‌های هوشمند می‌توانند مستقیماً در حساب‌های معاملاتی فعالیت کنند. این سامانه‌ها قادرند اطلاعات بازار را بررسی کنند، تصمیم معاملاتی بگیرند، سفارش ثبت کنند و حتی بر اساس تجربه معاملات قبلی، رفتار خود را تغییر دهند.

رشد این روند نیز قابل توجه است. رابین‌هود اعلام کرده از زمان راه‌اندازی معاملات عامل‌محور در ماه مه، بیش از ۱۵۰ هزار مشتری حساب معاملاتی عامل‌محور ایجاد کرده‌اند و عامل‌های هوشمند حدود ۳۰ میلیون بار در روز از ابزارهای این کارگزاری استفاده می‌کنند. پلتفرم پابلیک نیز تنها یک ماه پس از ارائه این قابلیت به تمام کاربران، شاهد ایجاد حدود ۲۰ هزار عامل و نظارت عامل‌های هوشمند بر بیش از ۲۰۰ میلیون دلار دارایی بوده است اما یک پرسش اساسی همچنان بدون پاسخ مانده است: آیا هوش مصنوعی واقعاً می‌تواند بازار سهام را شکست دهد؟

آزمایش ۵۰۰ دلاری؛ هوش مصنوعی چگونه معامله کرد؟

شرکت پژوهشی کاندور کپیتال برای بررسی عملکرد عامل‌های هوشمند، به سه سامانه هوش مصنوعی ۵۰۰ دلار سرمایه اختصاص داد و تنها یک دستور ساده در اختیار آنها گذاشت: تا حد ممکن پول بیشتری به دست بیاور.

این آزمایش با استفاده از کلود، جمینای و چت‌جی‌پی‌تی انجام شد و هر عامل امکان معامله سهام و صندوق‌های قابل معامله در بورس را داشت. همچنین از آنها خواسته شد در پایان هر جلسه معاملاتی، تمام سرمایه را به وجه نقد تبدیل کنند.

نتایج پس از سه روز نشان داد کلود با ۲.۹ درصد بازدهی بهترین عملکرد را داشت. جمینای ۰.۹ درصد رشد کرد، اما چت‌جی‌پی‌تی با ۰.۷ درصد زیان مواجه شد. این اختلاف در مدت کوتاه سه روز چندان معنادار نیست، اما رفتار عامل‌ها نکات جالب‌تری را آشکار کرد.

کلود با برنامه‌ریزی برای ۱۰ بار بررسی بازار در روز، معاملات خود را مرتب ارزیابی می‌کرد و حتی از اشتباهات قبلی خود یادداشت تهیه می‌کرد. برای مثال، پس از خرید در اوج یک جهش ابتدایی و فروش با زیان، روز بعد از دنبال کردن یک رشد شدید در ابتدای بازار خودداری کرد. به بیان دیگر، عامل هوشمند صرفاً معامله نکرد؛ بلکه تلاش کرد از تجربه قبلی برای تغییر رفتار آینده خود استفاده کند.

استراتژی‌های متفاوت عامل‌ها

رفتار سه عامل نیز کاملاً یکسان نبود. کلود و چت‌جی‌پی‌تی با جست‌وجوی اطلاعات در اینترنت، به سمت نوعی معامله مبتنی بر شتاب قیمت حرکت کردند. چت‌جی‌پی‌تی حتی تقریباً هر پنج دقیقه بازار را بررسی می‌کرد و در طول روز حدود ۷۵ بار به حساب معاملاتی خود سر می‌زد.

جمینای رویکرد بسیار محدودتری داشت و در طول روز بین ۵ تا ۸ بار بررسی انجام می‌داد. جالب آنکه این عامل تقریباً تمام معاملات خود را روی سهام انویدیا متمرکز کرد و از تعیین حد زیان نیز استفاده نکرد. این تفاوت رفتاری نشان می‌دهد که حتی با دریافت دستور مشابه، مدل‌های مختلف هوش مصنوعی می‌توانند برداشت‌ها و الگوهای معاملاتی کاملاً متفاوتی داشته باشند.

آیا عامل‌های هوشمند جای معامله‌گران را می‌گیرند؟

فعلاً پاسخ منفی است. دوره آزمایش کوتاه بود و سرمایه اختصاص‌یافته نیز تنها ۵۰۰ دلار برای هر عامل بود. علاوه بر این، بازار سهام در یک بازه سه‌روزه می‌تواند تحت تأثیر نوسانات تصادفی قرار گیرد و چنین دوره‌ای برای ارزیابی یک استراتژی سرمایه‌گذاری کافی نیست.

با این حال، اهمیت آزمایش در خود بازدهی نیست؛ بلکه در نوع رفتار عامل‌های هوشمند است. عامل‌ها می‌توانند بدون خستگی بازار را رصد کنند، اطلاعات جدید را پردازش کنند، سفارش‌ها را مدیریت کنند و در آینده حتی وظایفی مانند بازتنظیم سبد، تخصیص دارایی و مدیریت زیان مالیاتی را انجام دهند.

این موضوع می‌تواند ساختار بازار را نیز تغییر دهد. مدیرعامل اتورو معتقد است معاملات عامل‌ها برخلاف انسان‌ها محدود به ساعات مشخصی از روز نیست و عامل‌های هوشمند می‌توانند در تمام ساعات بازار به فعالیت خود ادامه دهند.

“

«به نظر می‌رسد مهم‌ترین اثر این فناوری در کوتاه‌مدت نه «شکست دادن بازار»، بلکه کاهش فاصله میان تصمیم‌گیری و اجرای معامله باشد. اگر عامل‌های هوشمند بتوانند در دوره‌های طولانی‌تر، با هزینه پایین و بدون دخالت مستمر انسان عملکردی پایدار ایجاد کنند، مزیت اصلی آنها احتمالاً از سرعت، استمرار و توانایی پردازش هم‌زمان حجم عظیمی از اطلاعات ناشی خواهد شد؛ با این حال، همین ویژگی می‌تواند رقابت را در بازار تشدید کند، زیرا وقتی تعداد زیادی عامل با دسترسی هم‌زمان به اطلاعات و ابزارهای مشابه فعالیت کنند، مزیت اطلاعاتی به‌سرعت فرسوده می‌شود. بنابراین پرسش آینده بازار سهام احتمالاً دیگر این نخواهد بود که «آیا هوش مصنوعی می‌تواند معامله کند؟»، بلکه این خواهد بود که کدام معماری عامل هوشمند می‌تواند در یک محیط رقابتی و متغیر، مزیت خود را برای مدت طولانی حفظ کند.»

بابک شیری

هوش مصنوعی در سرمایه‌گذاری بلندمدت

توانایی عامل‌های هوشمند فقط به معاملات کوتاه‌مدت محدود نمی‌شود. در آزمایش دیگری، کاندور از سه عامل خواست یک سبد ۶۰ درصد سهام و ۴۰ درصد اوراق بدهی ایجاد کنند. نتیجه جالب بود: هر سه عامل به سراغ صندوق‌های شاخص کم‌هزینه رفتند.

هر سه، صندوق VTI برای سهام کل بازار آمریکا و VXUS برای سهام بین‌المللی خارج از آمریکا را انتخاب کردند. در بخش اوراق نیز گزینه‌هایی مانند VTEB، MUB و SGOV مورد استفاده قرار گرفتند. این رفتار نشان می‌دهد عامل‌های هوشمند در مدیریت بلندمدت لزوماً به دنبال معاملات پیچیده نیستند و ممکن است به همان اصولی برسند که سرمایه‌گذاران سنتی و کم‌هزینه نیز از آنها استفاده می‌کنند.

مسیر آینده معاملات عامل‌محور

کارگزاری‌ها نیز در حال آماده شدن برای همین تغییر هستند. رابین‌هود امکان استفاده از عامل‌های هوشمند برای پژوهش، طراحی راهبرد و اجرای معامله را مستقیماً در پلتفرم خود فراهم کرده است. پابلیک نیز قابلیت مشابهی ارائه کرده، هرچند در برخی موارد تأیید نهایی معامله همچنان بر عهده کاربر است.

وبول نیز در حال توسعه چنین قابلیتی است و مدیران آن معتقدند در صورت قرار گرفتن عامل هوشمند مستقیماً درون پلتفرم کارگزاری، دامنه استفاده از این فناوری می‌تواند به شکل قابل توجهی افزایش یابد.

با این حال، استفاده از عامل‌های شخصی و اتصال آنها به حساب‌های معاملاتی همچنان برای بسیاری از کاربران نیازمند دانش فنی و سرمایه‌گذاری است و هنوز نمی‌توان آن را یک ابزار عمومی و بدون ریسک دانست.

در ترجمه برخی نقاط این گزارش از هوش مصنوعی کمک گرفته شده است.