Adimen artifizialak burtsa aurreikus dezake?

Sarrera

Burtsaren iragarpena aspalditik izan da finantza-"grial santua" mundu osoko erakunde-inbertitzaileek eta txikizkako inbertitzaileek bilatzen dutena. Adimen Artifizialaren (AA) eta makina-ikaskuntzaren (AA) , askok galdetzen dute ea teknologia hauek azkenean akzioen prezioak iragartzeko sekretua argitu duten. AAk burtsaren iragarpena egin al dezake? Txosten zuri honek galdera hori ikuspegi global batetik aztertzen du, AAk bultzatutako ereduek merkatuaren mugimenduak nola iragartzen saiatzen diren azalduz, eredu horien oinarri teorikoak eta dituzten muga errealak. Azterketa inpartzial bat aurkezten dugu, ikerketan oinarritua eta ez publizitatean, AAk finantza-merkatuen iragarpenaren testuinguruan zer egin dezakeen eta ezin duenari

Finantza-teorian, iragarpenaren erronka Merkatu Eraginkorraren Hipotesiak (EMH) . EMHk (batez ere bere forma "sendoan") dio akzioen prezioek une jakin batean eskuragarri dagoen informazio guztia islatzen dutela, hau da, inongo inbertitzailek (ezta barnekoek ere) ezin duela merkatua gainditu etengabe eskuragarri dagoen informazioan negoziatuz ( Sare neuronaletan oinarritutako datuetan oinarritutako akzioen iragarpen-ereduak: berrikuspena ). Laburbilduz, merkatuak oso eraginkorrak badira eta prezioak ausazko ibilaldian , etorkizuneko prezioak zehaztasunez iragartzea ia ezinezkoa izan beharko litzateke. Teoria hau gorabehera, merkatua gainditzeko lilura horrek iragarpen-metodo aurreratuen ikerketa zabala bultzatu du. Adimen Artifiziala eta ikaskuntza automatikoa funtsezkoak bihurtu dira helburu horretan, datu kopuru handiak prozesatzeko eta gizakiek oharkabean pasa ditzaketen eredu sotilak identifikatzeko duten gaitasunari esker ( Ikaskuntza automatikoa burtsa-merkatuaren iragarpenerako erabiltzea... | FMP ).

Txosten zuri honek burtsako iragarpenetarako erabiltzen diren IA tekniken ikuspegi orokorra eskaintzen du eta haien eraginkortasuna ebaluatzen du. Eredu ezagunen oinarri teorikoetan datuak eta prestakuntza-prozesua muga eta erronka nagusiak azpimarratuko ditugu , hala nola merkatu-eraginkortasuna, datuen zarata eta aurreikusi ezin diren kanpoko gertaerak. Mundu errealeko ikerketak eta adibideak sartzen dira orain arte lortutako emaitza nahasiak ilustratzeko. Azkenik, inbertitzaileentzako eta profesionalentzako itxaropen errealistekin amaitzen dugu: IAren gaitasun ikusgarriak aitortzea, finantza-merkatuek algoritmo batek ere ezin duen guztiz ezabatu aurreikuspen-maila bat mantentzen dutela aitortuz.

IAren oinarri teorikoak burtsako iragarpenean

Gaur egungo IA bidezko akzioen iragarpena estatistika, finantza eta informatika arloan hamarkadetako ikerketan oinarritzen da. Baliagarria da eredu tradizionaletatik hasi eta puntako IArainoko ikuspegien espektroa ulertzea:

• Denbora-serieko eredu tradizionalak: Hasierako akzioen iragarpenak iraganeko prezioen ereduek etorkizuna proiektatu dezaketela suposatzen duten eredu estatistikoetan oinarritzen ziren. ARIMA (Auto-Regressive Integrated Moving Average) eta ARCH/GARCH denbora-serieko datuetan joera linealak eta bolatilitate-multzoak atzematean jartzen dute arreta ( Sare neuronaletan oinarritutako datu-oinarritutako akzioen iragarpen-ereduak: berrikuspena ). Eredu hauek oinarri bat eskaintzen dute iragarpenetarako, geldikortasun eta linealtasun hipotesietan prezioen sekuentzia historikoak modelatuz. Erabilgarriak diren arren, eredu tradizionalak askotan borrokan ari dira merkatu errealen eredu konplexu eta ez-linealekin, eta horrek praktikan iragarpenen zehaztasun mugatua dakar ( Sare neuronaletan oinarritutako datu-oinarritutako akzioen iragarpen-ereduak: berrikuspena ).

• Makina Ikaskuntzako Algoritmoak: Makina ikaskuntzako metodoek aurrez definitutako formula estatistikoak gainditzen dituzte, datuetatik zuzenean ereduak ikasiz Laguntza bektore makinak (SVM) , ausazko basoak eta gradiente bultzada bezalako algoritmoak akzioen iragarpenean aplikatu dira. Sarrera-ezaugarri sorta zabala txerta dezakete –adierazle teknikoetatik (adibidez, batez besteko mugikorrak, negoziazio-bolumena) oinarrizko adierazleetaraino (adibidez, irabaziak, makroekonomia-datuak)– eta haien artean harreman ez-linealak aurki ditzakete. Adibidez, ausazko baso edo gradiente bultzada eredu batek dozenaka faktore kontuan har ditzake aldi berean, eredu lineal sinple batek galdu ditzakeen elkarrekintzak atzemateko. ML eredu hauek erakutsi dute iragarpen-zehaztasuna apur bat hobetzeko gaitasuna, datuetan seinale konplexuak detektatuz ( Makina Ikaskuntza erabiliz Burtsaren Iragarpenerako... | FMP ). Hala ere, doikuntza zaindua eta datu ugari behar dituzte gehiegi egokitzea saihesteko (seinalearen ordez zarata ikastea).

• Ikaskuntza Sakona (Sare Neuronalak): Giza garunaren egituran inspiratutako sare neuronal sakonak Sare Neuronal Errepikakorrak (RNN) eta haien Memoria Labur-Epe Luzeko (LSTM) sare aldaerak bereziki sekuentzia-datuetarako diseinatuta daude, hala nola akzioen prezioen denbora-serieak. LSTMek iraganeko informazioaren memoria gorde eta denbora-mendekotasunak atzeman ditzakete, eta horrek oso egokiak bihurtzen ditu merkatu-datuetako joerak, zikloak edo beste denbora-menpeko ereduak modelatzeko. Ikerketek adierazten dute LSTMek eta beste ikaskuntza sakoneko eredu batzuek finantza-datuetan eredu sinpleagoek galtzen dituzten harreman konplexu eta ez-linealak : Sare Neuronal Konboluzionalak (CNN) (batzuetan adierazle teknikoen "irudietan" edo sekuentzia kodetuetan erabiltzen direnak), Transformadoreak (denbora-urrats edo datu-iturri desberdinen garrantzia pisatzeko arreta-mekanismoak erabiltzen dituztenak) eta baita Grafikoen Sare Neuronalak (GNN) (merkatu-grafiko bateko akzioen arteko harremanak modelatzeko). Sare neuronal aurreratu hauek ez dituzte prezioen datuak bakarrik barneratzen, baita datu-iturri alternatiboak ere, hala nola albisteen testua, sare sozialen sentimendua eta gehiago, merkatuaren mugimenduen aurreikuspen izan daitezkeen ezaugarri abstraktuak ikasiz ( Makina-ikaskuntza erabiltzea burtsa-merkatuaren aurreikuspenetarako... | FMP ). Ikaskuntza sakonaren malgutasunak kostu bat du: datu-gose dira, konputazio-intentsiboak dira eta askotan "kutxa beltz" gisa funtzionatzen dute, interpretatzeko gaitasun gutxiagorekin.

• Errefortzu bidezko ikaskuntza: IA akzioen iragarpenaren beste muga bat errefortzu bidezko ikaskuntza (IA) , non helburua ez den prezioak aurreikustea soilik, baizik eta merkataritza-estrategia optimo bat ikastea. IA esparru batean, agente (IA eredua) ingurune batekin (merkatua) elkarreragiten du ekintzak eginez (erosi, saldu, mantendu) eta sariak (irabaziak edo galerak) jasoz. Denborarekin, agenteak metatutako saria maximizatzen duen politika bat ikasten du. Errefortzu bidezko ikaskuntza sakonak (IA) sare neuronalak errefortzu bidezko ikaskuntzarekin konbinatzen ditu merkatuen egoera-espazio handia kudeatzeko. IA finantzetan erakargarritasuna erabakien sekuentzia eta inbertsioaren itzulera zuzenean optimizatzeko duen gaitasuna da, prezioak isolatuta aurreikustea baino. Adibidez, IA agente batek ikas dezake noiz sartu edo irten posizioetatik prezio-seinaleen arabera eta baita merkatu-baldintzak aldatzen diren heinean egokitu ere. Aipagarria da IA ​​erabili izana merkataritza-lehiaketa kuantitatiboetan eta merkataritza-sistema jabedun batzuetan lehiatzen diren IA ereduak entrenatzeko. Hala ere, RL metodoek erronka garrantzitsuei aurre egin behar diete: entrenamendu zabala behar dute (urteetako negoziazioak simulatuz), ezegonkortasuna edo portaera dibergentea izan dezakete arretaz doitzen ez badira, eta haien errendimendua oso sentikorra da merkatu-ingurunearekiko. Ikertzaileek konputazio-kostu handia eta egonkortasun-arazoak errefortzu-ikaskuntza burtsa konplexuetan aplikatzean. Erronka horiek gorabehera, RL ikuspegi itxaropentsua da, batez ere beste teknika batzuekin konbinatzen denean (adibidez, prezioen iragarpen-ereduak eta RL oinarritutako esleipen-estrategia bat erabiliz) erabakiak hartzeko sistema hibrido bat osatzeko ( Burtsako Merkatuaren Iragarpena Errefortzu Sakoneko Ikaskuntza Erabiliz ).

Datu-iturriak eta prestakuntza-prozesua

Eredu mota edozein dela ere, IA burtsako iragarpenaren oinarria

• Prezio Historikoak eta Adierazle Teknikoak: Ia modelo guztiek iraganeko akzioen prezioak (irekiera, altuera, baxuena, itxiera) eta negoziazio-bolumenak erabiltzen dituzte. Hauetatik, analistek askotan adierazle teknikoak (batez besteko mugikorrak, indar erlatiboaren indizea, MACD, etab.) lortzen dituzte sarrera gisa. Adierazle hauek modeloak ustia ditzakeen joerak edo momentuma nabarmentzen lagun dezakete. Adibidez, modelo batek azken 10 eguneko prezioen eta bolumenaren datuak har ditzake sarrera gisa, gehi 10 eguneko batez besteko mugikorra edo hegakortasun-neurriak bezalako adierazleak, hurrengo eguneko prezioen mugimendua aurreikusteko.

• Merkatu-indizeak eta datu ekonomikoak: Eredu askok merkatu-informazio zabalagoa barneratzen dute, hala nola indize-mailak, interes-tasak, inflazioa, BPGaren hazkundea edo beste adierazle ekonomiko batzuk. Makro-ezaugarri hauek testuingurua (adibidez, merkatuaren sentimendu orokorra edo osasun ekonomikoa) ematen dute, eta horrek eragina izan dezake akzioen banakako errendimenduan.

• Albiste eta Sentimendu Datuak: gero eta IA sistemek egituratu gabeko datuak irensten dituzte, hala nola albiste artikuluak, sare sozialetako jarioak (Twitter, Stocktwits) eta finantza txostenak. Hizkuntza Naturalaren Prozesamenduko (NLP) teknikak, BERT bezalako eredu aurreratuak barne, merkatuaren sentimendua neurtzeko edo gertaera garrantzitsuak detektatzeko erabiltzen dira. Adibidez, albisteen sentimendua bat-batean negatibo bihurtzen bada enpresa edo sektore batentzat, IA eredu batek lotutako akzioen prezioen jaitsiera iragarri dezake. Denbora errealeko albisteak eta sare sozialetako sentimendua , IAk giza merkatariek baino azkarrago erreakziona dezake informazio berriaren aurrean.

• Datu alternatiboak: Hedge fund sofistikatu batzuek eta adimen artifizialaren ikertzaile batzuek datu-iturri alternatiboak erabiltzen dituzte –satelite bidezko irudiak (denda-trafikorako edo industria-jarduerarako), kreditu-txartelen transakzio-datuak, web-bilaketen joerak, etab.– aurreikuspen-informazioa lortzeko. Datu-multzo ez-tradizional hauek batzuetan akzioen errendimenduaren adierazle nagusi gisa balio dezakete, nahiz eta konplexutasuna ere sartzen duten ereduen entrenamenduan.

Burtsako iragarpenetarako IA eredu bat entrenatzeak datu historiko hauek ematea eta ereduaren parametroak doitzea dakar iragarpen-errorea minimizatzeko. Normalean, datuak entrenamendu-multzo (adibidez, historia zaharragoa ereduak ikasteko) eta proba/balidazio multzo (datu berriagoak errendimendua ebaluatzeko baldintza ikusezinetan). Merkatu-datuen izaera sekuentziala kontuan hartuta, kontuz ibiltzen da "etorkizunera begiratzea" saihesteko; adibidez, ereduak entrenamendu-aldiaren ondorengo denbora-aldietako datuetan oinarrituta ebaluatzen dira, benetako merkataritzan nola funtzionatuko luketen simulatzeko. balidazio gurutzatuaren teknikak (aurreranzko baliozkotzea bezala) erabiltzen dira eredua ondo orokortzen dela eta aldi jakin batera ez egokitzen dela ziurtatzeko.

Gainera, profesionalek datuen kalitatearen eta aurreprozesamenduaren arazoei heldu behar diete. Datu faltak, muturreko balioek (adibidez, akzioen zatiketen edo gertaera puntualen ondoriozko bat-bateko igoerak) eta merkatuen erregimen aldaketek eragina izan dezakete modeloen entrenamenduan. Normalizazioa, joera kentzea edo desestazionalizazioa bezalako teknikak aplika daitezke sarrerako datuetan. Ikuspegi aurreratu batzuek prezioen serieak osagaietan deskonposatzen dituzte (joerak, zikloak, zarata) eta bereizita modelatzen dituzte (deskonposizio aldakorra sare neuronalekin konbinatzen duten ikerketetan ikusten den bezala ( Burtsako Merkatuaren Iragarpena Sakon Indartze Ikaskuntza Erabiliz )).

Modelo ezberdinek entrenamendu-eskakizun desberdinak dituzte: ikaskuntza sakoneko modeloek ehunka mila datu-puntu behar izan ditzakete eta GPU azelerazioaz baliatu, eta erregresio logistikoa bezalako modelo sinpleagoek, berriz, datu-multzo txikiagoetatik ikas dezakete. Errefortzu bidezko ikaskuntza-modeloek simulagailu edo ingurune bat behar dute elkarreragiteko; batzuetan, datu historikoak RL agenteari erreproduzitzen zaizkio, edo merkatu-simulagailuak erabiltzen dira esperientziak sortzeko.

Azkenik, behin entrenatu ondoren, eredu hauek funtzio prediktibo bat ematen dute; adibidez, biharko aurreikusitako prezioa, akzio bat igotzeko probabilitatea edo gomendatutako ekintza bat (erosi/saldu) izan daitekeen irteera bat. Iragarpen hauek normalean merkataritza-estrategia batean integratzen dira (posizioen tamaina, arriskuen kudeaketa-arauak, etab.) benetako dirua arriskuan jarri aurretik.

Mugak eta erronkak

IA ereduak izugarri sofistikatu diren arren, burtsaren iragarpena berez erronka bat da oraindik . Hona hemen IA merkatuetan igarle izatea eragozten duten muga eta oztopo nagusiak:

• Merkatuaren Eraginkortasuna eta Ausazkotasuna: Aurretik aipatu bezala, Merkatu Eraginkorraren Hipotesiak dio prezioek dagoeneko ezagutzen den informazioa islatzen dutela, beraz, edozein informazio berrik berehalako doikuntzak eragiten dituela. Praktikan, horrek esan nahi du prezioen aldaketak neurri handi batean ustekabeko albisteek edo ausazko gorabeherek eragiten dituztela. Izan ere, hamarkadetako ikerketek aurkitu dute epe laburreko akzioen prezioen mugimenduak ausazko ibilaldi baten antzekoak direla ( Sare neuronaletan oinarritutako datuetan oinarritutako akzioen aurreikuspen ereduak: berrikuspena ) – atzoko prezioak ez du eragin handirik biharkoarekin, zoriak aurreikusiko lukeenaz harago. Akzioen prezioak funtsean ausazkoak edo "eraginkorrak" badira, inongo algoritmok ezin ditu etengabe zehaztasun handiz aurreikusi. Ikerketa-azterketa batek laburbildu zuen bezala, "ausazko ibilaldiaren hipotesiak eta merkatu eraginkorraren hipotesiak funtsean diote ezinezkoa dela etorkizuneko akzioen prezioak sistematikoki eta fidagarritasunez aurreikustea" ( S&P 500 akzioen erlatiboak aurreikustea makina-ikaskuntza erabiliz | Finantza Berrikuntza | Testu osoa ). Horrek ez du esan nahi IAren iragarpenak beti alferrikakoak direnik, baina oinarrizko muga bat azpimarratzen du: merkatuaren mugimendu gehiena zarata besterik ez da izan daiteke, eta eredu onenak ere ezin du aldez aurretik aurreikusi.

• Zarata eta Kanpoko Faktore Aurreikusezinak: Akzioen prezioetan faktore askok eragiten dute, eta horietako asko exogenoak eta aurreikusezinak dira. Gertaera geopolitikoek (gerrak, hauteskundeak, araudi aldaketak), hondamendi naturalek, pandemiei, bat-bateko enpresen eskandaluek edo baita sare sozialetako zurrumurru biralek ere merkatuak ustekabean mugi ditzakete. Gertaera hauek dira, zeinetarako eredu batek ezin duen aurretiko entrenamendu daturik izan (aurrekaririk ez dutelako) edo kolpe arraro gisa gertatzen diren. Adibidez, 2010-2019ko datu historikoetan entrenatutako IA eredu batek ezin zuen zehazki aurreikusi 2020ko hasierako COVID-19 krisia edo haren errebote azkarra. Finantza IA ereduek arazoak dituzte erregimenak aldatzen direnean edo gertaera bakar batek prezioak bultzatzen dituenean. Iturri batek adierazi duenez, gertaera geopolitikoek edo bat-bateko datu ekonomikoen argitalpenek bezalako faktoreek iragarpenak ia berehala zaharkitu ditzakete ( Makina Ikaskuntza erabiltzea burtsako iragarpenetarako... | FMP ) ( Makina Ikaskuntza erabiltzea burtsako iragarpenetarako... | FMP ). Beste era batera esanda, aurreikusi gabeko albisteek beti gainidatzi ditzakete iragarpen algoritmikoak , murrizteko modukoa den ziurgabetasun maila txertatuz.

• Gehiegizko Egokitzapena eta Orokortzea: Makina-ikaskuntzako ereduak gehiegizko ; hau da, entrenamendu-datuetako "zarata" edo berezitasunak ondoegi ikas ditzakete, azpiko eredu orokorrak baino. Gehiegizko egokitzapen-eredu batek bikain funtziona dezake datu historikoetan (atzera begirako itzulera ikusgarriak edo lagin barruko zehaztasun handia erakutsiz ere), baina gero huts egin dezake datu berrietan. Hau ohiko akatsa da finantza kuantitatiboetan. Adibidez, sare neuronal konplexu batek iraganean mantendu ziren korrelazio faltsuak jaso ditzake kasualitatez (azken 5 urteetan igoeren aurretik gertatu diren adierazleen gurutzaketa-konbinazio jakin bat bezala), baina harreman horiek agian ez dira mantenduko aurrera begira. Adibide praktiko bat: iazko akzioen irabazleak beti igoko direla aurreikusten duen eredu bat diseinatu liteke; aldi jakin batera egokitu daiteke, baina merkatu-erregimena aldatzen bada, eredu hori hautsi egiten da. Gehiegizko egokitzapenak lagin kanpoko errendimendu eskasa dakar , hau da, ereduaren iragarpenak zuzeneko merkataritzan ausazkoak baino hobeak ez dira izan daitezke, garapenean itxura bikaina izan arren. Gehiegizko egokitzapena saihesteko, erregularizazioa, ereduaren konplexutasuna kontrolpean mantentzea eta balidazio sendoa erabiltzea bezalako teknikak behar dira. Hala ere, IA ereduei boterea ematen dien konplexutasun berak ere arazo honen aurrean zaurgarri bihurtzen ditu.

• Datuen Kalitatea eta Eskuragarritasuna: "Zaborra sartzen bada, zaborra ateratzen bada" esaera zaharra oso aplikatzen zaio akzioen iragarpenean IAri. Datuen kalitateak, kantitateak eta garrantziak eragin handia dute ereduaren errendimenduan. Datu historikoak nahikoak ez badira (adibidez, akzioen prezioen urte gutxi batzuetan sare sakon bat entrenatzen saiatzea) edo ez badira adierazgarriak (adibidez, beheranzko aldi bateko datuak erabiltzea egoera bat aurreikusteko), ereduak ez du ondo orokortuko. Datuak ere alboratuak edo biziraupenaren menpe egon daitezke (adibidez, akzioen indizeek errendimendu eskasa duten enpresak naturalki jaisten dituzte denborarekin, beraz, indize historikoen datuek goranzko alborapena izan dezakete). Datuak garbitzea eta zaintzea ez da lan hutsala. Gainera, datu-iturri alternatiboak Maiztasunaren arazoa ere badago : maiztasun handiko merkataritza-ereduek bolumen handiko datuak behar dituzte, eta azpiegitura berezia behar dute, maiztasun txikiagoko ereduek eguneroko edo asteroko datuak erabil ditzaketen bitartean. Datuak denboran lerrokatuta daudela ziurtatzea (adibidez, albisteak dagokien prezio-datuekin) eta aurrera begirako alborapenik gabe daudela etengabeko erronka da.

• Modeloen gardentasuna eta interpretatzeko gaitasuna: IA modelo askok, batez ere ikaskuntza sakonekoek, kutxa beltz . Iragarpen edo merkataritza-seinale bat sor dezakete arrazoi erraz azaldu gabe. Gardentasun falta horrek arazoak sor ditzake inbertitzaileentzat, batez ere erabakiak interesdunen aurrean justifikatu edo araudiak bete behar dituzten erakundeentzat. IA modelo batek akzio bat jaitsi egingo dela aurreikusten badu eta saltzea gomendatzen badu, zorro-kudeatzaile batek zalantzan jar dezake arrazoia ulertzen ez badu. IA erabakien opakutasunak konfiantza eta adopzioa murriztu ditzake, modeloaren zehaztasuna edozein dela ere. Erronka honek finantzetarako IA azalgarriaren ikerketa bultzatzen ari da, baina egia da askotan modeloaren konplexutasunaren/zehaztasunaren eta interpretatzeko gaitasunaren arteko oreka dagoela.

• Merkatu Moldagarriak eta Lehia: Garrantzitsua da kontuan izatea finantza-merkatuak moldagarriak . Behin aurreikuspen-eredu bat aurkitu eta merkatari askok erabiltzen dutenean (IA batek edo beste edozein metodok), baliteke funtzionatzeari uztea. Adibidez, IA eredu batek ikusten badu seinale jakin bat akzio baten igoeraren aurretik datorrela askotan, merkatariek seinale horren arabera jarduten hasiko dira lehenago, eta horrela aukera arbitratuko dute. Funtsean, merkatuak eboluzionatu egin dezakete estrategia ezagunak baliogabetzeko . Gaur egun, merkataritza-enpresa eta funts askok IA eta ML erabiltzen dituzte. Lehia honek esan nahi du edozein abantaila askotan txikia eta iraupen laburrekoa dela. Ondorioz, IA ereduek etengabe birziklatu eta eguneratu behar izaten dute merkatuaren dinamika aldakorrekin bat egiteko. Merkatu oso likido eta helduetan (AEBetako kapitalizazio handiko akzioetan bezala), jokalari sofistikatu ugari ari dira seinale berdinen bila, eta horrek oso zaila egiten du abantaila mantentzea. Aitzitik, merkatu ez hain eraginkorretan edo nitxo-aktiboetan, IAk aldi baterako eraginkortasun eza aurki dezake, baina merkatu horiek modernizatzen diren heinean, aldea itxi egin daiteke. Merkatuen izaera dinamiko hau oinarrizko erronka bat da: “jokoaren arauak” ez dira geldikorrak, beraz, iaz funtzionatu zuen eredua datorren urtean berregituratu beharko da agian.

• Benetako Munduko Mugak: IA eredu batek prezioak zehaztasun duinarekin iragarri ahal izango balitu ere, iragarpenak irabazi bihurtzea beste erronka bat da. Negoziazioak transakzio-kostuak , hala nola komisioak, irristatzea eta zergak. Eredu batek prezioen mugimendu txiki asko zuzen iragarri ditzake, baina irabaziak ezaba ditzakete merkataritza-tasen eta merkatu-inpaktuaren ondorioz. Arriskuen kudeaketa ere funtsezkoa da: ez dago %100ean ziurra den iragarpenik, beraz, IA bidezko edozein estrategiak kontuan hartu behar ditu galera potentzialak (stop-loss aginduen, zorroaren dibertsifikazioaren, etab. bidez). Erakundeek askotan IA iragarpenak arrisku-esparru zabalago batean integratzen dituzte, IAk okerra izan daitekeen iragarpen baten alde apusturik ez egiteko. Kontuan hartu beharreko alderdi praktiko hauek esan nahi dute IA baten abantaila teorikoa nabarmena izan behar dela benetako munduko marruskaduren ondoren erabilgarria izateko.

Laburbilduz, IAk gaitasun ikaragarriak ditu, baina muga hauek ziurtatzen dute burtsa sistema partzialki aurreikusgarria eta partzialki aurreikusezina izaten jarraitzen duela . IA ereduek inbertitzaile baten aldeko probabilitateak okertu ditzakete datuak modu eraginkorragoan aztertuz eta, agian, aurreikuspen-seinale sotilak aurkituz. Hala ere, prezio eraginkorraren, datu zaratatsuen, aurreikusi gabeko gertaeren eta muga praktikoen konbinazioak esan nahi du IA onena ere batzuetan oker egongo dela, askotan modu ezustekoan.

IA ereduen errendimendua: zer diote ebidentziak?

Aurrerapenak eta eztabaidatutako erronkak kontuan hartuta, zer ikasi dugu ikerketatik eta benetako munduan adimen artifiziala akzioen iragarpenean aplikatzeko saiakeretatik? Orain arteko emaitzak nahasiak dira, arrakasta itxaropentsuak eta porrot latzak :

• IAk zoriaren gainetik dagoen errendimenduaren adibideak: Hainbat ikerketek frogatu dute IA ereduek ausazko asmakizunak gainditu ditzaketela baldintza jakin batzuetan. Adibidez, 2024ko ikerketa batek LSTM sare neuronal bat erabili zuen Vietnamgo burtsako joerak Makina-ikaskuntzako algoritmoak aplikatzea burtsako akzioen prezioen joera aurreikusteko – Vietnamgo kasua | Giza eta Gizarte Zientzien Komunikazioak ). Horrek iradokitzen du merkatu horretan (ekonomia emergente batean), ereduak eredu koherenteak atzematea lortu zuela, agian merkatuak LSTMk ikasitako eraginkortasun ezak edo joera tekniko sendoak zituelako. 2024ko beste ikerketa batek esparru zabalagoa hartu zuen: ikertzaileek S&P 500eko akzio guztien (merkatu askoz eraginkorragoa) epe laburreko etekinak aurreikusten saiatu ziren ML ereduak erabiliz. Sailkapen arazo gisa planteatu zuten – akzio batek indizea % 2 gaindituko duen hurrengo 10 egunetan – Random Forests, SVM eta LSTM bezalako algoritmoak erabiliz. Emaitza: LSTM ereduak beste ML ereduak eta oinarri-lerro ausazko bat gainditu zituen , emaitzek estatistikoki nahikoa esanguratsuak izanik zorte kontua ez zela iradokitzeko ( S&P 500 akzioen erlatiboak aurreikustea makina ikaskuntza erabiliz | Finantza Berrikuntza | Testu osoa ). Egileek ondorioztatu zuten konfigurazio zehatz honetan ausazko ibilaldiaren hipotesia betetzeko probabilitatea "arbuiagarri txikia" zela, eta horrek adierazten du haien ML ereduek benetako aurreikuspen-seinaleak aurkitu zituztela. Adibide hauek erakusten dute IAk akzioen mugimenduak aurreikusteko abantaila ematen duten ereduak (apala bada ere) identifikatu ditzakeela, batez ere datu multzo handietan probatzen direnean.

• Industriako erabilera kasu aipagarriak: Ikasketa akademikoetatik kanpo, hedge funds eta finantza erakundeek AI arrakastaz erabili dutela dioten txostenak daude beren merkataritza eragiketetan. Maiztasun handiko merkataritza enpresa batzuek AI erabiltzen dute merkatuaren mikroegituraren ereduak segundo zatikietan ezagutzeko eta horiei erantzuteko. Banku handiek AI ereduak dituzte zorroaren esleipenerako eta arriskuen aurreikuspenerako , eta horiek, akzio bakar baten prezioa aurreikustea ez dute beti helburu, baina merkatuaren alderdiak aurreikustea dakar (hala nola, bolatilitatea edo korrelazioak). Badira AI bidezko funtsak ere (askotan "funts kuantiko" deituak) ikaskuntza automatikoa erabiltzen dutenak merkataritza erabakiak hartzeko; batzuek merkatua gainditu dute denbora tarte batzuetan, nahiz eta zaila den hori AIri soilik egoztea, askotan giza eta makina adimenaren konbinazioa erabiltzen baitute. Aplikazio zehatz bat sentimenduen analisi AI erabiltzea da: adibidez, albisteak eta Twitter eskaneatzea akzioen prezioak nola mugituko diren aurreikusteko. Eredu horiek agian ez dira % 100 zehatzak izango, baina merkatariei abantaila txiki bat eman diezaiekete albisteetan prezioak ezartzeko orduan. Kontuan izan behar da enpresek normalean IA estrategia arrakastatsuen xehetasunak jabetza intelektual gisa gordetzen dituztela, beraz, domeinu publikoko ebidentzia atzeratuta edo anekdotikoa izan ohi dela.

• Errendimendu eskasaren eta porroten kasuak: Arrakasta-istorio orok baditu kontuz ibiltzeko istorioak. Merkatu edo denbora-tarte batean zehaztasun handia aldarrikatzen zuten ikerketa akademiko askok ez zuten orokortu. Esperimentu aipagarri batek Indiako burtsako iragarpen-azterketa arrakastatsu bat (adierazle teknikoetan ML erabiliz zehaztasun handia zuena) AEBetako akzioetan errepikatzen saiatu zen. Erreplikazioak ez zuen aurreikuspen-ahalmen esanguratsurik ; izan ere, hurrengo egunean akzioak igoko zirela beti iragartzeko estrategia xalo batek ML eredu konplexuak gainditu zituen zehaztasunean. Egileek ondorioztatu zuten beren emaitzek "ausazko ibilaldiaren teoria babesten dutela" , hau da, akzioen mugimenduak funtsean aurreikusezinak zirela eta ML ereduek ez zutela lagundu. Horrek azpimarratzen du emaitzak izugarri alda daitezkeela merkatuaren eta aldiaren arabera. Era berean, Kaggle lehiaketa eta ikerketa kuantitatiboko lehiaketa ugarik erakutsi dute ereduek iraganeko datuak ondo egokitzen dituzten arren, zuzeneko merkataritzan duten errendimendua askotan % 50eko zehaztasunera itzultzen dela (norabidearen iragarpenerako) baldintza berriei aurre egiten dietenean. 2007ko funtsen kolapsoa eta 2020ko pandemiaren garaian IA bidezko funtsek izandako zailtasunak bezalako kasuek erakusten dute IA ereduak bat-batean huts egin dezaketela merkatu-erregimena aldatzen denean. Bizirauteko alborapena ere faktore bat da pertzepzioetan: IAren arrakasten berri porroten berri baino maizago entzuten dugu, baina, ezkutuan, modelo eta funts askok huts egiten dute eta ixten dira isilean, haien estrategiek funtzionatzeari uzten diotelako.

• Merkatuen arteko desberdintasunak: Ikerketetatik lortutako behaketa interesgarri bat da IAren eraginkortasuna merkatuaren heldutasunaren eta efizientziaren . Merkatu nahiko eraginkortasun gutxiagoko edo sortzen ari diren merkatuetan, ustiagarriagoak diren ereduak egon daitezke (analisten estaldura txikiagoa, likidezia-murrizketak edo portaera-alborapenak direla eta), eta horrek IA ereduei zehaztasun handiagoa lortzea ahalbidetzen die. Vietnamgo merkatuaren LSTM azterketa, % 93ko zehaztasunarekin, horren adibide izan liteke. Aitzitik, AEB bezalako merkatu oso eraginkorretan, eredu horiek azkar arbitratu daitezke. Vietnamgo kasuaren eta AEBko erreplikazio-azterketaren arteko emaitza mistoek desadostasun hori iradokitzen dute. Mundu mailan, horrek esan nahi du IAk gaur egun errendimendu iragarle hobea eman dezakeela nitxo-merkatu edo aktibo-klase batzuetan (adibidez, batzuek IA aplikatu dute lehengaien prezioak edo kriptografia-moneten joerak iragartzeko, arrakasta desberdinarekin). Denborarekin, merkatu guztiak eraginkortasun handiago baterantz mugitzen diren heinean, iragarle errazak lortzeko leihoa murrizten da.

• Zehaztasuna vs. Errentagarritasuna: Ezinbestekoa da iragarpenen zehaztasuna inbertsioen errentagarritasunetik bereiztea . Eredu batek, adibidez, % 60ko zehaztasuna baino ez izan dezake akzio baten eguneroko gora edo beherako mugimendua aurreikusteko –ez dirudi oso handia–, baina iragarpen horiek merkataritza-estrategia adimendun batean erabiltzen badira, nahiko errentagarriak izan daitezke. Alderantziz, eredu batek % 90eko zehaztasuna izan dezake, baina oker dagoen % 10eko aldi hori merkatu-mugimendu handiekin (eta, beraz, galera handiekin) bat badator, ez da errentagarria izan daiteke. IA akzioen iragarpen-ahalegin askok norabide-zehaztasunean edo erroreen minimizatzean jartzen dute arreta, baina inbertitzaileei arrisku-doitutako etekinak axola zaizkie. Horrela, ebaluazioek askotan Sharpe ratioa, beherakadak eta errendimenduaren koherentzia bezalako neurriak hartzen dituzte barne, ez bakarrik asmatze-tasa gordina. IA eredu batzuk posizioak eta arriskua automatikoki kudeatzen dituzten merkataritza-sistemetan integratu dira; haien benetako errendimendua zuzeneko merkataritza-errentagarritasunetan neurtzen da, eta ez iragarpen-estatistika autonomoetan. Orain arte, urtez urte dirua modu fidagarrian sortzen duen "AI merkatari" guztiz autonomo bat zientzia-fikzio gehiago da errealitatea baino, baina aplikazio estuagoek (merkatuaren epe laburreko bolatilitatea , merkatariek aukeren prezioa zehazteko erabil dezaketena, etab.) lekua aurkitu dute finantza-kutxan.

Oro har, ebidentziak iradokitzen du IA-k merkatu-eredu jakin batzuk aurreikusi ditzakeela zoriaren gainetik zehaztasun handiagoarekin , eta, horrela, merkataritza-abantaila eman dezakeela. Hala ere, abantaila hori askotan txikia da eta exekuzio sofistikatua behar du aprobetxatzeko. Norbaitek IA-k burtsa aurreikusi al dezake? , egungo ebidentzian oinarritutako erantzunik zintzoena hau da: IA-k batzuetan burtsako alderdiak aurreikusi ditzake baldintza zehatzetan, baina ezin du hori egin modu koherentean akzio guztientzat uneoro . Arrakastak partzialak eta testuinguruaren araberakoak izan ohi dira.

Ondorioa: Burtsako iragarpenetan IAren itxaropen errealistak

Zalantzarik gabe, Adimen Artifiziala eta ikaskuntza automatikoa tresna indartsu bihurtu dira finantzetan. Datu-multzo masiboak prozesatzen, korrelazio ezkutuak aurkitzen eta baita estrategiak berehala egokitzen ere bikainak dira. Burtsa aurreikusteko ahaleginean, Adimen Artifizialak ukigarriak baina mugatuak . Inbertitzaileek eta erakundeek errealistki espero dezakete Adimen Artifizialak erabakiak hartzen laguntzea –adibidez, seinale iragarleak sortuz, zorroak optimizatuz edo arriskuak kudeatuz–, baina ez irabaziak bermatzen dituen bola kristalino gisa balioko duenik.

Zer
dezakeen : IA-k inbertsioen prozesu analitikoa hobetu dezake. Urteetako merkatu-datuak, albiste-jarioak eta finantza-txostenak segundo gutxitan arakatu ditzake, gizaki batek oharkabean pasa ditzakeen eredu edo anomalia sotilak detektatuz ( Makina-ikaskuntza burtsaren iragarpenerako erabiltzea... | FMP ). Ehunka aldagai (teknikoak, oinarrizkoak, sentimenduak, etab.) konbina ditzake iragarpen koherente batean. Epe laburreko merkataritzan, IA algoritmoek ausazko zehaztasuna baino zertxobait hobeagoarekin iragar dezakete akzio batek beste bat gaindituko duela, edo merkatu batek bolatilitate-igoera bat izatear dagoela. Ertz gehigarri horiek, behar bezala ustiatzen direnean, benetako irabazi ekonomiko bihur daitezke. IA-k arriskuen kudeaketan : beherakadaren abisu goiztiarrak identifikatzen edo inbertitzaileei iragarpen baten konfiantza-mailaren berri ematen. IA-ren beste eginkizun praktiko bat estrategiaren automatizazioa : algoritmoek merkataritza abiadura eta maiztasun handian exekutatu ditzakete, gertaerei 24/7 erreakzionatu eta diziplina betearazi (negoziazio emozionik gabe), eta hori abantailagarria izan daiteke merkatu lurrunkorretan.

IAk
ezin egin (oraindik): Komunikabide batzuetan hainbesteko publizitatea izan arren, IAk ezin du burtsa modu koherente eta fidagarrian iragarri, merkatua beti gaindituz edo inflexio-puntu garrantzitsuak aurreikusiz. Merkatuetan eragina dute giza portaerak, ausazko gertaerek eta edozein eredu estatikori aurre egiten dioten feedback begizta konplexuek. IAk ez du ziurgabetasuna ezabatzen; probabilitateetan bakarrik aritzen da. IA batek akzio bat bihar igotzeko % 70eko aukera adieraz dezake, eta horrek esan nahi du ez igotzeko % 30eko aukera ere baduela. Negoziazio galerak eta deialdi txarrak saihestezinak dira. IAk ezin ditu aurreikusi bere entrenamendu-datuen eremutik kanpo dauden gertaera benetan berriak (askotan "beltxarga beltzak" deitzen direnak). Gainera, edozein iragarpen-eredu arrakastatsuk bere abantaila higatu dezakeen lehia gonbidatzen du. Funtsean, merkatuaren etorkizunaren aurreikuspena bermatzen duen kristalezko bola baten baliokidea den IArik

Ikuspegi Neutrala eta Errealista:
Ikuspegi neutral batetik, IA hobekien ikusten da analisi tradizionalaren eta gizakiaren ikuspegiaren hobekuntza gisa, ez ordezko gisa. Praktikan, erakunde-inbertitzaile askok IA ereduak erabiltzen dituzte giza analisten eta zorro-kudeatzaileen ekarpenekin batera. IAk zenbakiak eta errendimenduaren iragarpenak kalkula ditzake, baina gizakiek helburuak ezartzen dituzte, emaitzak interpretatzen dituzte eta estrategiak testuinguruaren arabera egokitzen dituzte (adibidez, aurreikusi gabeko krisi batean eredu bat gainidaztea). IA bidezko tresnak edo merkataritza-botak erabiltzen dituzten txikizkako inbertitzaileek erne egon behar dute eta tresnaren logika eta mugak ulertu. IA gomendio bati itsu-itsuan jarraitzea arriskutsua da: sarrera askoren artean bat bezala erabili behar da.

Itxaropen errealistak ezartzerakoan, honako hau ondoriozta liteke: IA-k burtsa neurri batean iragarri dezake, baina ez ziurtasunez eta ez akatsik gabe Erabaki zuzena egiteko aukerak handitu ditzake eraginkortasuna , eta hori merkatu lehiakorretan irabazien eta galeren arteko aldea izan daiteke. Hala ere, ezin du arrakasta bermatu edo akzioen merkatuen berezko bolatilitatea eta arriskua ezabatu. Argitalpen batek adierazi zuen bezala, algoritmo eraginkorrekin ere, burtsako emaitzak "berez aurreikusezinak" , modelatutako informazioaz haragoko faktoreengatik ( Burtsako Merkatuaren Iragarpena Errefortzu Sakoneko Ikaskuntza Erabiliz ).

Aurrerako bidea:
Etorkizunari begira, IAren eginkizuna burtsako iragarpenetan haziko dela dirudi. Ikerketa jarraituak muga batzuei aurre egiten ari dira (adibidez, erregimen-aldaketak kontuan hartzen dituzten ereduak garatzea, edo datuetan oinarritutako eta gertaeretan oinarritutako analisiak barneratzen dituzten sistema hibridoak). Interesa dago, halaber, indartze-ikaskuntzako agenteetan , eta horiek ingurune aldakorrak hobeto kudeatu ditzakete eredu estatiko trebatuek baino. Gainera, IA finantza konduktualen edo sare-analisiaren teknikekin konbinatzeak merkatu-dinamiken eredu aberatsagoak sor ditzake. Hala ere, etorkizuneko IA aurreratuenak ere probabilitatearen eta ziurgabetasunaren mugen barruan funtzionatuko du.

"IAk burtsa iragar al dezake?" galderak ez du baiezko edo ezezko erantzun sinple bat. Erantzun zehatzena hauxe da: IAk burtsa iragartzen lagun dezake, baina ez da hutsezina. Tresna indartsuak eskaintzen ditu, eta, zentzuz erabiltzen direnean, aurreikuspenak eta merkataritza-estrategiak hobetu ditzakete, baina ez du merkatuen oinarrizko aurreikuspen-ezintasuna kentzen. Inbertitzaileek IA bere indarguneengatik hartu beharko lukete -datuen prozesamendua eta ereduen ezagutza-, bere ahulezien jakitun izanik. Horrela, bi munduetako onena aprobetxatu daiteke: giza epaiketa eta makina-adimena elkarrekin lanean. Burtsa ez da inoiz % 100ean aurreikusgarria izango, baina itxaropen errealistekin eta IAren erabilera zuhurrarekin, merkatuko parte-hartzaileek inbertsio-erabaki informatuagoak eta diziplinatuagoak hartzen ahalegindu daitezke etengabe eboluzionatzen ari den finantza-paisaia batean.

Honen ondoren irakurri nahi izango dituzun txosten zuriak:

🔗 Adimen Artifizialak Ordezkatu Ezin Dituzten Lanpostuak – Eta Zein Lanpostu Ordezkatuko Ditu Adimen Artifizialak?
Ezagutu zein lanbide diren etorkizunerako prestatuak eta zeintzuk dauden arrisku handiena Adimen Artifizialak munduko enplegua birmoldatzen duen heinean.

🔗 Zer egin dezake IA sortzaileak gizakiaren esku-hartzerik gabe?
Ulertu IA sortzailearen egungo mugak eta gaitasun autonomoak egoera praktikoetan.

🔗 Nola erabil daiteke IA sortzailea zibersegurtasunean?
Ikasi nola defendatzen den IA mehatxuen aurka eta nola hobetzen duen zibererresilientzia tresna prediktibo eta autonomoekin.