តើ AI អាចទស្សន៍ទាយទីផ្សារភាគហ៊ុនបានទេ?

សេចក្តីផ្តើម

ការទស្សន៍ទាយទីផ្សារភាគហ៊ុនជាយូរមកហើយ គឺជា «គោលដៅដ៏ពិសិដ្ឋ» ខាងហិរញ្ញវត្ថុដែលវិនិយោគិនស្ថាប័ន និងលក់រាយនៅជុំវិញពិភពលោកស្វែងរក។ ជាមួយនឹងការរីកចម្រើនថ្មីៗក្នុង វិស័យបញ្ញាសិប្បនិម្មិត (AI) និង ការរៀនម៉ាស៊ីន (ML) មនុស្សជាច្រើនឆ្ងល់ថាតើបច្ចេកវិទ្យាទាំងនេះទីបំផុតបានដោះសោអាថ៌កំបាំងក្នុងការព្យាករណ៍តម្លៃភាគហ៊ុនដែរឬទេ។ តើ AI អាចទស្សន៍ទាយទីផ្សារភាគហ៊ុនបានទេ? ឯកសារសនេះពិនិត្យមើលសំណួរនោះពីទស្សនៈសកល ដោយគូសបញ្ជាក់ពីរបៀបដែលគំរូដែលជំរុញដោយ AI ព្យាយាមព្យាករណ៍ចលនាទីផ្សារ មូលដ្ឋានគ្រឹះទ្រឹស្តីនៅពីក្រោយគំរូទាំងនេះ និងដែនកំណត់ពិតប្រាកដដែលពួកគេប្រឈមមុខ។ យើងបង្ហាញការវិភាគដែលមិនលំអៀង ដែលមានមូលដ្ឋានលើការស្រាវជ្រាវជាជាងការផ្សព្វផ្សាយ អំពីអ្វីដែល AI អាចធ្វើ និង មិនអាច ធ្វើបាននៅក្នុងបរិបទនៃការទស្សន៍ទាយទីផ្សារហិរញ្ញវត្ថុ។

នៅក្នុងទ្រឹស្តីហិរញ្ញវត្ថុ បញ្ហាប្រឈមនៃការព្យាករណ៍ត្រូវបានគូសបញ្ជាក់ដោយ សម្មតិកម្មទីផ្សារប្រកបដោយប្រសិទ្ធភាព (EMH) ។ EMH (ជាពិសេសនៅក្នុងទម្រង់ "រឹងមាំ" របស់វា) សន្មតថាតម្លៃភាគហ៊ុនឆ្លុះបញ្ចាំងយ៉ាងពេញលេញនូវព័ត៌មានដែលមានទាំងអស់នៅពេលណាមួយ មានន័យថាគ្មានវិនិយោគិនណាម្នាក់ (សូម្បីតែអ្នកនៅខាងក្នុង) អាចមានប្រសិទ្ធភាពលើសពីទីផ្សារជាប់លាប់ដោយការជួញដូរលើព័ត៌មានដែលមាន ( គំរូព្យាករណ៍ភាគហ៊ុនដែលជំរុញដោយទិន្នន័យដោយផ្អែកលើបណ្តាញសរសៃប្រសាទ៖ ការពិនិត្យឡើងវិញ )។ និយាយឱ្យសាមញ្ញ ប្រសិនបើទីផ្សារមានប្រសិទ្ធភាពខ្ពស់ ហើយតម្លៃផ្លាស់ទីក្នុង ដំណើរចៃដន្យ នោះការព្យាករណ៍តម្លៃនាពេលអនាគតឱ្យបានត្រឹមត្រូវគួរតែស្ទើរតែមិនអាចទៅរួចទេ។ បើទោះបីជាមានទ្រឹស្តីនេះក៏ដោយ ការទាក់ទាញនៃការយកឈ្នះទីផ្សារបានជំរុញការស្រាវជ្រាវយ៉ាងទូលំទូលាយទៅលើវិធីសាស្រ្តព្យាករណ៍កម្រិតខ្ពស់។ បញ្ញាសិប្បនិម្មិត និងការរៀនម៉ាស៊ីនបានក្លាយជាចំណុចកណ្តាលនៃការខិតខំប្រឹងប្រែងនេះ ដោយសារសមត្ថភាពរបស់ពួកគេក្នុងការដំណើរការទិន្នន័យយ៉ាងច្រើន និងកំណត់គំរូដ៏ស្រទន់ដែលមនុស្សអាចខកខាន ( ការប្រើប្រាស់ការរៀនម៉ាស៊ីនសម្រាប់ការទស្សន៍ទាយទីផ្សារភាគហ៊ុន... | FMP )។

ឯកសារសនេះផ្តល់នូវទិដ្ឋភាពទូទៅដ៏ទូលំទូលាយនៃបច្ចេកទេស AI ដែលប្រើសម្រាប់ការទស្សន៍ទាយទីផ្សារភាគហ៊ុន និងវាយតម្លៃប្រសិទ្ធភាពរបស់វា។ យើងនឹងស្វែងយល់ពី មូលដ្ឋានគ្រឹះទ្រឹស្តី នៃគំរូពេញនិយម (ចាប់ពីវិធីសាស្ត្រស៊េរីពេលវេលាបែបប្រពៃណីរហូតដល់បណ្តាញសរសៃប្រសាទជ្រៅ និងការរៀនសូត្រពង្រឹង) ពិភាក្សាអំពី ដំណើរការទិន្នន័យ និងការបណ្តុះបណ្តាល សម្រាប់គំរូទាំងនេះ និងបញ្ជាក់ពី ដែនកំណត់ និងបញ្ហាប្រឈម ដែលប្រព័ន្ធបែបនេះជួបប្រទះ ដូចជាប្រសិទ្ធភាពទីផ្សារ សំឡេងរំខានទិន្នន័យ និងព្រឹត្តិការណ៍ខាងក្រៅដែលមិនអាចទាយទុកជាមុនបាន។ ការសិក្សា និងឧទាហរណ៍ក្នុងពិភពពិតត្រូវបានរួមបញ្ចូលដើម្បីបង្ហាញពីលទ្ធផលចម្រុះដែលទទួលបានរហូតមកដល់ពេលនេះ។ ជាចុងក្រោយ យើងសន្និដ្ឋានដោយការរំពឹងទុកជាក់ស្តែងសម្រាប់វិនិយោគិន និងអ្នកអនុវត្ត៖ ទទួលស្គាល់សមត្ថភាពគួរឱ្យចាប់អារម្មណ៍របស់ AI ខណៈពេលដែលទទួលស្គាល់ថាទីផ្សារហិរញ្ញវត្ថុរក្សាកម្រិតនៃភាពមិនអាចទាយទុកជាមុនបានដែលគ្មានក្បួនដោះស្រាយណាអាចលុបបំបាត់បានទាំងស្រុង។

មូលដ្ឋានគ្រឹះទ្រឹស្តីនៃ AI ក្នុងការទស្សន៍ទាយទីផ្សារភាគហ៊ុន

ការព្យាករណ៍ភាគហ៊ុនដែលមានមូលដ្ឋានលើ AI សម័យទំនើប បង្កើតឡើងដោយផ្អែកលើការស្រាវជ្រាវរាប់ទសវត្សរ៍ក្នុងវិស័យស្ថិតិ ហិរញ្ញវត្ថុ និងវិទ្យាសាស្ត្រកុំព្យូទ័រ។ វាមានប្រយោជន៍ក្នុងការយល់ដឹងអំពីវិសាលគមនៃវិធីសាស្រ្តចាប់ពីគំរូប្រពៃណីរហូតដល់ AI ទំនើបៗ៖

• គំរូស៊េរីពេលវេលាបែបប្រពៃណី៖ ការព្យាករណ៍ភាគហ៊ុនដំបូងៗពឹងផ្អែកលើគំរូស្ថិតិដែលសន្មតថាគំរូក្នុងតម្លៃកន្លងមកអាចព្យាករណ៍អនាគត។ គំរូដូចជា ARIMA (Auto-Regressive Integrated Moving Average) និង ARCH/GARCH ផ្តោតលើការចាប់យកនិន្នាការលីនេអ៊ែរ និងការដាក់ជាក្រុមនៃការប្រែប្រួលនៅក្នុងទិន្នន័យស៊េរីពេលវេលា ( គំរូព្យាករណ៍ភាគហ៊ុនដែលជំរុញដោយទិន្នន័យដោយផ្អែកលើបណ្តាញសរសៃប្រសាទ៖ ការពិនិត្យឡើងវិញ )។ គំរូទាំងនេះផ្តល់នូវមូលដ្ឋានសម្រាប់ការព្យាករណ៍ដោយការធ្វើគំរូលំដាប់តម្លៃប្រវត្តិសាស្ត្រក្រោមការសន្មត់នៃភាពស្ថិតស្ថេរ និងលីនេអ៊ែរ។ ខណៈពេលដែលមានប្រយោជន៍ គំរូប្រពៃណីជារឿយៗតស៊ូជាមួយនឹងគំរូស្មុគស្មាញ មិនមែនលីនេអ៊ែរនៃទីផ្សារពិតប្រាកដ ដែលនាំឱ្យមានភាពត្រឹមត្រូវនៃការព្យាករណ៍មានកម្រិតក្នុងការអនុវត្ត ( គំរូព្យាករណ៍ភាគហ៊ុនដែលជំរុញដោយទិន្នន័យដោយផ្អែកលើបណ្តាញសរសៃប្រសាទ៖ ការពិនិត្យឡើងវិញ )។

• ក្បួនដោះស្រាយការរៀនម៉ាស៊ីន៖ វិធីសាស្ត្ររៀនម៉ាស៊ីនលើសពីរូបមន្តស្ថិតិដែលបានកំណត់ជាមុន ដោយ ការរៀនលំនាំដោយផ្ទាល់ពីទិន្នន័យ ។ ក្បួនដោះស្រាយដូចជា ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (SVM) ព្រៃឈើ ចៃដន្យ និង ការជំរុញជម្រាល ត្រូវបានអនុវត្តចំពោះការព្យាករណ៍ភាគហ៊ុន។ ពួកវាអាចបញ្ចូលលក្ខណៈពិសេសបញ្ចូលជាច្រើនប្រភេទ - ចាប់ពីសូចនាករបច្ចេកទេស (ឧទាហរណ៍ មធ្យមភាគចល័ត បរិមាណជួញដូរ) រហូតដល់សូចនាករជាមូលដ្ឋាន (ឧទាហរណ៍ ប្រាក់ចំណូល ទិន្នន័យម៉ាក្រូសេដ្ឋកិច្ច) - និងស្វែងរកទំនាក់ទំនងមិនមែនលីនេអ៊ែរក្នុងចំណោមពួកវា។ ឧទាហរណ៍ ព្រៃឈើចៃដន្យ ឬគំរូជំរុញជម្រាលអាចពិចារណាកត្តារាប់សិបក្នុងពេលដំណាលគ្នា ដោយចាប់យកអន្តរកម្មដែលគំរូលីនេអ៊ែរសាមញ្ញអាចខកខាន។ គំរូ ML ទាំងនេះបានបង្ហាញពីសមត្ថភាពក្នុងការកែលម្អភាពត្រឹមត្រូវនៃការព្យាករណ៍ដោយល្មមដោយការរកឃើញសញ្ញាស្មុគស្មាញនៅក្នុងទិន្នន័យ ( ការប្រើប្រាស់ការរៀនម៉ាស៊ីនសម្រាប់ការព្យាករណ៍ទីផ្សារភាគហ៊ុន... | FMP )។ ទោះជាយ៉ាងណាក៏ដោយ ពួកវាត្រូវការការលៃតម្រូវដោយប្រុងប្រយ័ត្ន និងទិន្នន័យគ្រប់គ្រាន់ដើម្បីជៀសវាងការធ្វើឱ្យសមពេក (ការរៀនសំឡេងរំខានជាជាងសញ្ញា)។

• ការរៀនសូត្រស៊ីជម្រៅ (បណ្តាញសរសៃប្រសាទ): បណ្តាញសរសៃប្រសាទស៊ីជម្រៅ ដែលបំផុសគំនិតដោយរចនាសម្ព័ន្ធនៃខួរក្បាលមនុស្ស បានក្លាយជាការពេញនិយមសម្រាប់ការទស្សន៍ទាយទីផ្សារភាគហ៊ុនក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ។ ក្នុងចំណោមទាំងនេះ បណ្តាញសរសៃប្រសាទចរន្ត (RNNs) និង ចងចាំរយៈពេលខ្លីវែង (LSTM) ត្រូវបានរចនាឡើងជាពិសេសសម្រាប់ទិន្នន័យលំដាប់ដូចជាស៊េរីពេលវេលាតម្លៃភាគហ៊ុន។ LSTMs អាចរក្សាការចងចាំនៃព័ត៌មានអតីតកាល និងចាប់យកភាពអាស្រ័យតាមពេលវេលា ដែលធ្វើឱ្យវាសមស្របទៅនឹងនិន្នាការគំរូ វដ្ត ឬគំរូអាស្រ័យលើពេលវេលាផ្សេងទៀតនៅក្នុងទិន្នន័យទីផ្សារ។ ការស្រាវជ្រាវបង្ហាញថា LSTMs និងគំរូការរៀនសូត្រស៊ីជម្រៅផ្សេងទៀតអាចចាប់យក ទំនាក់ទំនងស្មុគស្មាញ មិនមែនលីនេអ៊ែរ នៅក្នុងទិន្នន័យហិរញ្ញវត្ថុដែលគំរូសាមញ្ញជាងនេះខកខាន។ វិធីសាស្រ្តការរៀនសូត្រស៊ីជម្រៅផ្សេងទៀតរួមមាន បណ្តាញសរសៃប្រសាទ Convolutional (CNNs) (ជួនកាលប្រើលើ "រូបភាព" សូចនាករបច្ចេកទេស ឬលំដាប់ដែលបានអ៊ិនកូដ) Transformers (ដែលប្រើយន្តការយកចិត្តទុកដាក់ដើម្បីថ្លឹងថ្លែងសារៈសំខាន់នៃជំហានពេលវេលា ឬប្រភពទិន្នន័យផ្សេងៗគ្នា) និងសូម្បីតែ បណ្តាញសរសៃប្រសាទក្រាហ្វ (GNNs) (ដើម្បីធ្វើគំរូទំនាក់ទំនងរវាងភាគហ៊ុននៅក្នុងក្រាហ្វទីផ្សារ)។ បណ្តាញសរសៃប្រសាទកម្រិតខ្ពស់ទាំងនេះអាចស្រូបយកមិនត្រឹមតែទិន្នន័យតម្លៃប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងប្រភពទិន្នន័យជំនួសដូចជាអត្ថបទព័ត៌មាន អារម្មណ៍ប្រព័ន្ធផ្សព្វផ្សាយសង្គម និងច្រើនទៀត ដោយរៀនលក្ខណៈពិសេសអរូបីដែលអាចទស្សន៍ទាយចលនាទីផ្សារ ( ការប្រើប្រាស់ការរៀនម៉ាស៊ីនសម្រាប់ការទស្សន៍ទាយទីផ្សារភាគហ៊ុន... | FMP )។ ភាពបត់បែននៃការរៀនស៊ីជម្រៅភ្ជាប់មកជាមួយនឹងការចំណាយ៖ ពួកវាត្រូវការទិន្នន័យច្រើន ប្រើប្រាស់កុំព្យូទ័រច្រើន ហើយជារឿយៗដំណើរការជា "ប្រអប់ខ្មៅ" ដែលមានការបកស្រាយតិចជាង។

• ការរៀនសូត្រពង្រឹង៖ ព្រំដែនមួយទៀតនៅក្នុងការទស្សន៍ទាយភាគហ៊ុន AI គឺ ការរៀនសូត្រពង្រឹង (RL) ដែលគោលដៅមិនត្រឹមតែទស្សន៍ទាយតម្លៃប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងរៀនយុទ្ធសាស្ត្រជួញដូរដ៏ល្អប្រសើរទៀតផង។ នៅក្នុងក្របខ័ណ្ឌ RL ភ្នាក់ងារ (គំរូ AI) ធ្វើអន្តរកម្មជាមួយបរិស្ថាន (ទីផ្សារ) ដោយចាត់វិធានការ (ទិញ លក់ កាន់កាប់) និងទទួលបានរង្វាន់ (ប្រាក់ចំណេញ ឬការខាតបង់)។ យូរៗទៅ ភ្នាក់ងាររៀនគោលនយោបាយដែលបង្កើនរង្វាន់សរុបឱ្យបានអតិបរមា។ ការរៀនសូត្រពង្រឹងជ្រៅ (DRL) រួមបញ្ចូលគ្នានូវបណ្តាញសរសៃប្រសាទជាមួយនឹងការរៀនសូត្រពង្រឹងដើម្បីគ្រប់គ្រងលំហរទីផ្សារដ៏ធំ។ ភាពទាក់ទាញរបស់ RL ក្នុងវិស័យហិរញ្ញវត្ថុគឺសមត្ថភាពរបស់វាក្នុងការពិចារណា លំដាប់នៃការសម្រេចចិត្ត និងបង្កើនប្រសិទ្ធភាពដោយផ្ទាល់សម្រាប់ការត្រឡប់មកវិញនៃការវិនិយោគ ជាជាងការទស្សន៍ទាយតម្លៃដោយឡែកពីគ្នា។ ឧទាហរណ៍ ភ្នាក់ងារ RL អាចរៀនពេលណាត្រូវចូល ឬចេញពីមុខតំណែងដោយផ្អែកលើសញ្ញាតម្លៃ ហើយថែមទាំងសម្របខ្លួននៅពេលដែលលក្ខខណ្ឌទីផ្សារផ្លាស់ប្តូរ។ ជាពិសេស RL ត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលគំរូ AI ដែលប្រកួតប្រជែងក្នុងការប្រកួតប្រជែងជួញដូរបរិមាណ និងនៅក្នុងប្រព័ន្ធជួញដូរដែលមានកម្មសិទ្ធិមួយចំនួន។ ទោះជាយ៉ាងណាក៏ដោយ វិធីសាស្ត្រ RL ក៏ប្រឈមមុខនឹងបញ្ហាប្រឈមសំខាន់ៗផងដែរ៖ ពួកវាត្រូវការការបណ្តុះបណ្តាលយ៉ាងទូលំទូលាយ (ក្លែងធ្វើពាណិជ្ជកម្មជាច្រើនឆ្នាំ) អាចទទួលរងពីអស្ថិរភាព ឬឥរិយាបថខុសគ្នាប្រសិនបើមិនត្រូវបានកែសម្រួលដោយប្រុងប្រយ័ត្ន ហើយការអនុវត្តរបស់ពួកគេមានភាពរសើបខ្លាំងចំពោះបរិយាកាសទីផ្សារដែលសន្មត់។ អ្នកស្រាវជ្រាវបានកត់សម្គាល់ពីបញ្ហាដូចជា ការចំណាយខ្ពស់ក្នុងការគណនា និងបញ្ហាស្ថេរភាព ក្នុងការអនុវត្តការរៀនពង្រឹងដល់ទីផ្សារភាគហ៊ុនស្មុគស្មាញ។ បើទោះបីជាមានបញ្ហាប្រឈមទាំងនេះក៏ដោយ RL តំណាងឱ្យវិធីសាស្រ្តដ៏ជោគជ័យមួយ ជាពិសេសនៅពេលផ្សំជាមួយបច្ចេកទេសផ្សេងទៀត (ឧទាហរណ៍ ការប្រើប្រាស់គំរូព្យាករណ៍តម្លៃបូករួមទាំងយុទ្ធសាស្ត្របែងចែកផ្អែកលើ RL) ដើម្បីបង្កើតប្រព័ន្ធធ្វើការសម្រេចចិត្តបែបកូនកាត់ ( ការទស្សន៍ទាយទីផ្សារភាគហ៊ុនដោយប្រើការរៀនពង្រឹងជ្រៅ )។

ប្រភពទិន្នន័យ និងដំណើរការបណ្តុះបណ្តាល

ដោយមិនគិតពីប្រភេទគំរូទេ ទិន្នន័យគឺជាឆ្អឹងខ្នង នៃការព្យាករណ៍ទីផ្សារភាគហ៊ុន AI។ គំរូជាធម្មតាត្រូវបានបណ្តុះបណ្តាលលើទិន្នន័យទីផ្សារប្រវត្តិសាស្ត្រ និងសំណុំទិន្នន័យពាក់ព័ន្ធផ្សេងទៀត ដើម្បីរកឃើញលំនាំ។ ប្រភពទិន្នន័យ និងលក្ខណៈពិសេសទូទៅរួមមាន៖

• តម្លៃប្រវត្តិសាស្ត្រ និងសូចនាករបច្ចេកទេស៖ ស្ទើរតែគ្រប់ម៉ូដែលទាំងអស់ប្រើប្រាស់តម្លៃភាគហ៊ុនពីមុន (បើក ខ្ពស់ ទាប បិទ) និងបរិមាណជួញដូរ។ ពីចំណុចទាំងនេះ អ្នកវិភាគច្រើនតែទាញយកសូចនាករបច្ចេកទេស (មធ្យមភាគចល័ត សន្ទស្សន៍កម្លាំងទាក់ទង MACD ។ល។) ជាធាតុចូល។ សូចនាករទាំងនេះអាចជួយបញ្ជាក់ពីនិន្នាការ ឬសន្ទុះដែលម៉ូដែលនេះអាចទាញយកបាន។ ឧទាហរណ៍ ម៉ូដែលមួយអាចយកជាធាតុចូលសម្រាប់តម្លៃ និងបរិមាណជួញដូរក្នុងរយៈពេល 10 ថ្ងៃចុងក្រោយ បូករួមទាំងសូចនាករដូចជាមធ្យមភាគចល័តរយៈពេល 10 ថ្ងៃ ឬវិធានការប្រែប្រួល ដើម្បីទស្សន៍ទាយចលនាតម្លៃនៅថ្ងៃបន្ទាប់។

• សន្ទស្សន៍ទីផ្សារ និងទិន្នន័យសេដ្ឋកិច្ច៖ គំរូជាច្រើនបញ្ចូលព័ត៌មានទីផ្សារកាន់តែទូលំទូលាយ ដូចជាកម្រិតសន្ទស្សន៍ អត្រាការប្រាក់ អតិផរណា កំណើនផលិតផលក្នុងស្រុកសរុប ឬសូចនាករសេដ្ឋកិច្ចផ្សេងទៀត។ លក្ខណៈពិសេសម៉ាក្រូទាំងនេះផ្តល់នូវបរិបទ (ឧទាហរណ៍ អារម្មណ៍ទីផ្សារទាំងមូល ឬសុខភាពសេដ្ឋកិច្ច) ដែលអាចជះឥទ្ធិពលដល់ដំណើរការភាគហ៊ុននីមួយៗ។

• ទិន្នន័យព័ត៌មាន និងអារម្មណ៍៖ ប្រព័ន្ធ AI កាន់តែច្រើនឡើងៗទទួលយកទិន្នន័យដែលមិនមានរចនាសម្ព័ន្ធដូចជាអត្ថបទព័ត៌មាន ព័ត៌មានប្រព័ន្ធផ្សព្វផ្សាយសង្គម (Twitter, Stocktwits) និងរបាយការណ៍ហិរញ្ញវត្ថុ។ បច្ចេកទេសដំណើរការភាសាធម្មជាតិ (NLP) រួមទាំងគំរូកម្រិតខ្ពស់ដូចជា BERT ត្រូវបានប្រើដើម្បីវាស់ស្ទង់អារម្មណ៍ទីផ្សារ ឬរកឃើញព្រឹត្តិការណ៍ពាក់ព័ន្ធ។ ឧទាហរណ៍ ប្រសិនបើអារម្មណ៍ព័ត៌មានស្រាប់តែប្រែជាអវិជ្ជមានយ៉ាងខ្លាំងសម្រាប់ក្រុមហ៊ុន ឬវិស័យណាមួយ គំរូ AI អាចព្យាករណ៍ពីការធ្លាក់ចុះនៃតម្លៃភាគហ៊ុនដែលពាក់ព័ន្ធ។ តាមរយៈការដំណើរការ ព័ត៌មាន និងអារម្មណ៍ប្រព័ន្ធផ្សព្វផ្សាយសង្គមតាមពេលវេលាជាក់ស្តែង AI អាចមានប្រតិកម្មលឿនជាងពាណិជ្ជករមនុស្សចំពោះព័ត៌មានថ្មី។

• ទិន្នន័យជំនួស៖ មូលនិធិការពារហានិភ័យដ៏ទំនើបមួយចំនួន និងអ្នកស្រាវជ្រាវ AI ប្រើប្រាស់ប្រភពទិន្នន័យជំនួស - រូបភាពផ្កាយរណប (សម្រាប់ចរាចរណ៍ហាង ឬសកម្មភាពឧស្សាហកម្ម) ទិន្នន័យប្រតិបត្តិការកាតឥណទាន និន្នាការស្វែងរកគេហទំព័រ។ល។ - ដើម្បីទទួលបានការយល់ដឹងព្យាករណ៍។ សំណុំទិន្នន័យមិនមែនប្រពៃណីទាំងនេះជួនកាលអាចបម្រើជាសូចនាករឈានមុខគេសម្រាប់ដំណើរការភាគហ៊ុន ទោះបីជាពួកវាក៏ណែនាំភាពស្មុគស្មាញនៅក្នុងការបណ្តុះបណ្តាលគំរូក៏ដោយ។

ការហ្វឹកហ្វឺនគំរូ AI សម្រាប់ការទស្សន៍ទាយភាគហ៊ុនពាក់ព័ន្ធនឹងការផ្តល់ទិន្នន័យប្រវត្តិសាស្ត្រនេះ និងការកែតម្រូវប៉ារ៉ាម៉ែត្ររបស់គំរូដើម្បីកាត់បន្ថយកំហុសព្យាករណ៍។ ជាធម្មតា ទិន្នន័យត្រូវបានបែងចែកជា សំណុំបណ្តុះបណ្តាល (ឧទាហរណ៍ ប្រវត្តិចាស់ៗដើម្បីរៀនលំនាំ) និង សំណុំសាកល្បង/ផ្ទៀងផ្ទាត់ (ទិន្នន័យថ្មីៗជាងនេះដើម្បីវាយតម្លៃការអនុវត្តលើលក្ខខណ្ឌដែលមើលមិនឃើញ)។ ដោយសារតែលក្ខណៈលំដាប់លំដោយនៃទិន្នន័យទីផ្សារ ការយកចិត្តទុកដាក់ត្រូវបានធ្វើឡើងដើម្បីជៀសវាង "ការសម្លឹងមើលទៅអនាគត" - ឧទាហរណ៍ គំរូត្រូវបានវាយតម្លៃលើទិន្នន័យពីរយៈពេលបន្ទាប់ពីរយៈពេលបណ្តុះបណ្តាល ដើម្បីក្លែងធ្វើពីរបៀបដែលពួកគេនឹងអនុវត្តនៅក្នុងការជួញដូរពិតប្រាកដ។ ផ្ទៀងផ្ទាត់ឆ្លងកាត់ ដែលត្រូវបានកែសម្រួលសម្រាប់ស៊េរីពេលវេលា (ដូចជាការផ្ទៀងផ្ទាត់ដើរទៅមុខ) ត្រូវបានប្រើដើម្បីធានាថាគំរូធ្វើឱ្យមានលក្ខណៈទូទៅល្អ ហើយមិនគ្រាន់តែសមនឹងរយៈពេលជាក់លាក់ណាមួយនោះទេ។

លើសពីនេះ អ្នកអនុវត្តត្រូវតែដោះស្រាយបញ្ហាគុណភាពទិន្នន័យ និងដំណើរការជាមុន។ ទិន្នន័យដែលបាត់ ទិន្នន័យខុសប្រក្រតី (ឧទាហរណ៍ ការកើនឡើងភ្លាមៗដោយសារតែការបំបែកភាគហ៊ុន ឬព្រឹត្តិការណ៍ម្តងម្កាល) និងការផ្លាស់ប្តូររបបនៅក្នុងទីផ្សារ សុទ្ធតែអាចប៉ះពាល់ដល់ការបណ្តុះបណ្តាលគំរូ។ បច្ចេកទេសដូចជាការធ្វើឱ្យមានលក្ខណៈធម្មតា ការកាត់បន្ថយនិន្នាការ ឬការធ្វើឱ្យមិនមានរដូវកាលអាចត្រូវបានអនុវត្តចំពោះទិន្នន័យបញ្ចូល។ វិធីសាស្រ្តកម្រិតខ្ពស់មួយចំនួនបំបែកស៊េរីតម្លៃទៅជាសមាសធាតុ (និន្នាការ វដ្ត សំឡេងរំខាន) ហើយធ្វើគំរូពួកវាដោយឡែកពីគ្នា (ដូចដែលបានឃើញនៅក្នុងការស្រាវជ្រាវដែលរួមបញ្ចូលគ្នានូវការបំបែករបៀបបំរែបំរួលជាមួយនឹងបណ្តាញសរសៃប្រសាទ ( ការទស្សន៍ទាយទីផ្សារភាគហ៊ុនដោយប្រើការរៀនសូត្រពង្រឹងជ្រៅ ))។

ម៉ូដែលផ្សេងៗគ្នាមានតម្រូវការបណ្តុះបណ្តាលខុសៗគ្នា៖ ម៉ូដែលសិក្សាស៊ីជម្រៅអាចត្រូវការចំណុចទិន្នន័យរាប់រយរាប់ពាន់ និងទទួលបានអត្ថប្រយោជន៍ពីការបង្កើនល្បឿន GPU ខណៈពេលដែលម៉ូដែលសាមញ្ញជាងដូចជាការវិភាគតំរែតំរង់ឡូជីស្ទីកអាចរៀនពីសំណុំទិន្នន័យតូចៗ។ ម៉ូដែលសិក្សាពង្រឹងតម្រូវឱ្យមានកម្មវិធីក្លែងធ្វើ ឬបរិស្ថានដើម្បីធ្វើអន្តរកម្មជាមួយ។ ពេលខ្លះទិន្នន័យប្រវត្តិសាស្ត្រត្រូវបានចាក់ឡើងវិញទៅកាន់ភ្នាក់ងារ RL ឬកម្មវិធីក្លែងធ្វើទីផ្សារត្រូវបានប្រើដើម្បីបង្កើតបទពិសោធន៍។.

ជាចុងក្រោយ នៅពេលដែលបានហ្វឹកហាត់រួច គំរូទាំងនេះផ្តល់នូវមុខងារព្យាករណ៍ - ឧទាហរណ៍ លទ្ធផលដែលអាចជាតម្លៃដែលបានព្យាករណ៍សម្រាប់ថ្ងៃស្អែក ប្រូបាប៊ីលីតេដែលភាគហ៊ុននឹងកើនឡើង ឬសកម្មភាពដែលបានណែនាំ (ទិញ/លក់)។ ការព្យាករណ៍ទាំងនេះត្រូវបានបញ្ចូលទៅក្នុងយុទ្ធសាស្ត្រជួញដូរ (ជាមួយនឹងការកំណត់ទំហំមុខតំណែង ច្បាប់គ្រប់គ្រងហានិភ័យ។ល។) មុនពេលប្រាក់ពិតប្រាកដត្រូវបានដាក់ឱ្យប្រឈមនឹងហានិភ័យ។.

ដែនកំណត់ និងបញ្ហាប្រឈម

ខណៈពេលដែលគំរូ AI បានក្លាយជាទំនើបមិនគួរឱ្យជឿ ការទស្សន៍ទាយទីផ្សារភាគហ៊ុននៅតែជាកិច្ចការដ៏លំបាកមួយ ។ ខាងក្រោមនេះគឺជាដែនកំណត់ និងឧបសគ្គសំខាន់ៗដែលរារាំង AI ពីការក្លាយជាគ្រូទាយសំណាងដែលមានការធានានៅក្នុងទីផ្សារ៖

• ប្រសិទ្ធភាពទីផ្សារ និងភាពចៃដន្យ៖ ដូចដែលបានរៀបរាប់ខាងលើ សម្មតិកម្មទីផ្សារប្រកបដោយប្រសិទ្ធភាពអះអាងថា តម្លៃឆ្លុះបញ្ចាំងពីព័ត៌មានដែលគេដឹងរួចហើយ ដូច្នេះព័ត៌មានថ្មីណាមួយបណ្តាលឱ្យមានការកែតម្រូវភ្លាមៗ។ ក្នុងន័យជាក់ស្តែង នេះមានន័យថា ការប្រែប្រួលតម្លៃភាគច្រើនត្រូវបានជំរុញដោយ ដែលមិននឹកស្មានដល់ ឬការប្រែប្រួលចៃដន្យ។ ជាការពិតណាស់ ការស្រាវជ្រាវរាប់ទសវត្សរ៍បានរកឃើញថា ចលនាតម្លៃភាគហ៊ុនរយៈពេលខ្លីស្រដៀងនឹងការដើរចៃដន្យ ( គំរូព្យាករណ៍ភាគហ៊ុនដែលជំរុញដោយទិន្នន័យដោយផ្អែកលើបណ្តាញសរសៃប្រសាទ៖ ការពិនិត្យឡើងវិញ ) - តម្លៃកាលពីម្សិលមិញមានឥទ្ធិពលតិចតួចទៅលើថ្ងៃស្អែក លើសពីអ្វីដែលឱកាសនឹងទស្សន៍ទាយ។ ប្រសិនបើតម្លៃភាគហ៊ុនមានលក្ខណៈចៃដន្យ ឬ "មានប្រសិទ្ធភាព" នោះ គ្មានក្បួនដោះស្រាយណាមួយអាចទស្សន៍ទាយវាបានជាប់លាប់ជាមួយនឹងភាពត្រឹមត្រូវខ្ពស់នោះទេ។ ដូចដែលការសិក្សាស្រាវជ្រាវមួយបាននិយាយយ៉ាងសង្ខេបថា "សម្មតិកម្មដើរចៃដន្យ និងសម្មតិកម្មទីផ្សារប្រកបដោយប្រសិទ្ធភាព ជាទូទៅបញ្ជាក់ថា វាមិនអាចទស្សន៍ទាយតម្លៃភាគហ៊ុននាពេលអនាគតជាប្រព័ន្ធ និងអាចទុកចិត្តបាននោះទេ" ( ការព្យាករណ៍ពីប្រាក់ចំណេញដែលទាក់ទងសម្រាប់ភាគហ៊ុន S&P 500 ដោយប្រើការរៀនម៉ាស៊ីន | នវានុវត្តន៍ហិរញ្ញវត្ថុ | អត្ថបទពេញ )។ នេះមិនមានន័យថា ការទស្សន៍ទាយដោយ AI តែងតែគ្មានប្រយោជន៍នោះទេ ប៉ុន្តែវាគូសបញ្ជាក់ពីដែនកំណត់ជាមូលដ្ឋាន៖ ចលនាភាគច្រើនរបស់ទីផ្សារអាចគ្រាន់តែជាសំឡេងរំខានដែលសូម្បីតែគំរូដ៏ល្អបំផុតក៏មិនអាចទស្សន៍ទាយជាមុនបានដែរ។

• សំឡេងរំខាន និងកត្តាខាងក្រៅដែលមិនអាចទាយទុកជាមុនបាន៖ តម្លៃភាគហ៊ុនត្រូវបានជះឥទ្ធិពលដោយកត្តាជាច្រើន ដែលភាគច្រើនជាកត្តាខាងក្រៅ និងមិនអាចទាយទុកជាមុនបាន។ ព្រឹត្តិការណ៍ភូមិសាស្ត្រនយោបាយ (សង្គ្រាម ការបោះឆ្នោត ការផ្លាស់ប្តូរបទប្បញ្ញត្តិ) គ្រោះមហន្តរាយធម្មជាតិ ជំងឺរាតត្បាត រឿងអាស្រូវសាជីវកម្មភ្លាមៗ ឬសូម្បីតែពាក្យចចាមអារ៉ាមប្រព័ន្ធផ្សព្វផ្សាយសង្គមដ៏ពេញនិយម សុទ្ធតែអាចផ្លាស់ប្តូរទីផ្សារដោយមិននឹកស្មានដល់។ ទាំងនេះគឺជាព្រឹត្តិការណ៍ដែលគំរូមួយ មិនអាចមានទិន្នន័យបណ្តុះបណ្តាលពីមុន (ព្រោះវាមិនធ្លាប់មានពីមុនមក) ឬដែលកើតឡើងជាការភ្ញាក់ផ្អើលដ៏កម្រ។ ឧទាហរណ៍ គ្មានគំរូ AI ណាមួយដែលត្រូវបានបណ្តុះបណ្តាលលើទិន្នន័យប្រវត្តិសាស្ត្រពីឆ្នាំ ២០១០-២០១៩ អាចទស្សន៍ទាយជាពិសេសអំពីការធ្លាក់ចុះនៃ COVID-19 នៅដើមឆ្នាំ ២០២០ ឬការងើបឡើងវិញយ៉ាងឆាប់រហ័សរបស់វានោះទេ។ គំរូ AI ហិរញ្ញវត្ថុជួបការលំបាកនៅពេលដែលរបបផ្លាស់ប្តូរ ឬនៅពេលដែលព្រឹត្តិការណ៍តែមួយជំរុញតម្លៃ។ ដូចដែលប្រភពមួយបានកត់សម្គាល់ កត្តាដូចជាព្រឹត្តិការណ៍ភូមិសាស្ត្រនយោបាយ ឬការចេញផ្សាយទិន្នន័យសេដ្ឋកិច្ចភ្លាមៗអាចធ្វើឱ្យការព្យាករណ៍ហួសសម័យស្ទើរតែភ្លាមៗ ( ការប្រើប្រាស់ការរៀនម៉ាស៊ីនសម្រាប់ការទស្សន៍ទាយទីផ្សារភាគហ៊ុន... | FMP ) ( ការប្រើប្រាស់ការរៀនម៉ាស៊ីនសម្រាប់ការទស្សន៍ទាយទីផ្សារភាគហ៊ុន... | FMP )។ ម្យ៉ាងវិញទៀត ព័ត៌មានដែលមិនបានរំពឹងទុកតែងតែអាចជំនួសការទស្សន៍ទាយក្បួនដោះស្រាយ ដោយចាក់បញ្ចូលកម្រិតនៃភាពមិនប្រាកដប្រជាដែលមិនអាចកាត់បន្ថយបាន។

• ការបំពេញលើសកម្រិត និងការធ្វើឱ្យមានលក្ខណៈទូទៅ៖ គំរូរៀនម៉ាស៊ីនងាយនឹង បំពេញលើសកម្រិត - មានន័យថាពួកវាអាចរៀនពី "សំឡេងរំខាន" ឬភាពចម្លែកនៅក្នុងទិន្នន័យបណ្តុះបណ្តាលបានល្អពេក ជាជាងគំរូទូទៅមូលដ្ឋាន។ គំរូដែលបំពេញលើសកម្រិតអាចដំណើរការយ៉ាងល្អឥតខ្ចោះលើទិន្នន័យប្រវត្តិសាស្ត្រ (សូម្បីតែបង្ហាញពីលទ្ធផលដែលបានសាកល្បងឡើងវិញគួរឱ្យចាប់អារម្មណ៍ ឬភាពត្រឹមត្រូវខ្ពស់ក្នុងគំរូ) ប៉ុន្តែបន្ទាប់មកបរាជ័យយ៉ាងវេទនាលើទិន្នន័យថ្មី។ នេះគឺជាគ្រោះថ្នាក់ទូទៅមួយនៅក្នុងហិរញ្ញវត្ថុបរិមាណ។ ឧទាហរណ៍ បណ្តាញសរសៃប្រសាទស្មុគស្មាញអាចរើសយកទំនាក់ទំនងមិនពិតដែលមានកាលពីអតីតកាលដោយចៃដន្យ (ដូចជាការរួមបញ្ចូលគ្នាជាក់លាក់នៃការឆ្លងកាត់សូចនាករដែលបានកើតឡើងមុនពេលការកើនឡើងក្នុងរយៈពេល 5 ឆ្នាំចុងក្រោយ) ប៉ុន្តែទំនាក់ទំនងទាំងនោះអាចនឹងមិនដំណើរការទៅមុខទេ។ ឧទាហរណ៍ជាក់ស្តែង៖ មនុស្សម្នាក់អាចរចនាគំរូដែលព្យាករណ៍ថាអ្នកឈ្នះភាគហ៊ុនកាលពីឆ្នាំមុននឹងតែងតែឡើងថ្លៃ - វាអាចសមនឹងរយៈពេលជាក់លាក់មួយ ប៉ុន្តែប្រសិនបើរបបទីផ្សារផ្លាស់ប្តូរ គំរូនោះនឹងខូច។ ការបំពេញលើសកម្រិតនាំឱ្យមានការអនុវត្តក្រៅគំរូមិនល្អ មានន័យថាការព្យាករណ៍របស់គំរូនៅក្នុងការជួញដូរផ្ទាល់អាចមិនប្រសើរជាងចៃដន្យទេ ទោះបីជាមើលទៅអស្ចារ្យក្នុងការអភិវឌ្ឍន៍ក៏ដោយ។ ការជៀសវាងការបំពេញលើសកម្រិតតម្រូវឱ្យមានបច្ចេកទេសដូចជាការធ្វើធម្មតា រក្សាភាពស្មុគស្មាញនៃគំរូឱ្យស្ថិតក្នុងការត្រួតពិនិត្យ និងការប្រើប្រាស់ការផ្ទៀងផ្ទាត់ដ៏រឹងមាំ។ ទោះជាយ៉ាងណាក៏ដោយ ភាពស្មុគស្មាញខ្លាំងដែលផ្តល់ថាមពលដល់ម៉ូដែល AI ក៏ធ្វើឱ្យពួកគេងាយរងគ្រោះចំពោះបញ្ហានេះផងដែរ។

• គុណភាព និងភាពអាចរកបាននៃទិន្នន័យ៖ សុភាសិត "សំរាមចូល សំរាមចេញ" អនុវត្តយ៉ាងខ្លាំងចំពោះការទស្សន៍ទាយភាគហ៊ុនដោយ AI។ គុណភាព បរិមាណ និងភាពពាក់ព័ន្ធនៃទិន្នន័យប៉ះពាល់យ៉ាងខ្លាំងដល់ដំណើរការគំរូ។ ប្រសិនបើទិន្នន័យប្រវត្តិសាស្ត្រមិនគ្រប់គ្រាន់ (ឧទាហរណ៍ ការព្យាយាមបណ្តុះបណ្តាលបណ្តាញស៊ីជម្រៅលើតម្លៃភាគហ៊ុនត្រឹមតែពីរបីឆ្នាំប៉ុណ្ណោះ) ឬមិនតំណាង (ឧទាហរណ៍ ការប្រើប្រាស់ទិន្នន័យពីរយៈពេលកើនឡើងជាចម្បងដើម្បីទស្សន៍ទាយសេណារីយ៉ូធ្លាក់ចុះ) គំរូនឹងមិនធ្វើឱ្យមានលក្ខណៈទូទៅល្អទេ។ ទិន្នន័យក៏អាចមាន ភាពលំអៀង ឬ ជាកម្មវត្ថុនៃការរស់រានមានជីវិត (ឧទាហរណ៍ សន្ទស្សន៍ភាគហ៊ុនធ្លាក់ចុះដោយធម្មជាតិនូវក្រុមហ៊ុនដែលមានដំណើរការមិនល្អតាមពេលវេលា ដូច្នេះទិន្នន័យសន្ទស្សន៍ប្រវត្តិសាស្ត្រអាចមានភាពលំអៀងឡើងលើ)។ ការសម្អាត និងការថែរក្សាទិន្នន័យគឺជាកិច្ចការមិនសំខាន់។ លើសពីនេះ ទិន្នន័យជំនួស អាចមានតម្លៃថ្លៃ ឬពិបាកទទួលបាន ដែលអាចផ្តល់ឱ្យអ្នកលេងស្ថាប័ននូវគុណសម្បត្តិ ខណៈពេលដែលទុកឱ្យវិនិយោគិនលក់រាយមានទិន្នន័យមិនសូវទូលំទូលាយ។ ក៏មានបញ្ហានៃ ភាពញឹកញាប់ ៖ គំរូជួញដូរប្រេកង់ខ្ពស់ត្រូវការទិន្នន័យ tick-by-tick ដែលមានបរិមាណច្រើន និងត្រូវការហេដ្ឋារចនាសម្ព័ន្ធពិសេស ខណៈពេលដែលគំរូប្រេកង់ទាបអាចប្រើទិន្នន័យប្រចាំថ្ងៃ ឬប្រចាំសប្តាហ៍។ ការធានាថាទិន្នន័យត្រូវបានតម្រឹមទាន់ពេលវេលា (ឧទាហរណ៍ ព័ត៌មានជាមួយនឹងទិន្នន័យតម្លៃដែលត្រូវគ្នា) និងគ្មានភាពលំអៀង lookahead គឺជាបញ្ហាប្រឈមដែលកំពុងបន្ត។

• តម្លាភាព និងការបកស្រាយគំរូ៖ គំរូ AI ជាច្រើន ជាពិសេសគំរូសិក្សាស៊ីជម្រៅ ដំណើរការជា ប្រអប់ខ្មៅ ។ ពួកវាអាចបង្កើតការព្យាករណ៍ ឬសញ្ញាជួញដូរដោយគ្មានហេតុផលងាយស្រួលពន្យល់។ កង្វះតម្លាភាពនេះអាចជាបញ្ហាសម្រាប់វិនិយោគិន - ជាពិសេសគំរូស្ថាប័នដែលត្រូវការបង្ហាញអំពីភាពត្រឹមត្រូវនៃការសម្រេចចិត្តទៅកាន់ភាគីពាក់ព័ន្ធ ឬអនុវត្តតាមបទប្បញ្ញត្តិ។ ប្រសិនបើគំរូ AI ព្យាករណ៍ថាភាគហ៊ុននឹងធ្លាក់ចុះ ហើយណែនាំឱ្យលក់ អ្នកគ្រប់គ្រងផលប័ត្រអាចស្ទាក់ស្ទើរ ប្រសិនបើពួកគេមិនយល់ពីហេតុផល។ ភាពស្រអាប់នៃការសម្រេចចិត្តរបស់ AI អាចកាត់បន្ថយការជឿទុកចិត្ត និងការទទួលយក ដោយមិនគិតពីភាពត្រឹមត្រូវនៃគំរូនោះទេ។ បញ្ហាប្រឈមនេះកំពុងជំរុញការស្រាវជ្រាវទៅលើ AI ដែលអាចពន្យល់បានសម្រាប់ហិរញ្ញវត្ថុ ប៉ុន្តែវានៅតែជាការពិតដែលជារឿយៗមានការសម្របសម្រួលរវាងភាពស្មុគស្មាញ/ភាពត្រឹមត្រូវនៃគំរូ និងការបកស្រាយ។

• ទីផ្សារសម្របខ្លួន និងការប្រកួតប្រជែង៖ វាជារឿងសំខាន់ដែលត្រូវកត់សម្គាល់ថា ទីផ្សារហិរញ្ញវត្ថុគឺ សម្របខ្លួន ។ នៅពេលដែលគំរូព្យាករណ៍ត្រូវបានរកឃើញ (ដោយ AI ឬវិធីសាស្រ្តណាមួយ) ហើយត្រូវបានប្រើប្រាស់ដោយពាណិជ្ជករជាច្រើន វាអាចនឹងឈប់ដំណើរការ។ ឧទាហរណ៍ ប្រសិនបើគំរូ AI រកឃើញថាសញ្ញាជាក់លាក់មួយជារឿយៗកើតឡើងមុនការកើនឡើងនៃភាគហ៊ុន ពាណិជ្ជករនឹងចាប់ផ្តើមធ្វើសកម្មភាពលើសញ្ញានោះមុន ដោយហេតុនេះទាញយកឱកាស។ តាមពិតទៅ ទីផ្សារអាចវិវត្តន៍ដើម្បីលុបចោលយុទ្ធសាស្ត្រដែលគេស្គាល់ ។ សព្វថ្ងៃនេះ ក្រុមហ៊ុនពាណិជ្ជកម្ម និងមូលនិធិជាច្រើនប្រើប្រាស់ AI និង ML។ ការប្រកួតប្រជែងនេះមានន័យថា គែមណាមួយច្រើនតែតូច និងមានអាយុកាលខ្លី។ លទ្ធផលគឺថា គំរូ AI អាចត្រូវការការបណ្តុះបណ្តាលឡើងវិញ និងការធ្វើបច្ចុប្បន្នភាពជាប្រចាំ ដើម្បីតាមទាន់នឹងសក្ដានុពលទីផ្សារដែលកំពុងផ្លាស់ប្តូរ។ នៅក្នុងទីផ្សារដែលមានសាច់ប្រាក់ងាយស្រួល និងចាស់ទុំខ្ពស់ (ដូចជាភាគហ៊ុនធំៗរបស់សហរដ្ឋអាមេរិក) អ្នកលេងដែលមានជំនាញវិជ្ជាជីវៈជាច្រើនកំពុងស្វែងរកសញ្ញាដូចគ្នា ដែលធ្វើឱ្យវាពិបាកខ្លាំងណាស់ក្នុងការរក្សាគែម។ ផ្ទុយទៅវិញ នៅក្នុងទីផ្សារដែលមានប្រសិទ្ធភាពតិច ឬទ្រព្យសកម្មពិសេស AI អាចរកឃើញភាពគ្មានប្រសិទ្ធភាពបណ្តោះអាសន្ន - ប៉ុន្តែនៅពេលដែលទីផ្សារទាំងនោះធ្វើទំនើបកម្ម គម្លាតអាចនឹងបិទ។ លក្ខណៈ​ស្វាហាប់​នៃ​ទីផ្សារ​នេះ​គឺជា​បញ្ហា​ប្រឈម​ជា​មូលដ្ឋាន៖ «ច្បាប់​នៃ​ល្បែង» មិន​ស្ថិតស្ថេរ​ទេ ដូច្នេះ​គំរូ​ដែល​ដំណើរការ​កាលពី​ឆ្នាំ​មុន​អាច​ត្រូវ​ការ​កែសម្រួល​ឡើង​វិញ​នៅ​ឆ្នាំ​ក្រោយ។

• ការរឹតបន្តឹងក្នុងពិភពពិត៖ ទោះបីជាគំរូ AI អាចទស្សន៍ទាយតម្លៃដោយភាពត្រឹមត្រូវសមរម្យក៏ដោយ ការប្រែក្លាយការទស្សន៍ទាយទៅជាប្រាក់ចំណេញគឺជាបញ្ហាប្រឈមមួយទៀត។ ការជួញដូរត្រូវ ចំណាយលើប្រតិបត្តិការ ដូចជាកម្រៃជើងសារ ការរអិល និងពន្ធ។ គំរូមួយអាចទស្សន៍ទាយចលនាតម្លៃតូចៗជាច្រើនបានត្រឹមត្រូវ ប៉ុន្តែប្រាក់ចំណេញអាចត្រូវបានលុបចោលដោយថ្លៃសេវា និងផលប៉ះពាល់ទីផ្សារនៃការជួញដូរ។ ការគ្រប់គ្រងហានិភ័យក៏សំខាន់ផងដែរ - គ្មានការទស្សន៍ទាយណាមួយប្រាកដ 100% ទេ ដូច្នេះយុទ្ធសាស្ត្រណាមួយដែលជំរុញដោយ AI ត្រូវតែគិតគូរពីការខាតបង់ដែលអាចកើតមាន (តាមរយៈការបញ្ជាទិញបញ្ឈប់ការខាតបង់ ការធ្វើពិពិធកម្មផលប័ត្រ។ល។)។ ស្ថាប័នជារឿយៗរួមបញ្ចូលការទស្សន៍ទាយ AI ទៅក្នុងក្របខ័ណ្ឌហានិភ័យទូលំទូលាយ ដើម្បីធានាថា AI មិនភ្នាល់កសិដ្ឋានលើការទស្សន៍ទាយដែលអាចខុសនោះទេ។ ការពិចារណាជាក់ស្តែងទាំងនេះមានន័យថា គែមទ្រឹស្តីរបស់ AI ត្រូវតែមានសារៈសំខាន់ដើម្បីមានប្រយោជន៍បន្ទាប់ពីការកកិតក្នុងពិភពពិត។

សរុបមក បញ្ញាសិប្បនិម្មិត (AI) មានសមត្ថភាពគួរឱ្យចាប់អារម្មណ៍ ប៉ុន្តែដែនកំណត់ទាំងនេះធានាថា ទីផ្សារភាគហ៊ុននៅតែជាប្រព័ន្ធដែលអាចព្យាករណ៍បានមួយផ្នែក និងមិនអាចទាយទុកជាមុនបានមួយផ្នែក ។ គំរូបញ្ញាសិប្បនិម្មិតអាចធ្វើឱ្យហាងឆេងពេញចិត្តវិនិយោគិនដោយការវិភាគទិន្នន័យកាន់តែមានប្រសិទ្ធភាព និងអាចរកឃើញសញ្ញាព្យាករណ៍ដែលមិនច្បាស់លាស់។ ទោះជាយ៉ាងណាក៏ដោយ ការរួមបញ្ចូលគ្នានៃការកំណត់តម្លៃប្រកបដោយប្រសិទ្ធភាព ទិន្នន័យដែលមានសំឡេងរំខាន ព្រឹត្តិការណ៍ដែលមិនបានមើលឃើញទុកជាមុន និងការរឹតបន្តឹងជាក់ស្តែងមានន័យថា សូម្បីតែបញ្ញាសិប្បនិម្មិតដ៏ល្អបំផុតក៏ពេលខ្លះខុសដែរ - ជារឿយៗមិនអាចទាយទុកជាមុនបាន។

ការអនុវត្តនៃគំរូ AI៖ តើភស្តុតាងនិយាយអ្វីខ្លះ?

ដោយសារ​វឌ្ឍនភាព និង​បញ្ហា​ប្រឈម​នានា​ដែល​បាន​ពិភាក្សា តើ​យើង​បាន​រៀន​អ្វីខ្លះ​ពី​ការ​ស្រាវជ្រាវ និង​ការ​ប៉ុនប៉ង​ក្នុង​ពិភព​ពិត​ដើម្បី​អនុវត្ត AI ក្នុង​ការ​ទស្សន៍ទាយ​ភាគហ៊ុន? លទ្ធផល​រហូត​មក​ដល់​ពេល​នេះ​គឺ​មាន​ភាព​ចម្រុះ ដែល​បង្ហាញ​ទាំង ​ជោគជ័យ​ដ៏​ជោគជ័យ និង ​ការ​បរាជ័យ​ដ៏​គួរ​ឲ្យ​ព្រួយបារម្ភ ៖

• ឧទាហរណ៍នៃឱកាសដែល AI មានប្រសិទ្ធភាពលើសពីការរំពឹងទុក៖ ការសិក្សាជាច្រើនបានបង្ហាញថា គំរូ AI អាចយកឈ្នះលើការទស្សន៍ទាយចៃដន្យក្រោមលក្ខខណ្ឌជាក់លាក់។ ឧទាហរណ៍ ការសិក្សាមួយក្នុងឆ្នាំ 2024 បានអនុវត្តបណ្តាញសរសៃប្រសាទ LSTM ដើម្បីទស្សន៍ទាយ និន្នាការ នៅក្នុងទីផ្សារភាគហ៊ុនវៀតណាម ហើយបានរាយការណ៍ពីភាពត្រឹមត្រូវនៃការទស្សន៍ទាយខ្ពស់ - ប្រហែល 93% លើទិន្នន័យសាកល្បង ( ការអនុវត្តក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដើម្បីទស្សន៍ទាយនិន្នាការតម្លៃភាគហ៊ុននៅក្នុងទីផ្សារភាគហ៊ុន - ករណីវៀតណាម | មនុស្សសាស្ត្រ និងវិទ្យាសាស្ត្រសង្គមទំនាក់ទំនង )។ នេះបង្ហាញថា នៅក្នុងទីផ្សារនោះ (សេដ្ឋកិច្ចដែលកំពុងរីកចម្រើន) គំរូនេះអាចចាប់យកលំនាំស្របគ្នា ប្រហែលជាដោយសារតែទីផ្សារមានភាពគ្មានប្រសិទ្ធភាព ឬនិន្នាការបច្ចេកទេសខ្លាំងដែល LSTM បានរៀន។ ការសិក្សាមួយផ្សេងទៀតក្នុងឆ្នាំ 2024 បានមានវិសាលភាពធំទូលាយជាងនេះ៖ អ្នកស្រាវជ្រាវបានព្យាយាមទស្សន៍ទាយប្រាក់ចំណេញរយៈពេលខ្លីសម្រាប់ ភាគហ៊ុន S&P 500 ទាំងអស់ (ទីផ្សារដែលមានប្រសិទ្ធភាពជាង) ដោយប្រើគំរូ ML។ ពួកគេបានកំណត់វាជាបញ្ហាចំណាត់ថ្នាក់ - ទស្សន៍ទាយថាតើភាគហ៊ុននឹងមានប្រសិទ្ធភាពលើសពីសន្ទស្សន៍ 2% ក្នុងរយៈពេល 10 ថ្ងៃខាងមុខ - ដោយប្រើក្បួនដោះស្រាយដូចជា Random Forests, SVM និង LSTM។ លទ្ធផល៖ គំរូ LSTM មានដំណើរការល្អជាងគំរូ ML ផ្សេងទៀត និងបន្ទាត់គោលចៃដន្យ ដោយលទ្ធផលមានសារៈសំខាន់ខាងស្ថិតិគ្រប់គ្រាន់ដើម្បីបង្ហាញថាវាមិនមែនគ្រាន់តែជាសំណាងនោះទេ ( ការព្យាករណ៍ពីផលចំណេញដែលទាក់ទងសម្រាប់ភាគហ៊ុន S&P 500 ដោយប្រើការរៀនម៉ាស៊ីន | នវានុវត្តន៍ហិរញ្ញវត្ថុ | អត្ថបទពេញ )។ អ្នកនិពន្ធថែមទាំងបានសន្និដ្ឋានថានៅក្នុងការរៀបចំជាក់លាក់នេះ ប្រូបាប៊ីលីតេដែល សម្មតិកម្មដើរចៃដន្យ មានគឺ "តូចណាស់" ដែលបង្ហាញថាគំរូ ML របស់ពួកគេពិតជាបានរកឃើញសញ្ញាព្យាករណ៍ពិតប្រាកដ។ ឧទាហរណ៍ទាំងនេះបង្ហាញថា AI ពិតជាអាចកំណត់អត្តសញ្ញាណលំនាំដែលផ្តល់គុណសម្បត្តិ (ទោះបីជាមានកម្រិតមធ្យមក៏ដោយ) ក្នុងការព្យាករណ៍ពីចលនាភាគហ៊ុន ជាពិសេសនៅពេលសាកល្បងលើសំណុំទិន្នន័យធំៗ។

• ករណីប្រើប្រាស់គួរឱ្យកត់សម្គាល់នៅក្នុងឧស្សាហកម្ម៖ ក្រៅពីការសិក្សាសិក្សា មានរបាយការណ៍អំពីមូលនិធិការពារហានិភ័យ និងស្ថាប័នហិរញ្ញវត្ថុដែលប្រើប្រាស់ AI ដោយជោគជ័យក្នុងប្រតិបត្តិការជួញដូររបស់ពួកគេ។ ក្រុមហ៊ុនជួញដូរដែលមានប្រេកង់ខ្ពស់មួយចំនួនប្រើប្រាស់ AI ដើម្បីទទួលស្គាល់ និងឆ្លើយតបទៅនឹងគំរូមីក្រូរចនាសម្ព័ន្ធទីផ្សារក្នុងរយៈពេលមួយប្រភាគនៃវិនាទី។ ធនាគារធំៗមានគំរូ AI សម្រាប់ ការបែងចែកផលប័ត្រ និង ការព្យាករណ៍ហានិភ័យ ដែលខណៈពេលដែលមិនមែនតែងតែអំពីការព្យាករណ៍តម្លៃភាគហ៊ុនតែមួយនោះទេ ពាក់ព័ន្ធនឹងទិដ្ឋភាពព្យាករណ៍នៃទីផ្សារ (ដូចជាភាពប្រែប្រួល ឬទំនាក់ទំនង)។ មានមូលនិធិដែលជំរុញដោយ AI (ជារឿយៗត្រូវបានគេហៅថា "មូលនិធិបរិមាណ") ដែលប្រើការរៀនម៉ាស៊ីនដើម្បីធ្វើការសម្រេចចិត្តជួញដូរ - ខ្លះមានដំណើរការល្អជាងទីផ្សារសម្រាប់រយៈពេលជាក់លាក់ណាមួយ ទោះបីជាវាពិបាកក្នុងការសន្មតថាវាជា AI យ៉ាងតឹងរ៉ឹងក៏ដោយ ព្រោះពួកគេតែងតែប្រើការរួមបញ្ចូលគ្នានៃភាពវៃឆ្លាតរបស់មនុស្ស និងម៉ាស៊ីន។ កម្មវិធីជាក់ស្តែងមួយគឺការប្រើប្រាស់ វិភាគអារម្មណ៍ ៖ ឧទាហរណ៍ ការស្កេនព័ត៌មាន និង Twitter ដើម្បីទស្សន៍ទាយពីរបៀបដែលតម្លៃភាគហ៊ុននឹងផ្លាស់ប្តូរជាការឆ្លើយតប។ គំរូបែបនេះប្រហែលជាមិនត្រឹមត្រូវ 100% ទេ ប៉ុន្តែពួកគេអាចផ្តល់ឱ្យពាណិជ្ជករនូវការចាប់ផ្តើមបន្តិចបន្តួចក្នុងការកំណត់តម្លៃនៅក្នុងព័ត៌មាន។ គួរកត់សម្គាល់ថា ក្រុមហ៊ុននានាជាធម្មតារក្សាព័ត៌មានលម្អិតនៃយុទ្ធសាស្ត្រ AI ដែលទទួលបានជោគជ័យយ៉ាងដិតដល់ជាកម្មសិទ្ធិបញ្ញា ដូច្នេះភស្តុតាងនៅក្នុងដែនសាធារណៈមានទំនោរយឺតយ៉ាវ ឬជារឿងមិនពិត។

• ករណីនៃការអនុវត្តមិនគ្រប់គ្រាន់ និងការបរាជ័យ៖ សម្រាប់រឿងរ៉ាវជោគជ័យនីមួយៗ មានរឿងរ៉ាវព្រមាន។ ការសិក្សាសិក្សាជាច្រើនដែលអះអាងថាមានភាពត្រឹមត្រូវខ្ពស់នៅក្នុងទីផ្សារ ឬពេលវេលាមួយ បានបរាជ័យក្នុងការធ្វើឱ្យមានលក្ខណៈទូទៅ។ ការពិសោធន៍គួរឱ្យកត់សម្គាល់មួយបានព្យាយាមចម្លងការសិក្សាព្យាករណ៍ទីផ្សារភាគហ៊ុនឥណ្ឌាដែលទទួលបានជោគជ័យ (ដែលមានភាពត្រឹមត្រូវខ្ពស់ដោយប្រើ ML លើសូចនាករបច្ចេកទេស) លើភាគហ៊ុនអាមេរិក។ ការចម្លងនេះ មិនបានរកឃើញអំណាចព្យាករណ៍សំខាន់នោះទេ - តាមពិតទៅ យុទ្ធសាស្ត្រឆោតល្ងង់នៃការទស្សន៍ទាយជានិច្ចថាភាគហ៊ុននឹងឡើងថ្លៃនៅថ្ងៃបន្ទាប់ មានដំណើរការល្អជាងគំរូ ML ស្មុគស្មាញក្នុងភាពត្រឹមត្រូវ។ អ្នកនិពន្ធបានសន្និដ្ឋានថា លទ្ធផលរបស់ពួកគេ "គាំទ្រទ្រឹស្តីដើរចៃដន្យ" មានន័យថាចលនាភាគហ៊ុនគឺមិនអាចទាយទុកជាមុនបាន ហើយគំរូ ML មិនបានជួយទេ។ នេះគូសបញ្ជាក់ថា លទ្ធផលអាចប្រែប្រួលយ៉ាងខ្លាំងតាមទីផ្សារ និងរយៈពេល។ ស្រដៀងគ្នានេះដែរ ការប្រកួតប្រជែង Kaggle និងការប្រកួតប្រជែងស្រាវជ្រាវបរិមាណជាច្រើនបានបង្ហាញថា ខណៈពេលដែលគំរូជារឿយៗអាចសមនឹងទិន្នន័យកន្លងមកបានល្អ ការអនុវត្តរបស់ពួកគេក្នុងការជួញដូរផ្ទាល់ជារឿយៗថយក្រោយឆ្ពោះទៅរកភាពត្រឹមត្រូវ 50% (សម្រាប់ការទស្សន៍ទាយទិសដៅ) នៅពេលដែលប្រឈមមុខនឹងលក្ខខណ្ឌថ្មី។ ឧទាហរណ៍ដូចជាការរលាយមូលនិធិបរិមាណឆ្នាំ 2007 និងការលំបាកដែលមូលនិធិដែលជំរុញដោយ AI ប្រឈមមុខក្នុងអំឡុងពេលនៃការប៉ះទង្គិចជំងឺរាតត្បាតឆ្នាំ 2020 បង្ហាញថាគំរូ AI អាចធ្លាក់ចុះភ្លាមៗនៅពេលដែលរបបទីផ្សារផ្លាស់ប្តូរ។ ភាពលំអៀងរបស់អ្នករស់រានមានជីវិត ក៏ជាកត្តាមួយនៅក្នុងការយល់ឃើញផងដែរ - យើងឮអំពីភាពជោគជ័យនៃ AI ញឹកញាប់ជាងការបរាជ័យ ប៉ុន្តែនៅពីក្រោយឆាក គំរូ និងមូលនិធិជាច្រើនបរាជ័យ និងបិទទ្វារដោយស្ងាត់ៗ ដោយសារតែយុទ្ធសាស្ត្ររបស់ពួកគេឈប់ដំណើរការ។

• ភាពខុសគ្នានៅទូទាំងទីផ្សារ៖ ការសង្កេតគួរឱ្យចាប់អារម្មណ៍មួយពីការសិក្សាគឺថា ប្រសិទ្ធភាពរបស់ AI អាចអាស្រ័យលើ ភាពចាស់ទុំ និងប្រសិទ្ធភាព នៃទីផ្សារ។ នៅក្នុងទីផ្សារដែលមានប្រសិទ្ធភាពតិចជាង ឬទីផ្សារដែលកំពុងរីកចម្រើន អាចមានលំនាំដែលអាចកេងប្រវ័ញ្ចបានច្រើនជាង (ដោយសារតែការគ្របដណ្តប់របស់អ្នកវិភាគទាបជាង ការរឹតបន្តឹងសាច់ប្រាក់ ឬភាពលំអៀងនៃអាកប្បកិរិយា) ដែលអនុញ្ញាតឱ្យគំរូ AI សម្រេចបាននូវភាពត្រឹមត្រូវខ្ពស់ជាង។ ការសិក្សា LSTM ទីផ្សារវៀតណាមដែលមានភាពត្រឹមត្រូវ 93% អាចជាឧទាហរណ៍នៃរឿងនេះ។ ផ្ទុយទៅវិញ នៅក្នុងទីផ្សារដែលមានប្រសិទ្ធភាពខ្ពស់ដូចជាសហរដ្ឋអាមេរិក លំនាំទាំងនោះអាចត្រូវបានផ្លាស់ប្តូរយ៉ាងឆាប់រហ័ស។ លទ្ធផលចម្រុះរវាងករណីវៀតណាម និងការសិក្សាចម្លងរបស់សហរដ្ឋអាមេរិកបានបង្ហាញពីភាពខុសគ្នានេះ។ នៅទូទាំងពិភពលោក នេះមានន័យថា AI បច្ចុប្បន្នអាចផ្តល់នូវការអនុវត្តព្យាករណ៍កាន់តែប្រសើរឡើងនៅក្នុងទីផ្សារពិសេស ឬថ្នាក់ទ្រព្យសកម្មជាក់លាក់ (ឧទាហរណ៍ ខ្លះបានអនុវត្ត AI ដើម្បីព្យាករណ៍តម្លៃទំនិញ ឬនិន្នាការរូបិយប័ណ្ណគ្រីបតូជាមួយនឹងភាពជោគជ័យខុសៗគ្នា)។ យូរៗទៅ នៅពេលដែលទីផ្សារទាំងអស់ឆ្ពោះទៅរកប្រសិទ្ធភាពកាន់តែខ្លាំង បង្អួចសម្រាប់ការឈ្នះព្យាករណ៍ងាយស្រួលក៏រួមតូច។

• ភាពត្រឹមត្រូវ ទល់នឹង ប្រាក់ចំណេញ៖ វាក៏សំខាន់ផងដែរក្នុងការបែងចែក ភាពត្រឹមត្រូវនៃការព្យាករណ៍ ពី ប្រាក់ចំណេញពីការវិនិយោគ ។ ឧទាហរណ៍ គំរូមួយអាចមានភាពត្រឹមត្រូវត្រឹមតែ 60% ប៉ុណ្ណោះក្នុងការព្យាករណ៍ចលនាឡើងលើ ឬចុះក្រោមប្រចាំថ្ងៃរបស់ភាគហ៊ុន - ដែលមិនស្តាប់ទៅខ្ពស់ពេក - ប៉ុន្តែប្រសិនបើការព្យាករណ៍ទាំងនោះត្រូវបានប្រើក្នុងយុទ្ធសាស្ត្រជួញដូរឆ្លាតវៃ ពួកវាអាចទទួលបានប្រាក់ចំណេញច្រើន។ ផ្ទុយទៅវិញ គំរូមួយអាចមានភាពត្រឹមត្រូវ 90% ប៉ុន្តែប្រសិនបើ 10% នៃដងដែលវាខុសស្របគ្នាជាមួយនឹងចលនាទីផ្សារដ៏ធំ (ហើយដូច្នេះការខាតបង់ធំ) វាអាចមិនទទួលបានប្រាក់ចំណេញ។ កិច្ចខិតខំប្រឹងប្រែងព្យាករណ៍ភាគហ៊ុន AI ជាច្រើនផ្តោតលើភាពត្រឹមត្រូវនៃទិសដៅ ឬការបង្រួមអប្បបរមានៃកំហុស ប៉ុន្តែវិនិយោគិនយកចិត្តទុកដាក់ចំពោះប្រាក់ចំណេញដែលបានកែតម្រូវហានិភ័យ។ ដូច្នេះ ការវាយតម្លៃជារឿយៗរួមបញ្ចូលម៉ែត្រដូចជាសមាមាត្រ Sharpe ការទាញចុះ និងភាពស៊ីសង្វាក់គ្នានៃការអនុវត្ត មិនមែនគ្រាន់តែអត្រាវាយឆៅនោះទេ។ គំរូ AI មួយចំនួនត្រូវបានរួមបញ្ចូលទៅក្នុងប្រព័ន្ធជួញដូរក្បួនដោះស្រាយដែលគ្រប់គ្រងមុខតំណែង និងហានិភ័យដោយស្វ័យប្រវត្តិ - ការអនុវត្តពិតប្រាកដរបស់ពួកគេត្រូវបានវាស់វែងនៅក្នុងប្រាក់ចំណេញជួញដូរផ្ទាល់ជាជាងស្ថិតិព្យាករណ៍ឯករាជ្យ។ រហូតមកដល់ពេលនេះ “ពាណិជ្ជករ AI” ស្វ័យភាពពេញលេញ ដែលបង្កើតប្រាក់បានយ៉ាងគួរឱ្យទុកចិត្តជារៀងរាល់ឆ្នាំ គឺជារឿងប្រឌិតបែបវិទ្យាសាស្ត្រច្រើនជាងការពិត ប៉ុន្តែកម្មវិធីតូចចង្អៀត (ដូចជាគំរូ AI ដែលព្យាករណ៍ពី ការប្រែប្រួល ដែលពាណិជ្ជករអាចប្រើដើម្បីកំណត់តម្លៃជម្រើស។ល។) បានរកឃើញកន្លែងមួយនៅក្នុងឧបករណ៍ហិរញ្ញវត្ថុ។

សរុបមក ភស្តុតាងបង្ហាញថា បញ្ញាសិប្បនិម្មិត (AI) អាចព្យាករណ៍ពីគំរូទីផ្សារមួយចំនួនជាមួយនឹងភាពត្រឹមត្រូវល្អជាងឱកាស ហើយក្នុងការធ្វើដូច្នេះអាចផ្តល់អត្ថប្រយោជន៍ពាណិជ្ជកម្ម។ ទោះជាយ៉ាងណាក៏ដោយ អត្ថប្រយោជន៍នោះច្រើនតែតូច ហើយតម្រូវឱ្យមានការអនុវត្តដ៏ស្មុគស្មាញដើម្បីទាញយកអត្ថប្រយោជន៍។ នៅពេលដែលនរណាម្នាក់សួរថា តើ បញ្ញាសិប្បនិម្មិតអាចទស្សន៍ទាយទីផ្សារភាគហ៊ុនបានទេ? ចម្លើយដ៏ស្មោះត្រង់បំផុតដោយផ្អែកលើភស្តុតាងបច្ចុប្បន្នគឺ៖ ជួនកាល បញ្ញាសិប្បនិម្មិតអាចទស្សន៍ទាយទិដ្ឋភាពនៃទីផ្សារភាគហ៊ុនក្រោមលក្ខខណ្ឌជាក់លាក់ ប៉ុន្តែវាមិនអាចធ្វើដូច្នេះបានជាប់លាប់សម្រាប់ភាគហ៊ុនទាំងអស់គ្រប់ពេលវេលានោះទេ ។ ភាពជោគជ័យមានទំនោរទៅជាផ្នែកៗ និងអាស្រ័យលើបរិបទ។

សេចក្តីសន្និដ្ឋាន៖ ការរំពឹងទុកជាក់ស្តែងសម្រាប់ AI នៅក្នុងការព្យាករណ៍ទីផ្សារភាគហ៊ុន

បញ្ញាសិប្បនិម្មិត (AI) និងការរៀនម៉ាស៊ីន (Machine learning) បានក្លាយជាឧបករណ៍ដ៏មានឥទ្ធិពលក្នុងវិស័យហិរញ្ញវត្ថុ។ ពួកវាពូកែខាងដំណើរការទិន្នន័យទិន្នន័យដ៏ធំ ស្វែងរកទំនាក់ទំនងដែលលាក់កំបាំង និងថែមទាំងអាចសម្របយុទ្ធសាស្ត្របានភ្លាមៗទៀតផង។ ក្នុងការស្វែងរកការទស្សន៍ទាយទីផ្សារភាគហ៊ុន បញ្ញាសិប្បនិម្មិត (AI) បានទទួល ជាក់ស្តែង ប៉ុន្តែមានកម្រិត ។ វិនិយោគិន និងស្ថាប័ននានាអាចរំពឹងថា បញ្ញាសិប្បនិម្មិត (AI) នឹងជួយក្នុងការសម្រេចចិត្ត - ឧទាហរណ៍ ដោយបង្កើតសញ្ញាទស្សន៍ទាយ ការបង្កើនប្រសិទ្ធភាពផលប័ត្រ ឬការគ្រប់គ្រងហានិភ័យ - ប៉ុន្តែមិនមែនដើម្បីបម្រើជាបាល់គ្រីស្តាល់ដែលធានាប្រាក់ចំណេញនោះទេ។

អ្វីដែល AI
អាច ធ្វើបាន៖ AI អាចធ្វើអោយប្រសើរឡើងនូវដំណើរការវិភាគក្នុងការវិនិយោគ។ វាអាចត្រងតាមទិន្នន័យទីផ្សាររាប់ឆ្នាំ ព័ត៌មានថ្មីៗ និងរបាយការណ៍ហិរញ្ញវត្ថុក្នុងរយៈពេលប៉ុន្មានវិនាទី ដោយរកឃើញលំនាំមិនច្បាស់លាស់ ឬភាពមិនប្រក្រតីដែលមនុស្សអាចមើលរំលង ( ការប្រើប្រាស់ការរៀនម៉ាស៊ីនសម្រាប់ការទស្សន៍ទាយទីផ្សារភាគហ៊ុន... | FMP )។ វាអាចផ្សំអថេររាប់រយ (បច្ចេកទេស មូលដ្ឋាន អារម្មណ៍។ល។) ទៅជាការព្យាករណ៍ដ៏ស៊ីសង្វាក់គ្នា។ នៅក្នុងការជួញដូររយៈពេលខ្លី ក្បួនដោះស្រាយ AI អាចទស្សន៍ទាយដោយភាពត្រឹមត្រូវល្អជាងចៃដន្យបន្តិចថាភាគហ៊ុនមួយនឹងមានប្រសិទ្ធភាពល្អជាងភាគហ៊ុនមួយទៀត ឬថាទីផ្សារហៀបនឹងជួបប្រទះការកើនឡើងនៃភាពប្រែប្រួល។ គែមបន្ថែមទាំងនេះ នៅពេលដែលត្រូវបានកេងប្រវ័ញ្ចឱ្យបានត្រឹមត្រូវ អាចបកប្រែទៅជាប្រាក់ចំណេញហិរញ្ញវត្ថុពិតប្រាកដ។ AI ក៏អាចជួយក្នុង ការគ្រប់គ្រងហានិភ័យ - កំណត់អត្តសញ្ញាណការព្រមានដំបូងអំពីការធ្លាក់ចុះ ឬជូនដំណឹងដល់វិនិយោគិនអំពីកម្រិតទំនុកចិត្តនៃការទស្សន៍ទាយ។ តួនាទីជាក់ស្តែងមួយទៀតរបស់ AI គឺនៅក្នុង ស្វ័យប្រវត្តិកម្មយុទ្ធសាស្ត្រ ៖ ក្បួនដោះស្រាយអាចអនុវត្តការជួញដូរក្នុងល្បឿនលឿន និងភាពញឹកញាប់ ឆ្លើយតបទៅនឹងព្រឹត្តិការណ៍ 24/7 និងអនុវត្តវិន័យ (គ្មានការជួញដូរអារម្មណ៍) ដែលអាចមានអត្ថប្រយោជន៍នៅក្នុងទីផ្សារដែលមានភាពប្រែប្រួល។

អ្វីដែល AI
មិនអាច ធ្វើបាន (នៅឡើយទេ): បើទោះបីជាមានការផ្សព្វផ្សាយនៅក្នុងប្រព័ន្ធផ្សព្វផ្សាយមួយចំនួនក៏ដោយ AI មិនអាច ទស្សន៍ទាយទីផ្សារភាគហ៊ុនបានជាប់លាប់ និងអាចទុកចិត្តបាន ក្នុងន័យរួមនៃការយកឈ្នះទីផ្សារជានិច្ច ឬមើលឃើញពីចំណុចរបត់សំខាន់ៗនោះទេ។ ទីផ្សារត្រូវបានរងផលប៉ះពាល់ដោយឥរិយាបថរបស់មនុស្ស ព្រឹត្តិការណ៍ចៃដន្យ និងរង្វិលជុំមតិប្រតិកម្មស្មុគស្មាញដែលប្រឆាំងនឹងគំរូឋិតិវន្តណាមួយ។ AI មិនលុបបំបាត់ភាពមិនប្រាកដប្រជាទេ។ វាគ្រាន់តែដោះស្រាយជាមួយប្រូបាប៊ីលីតេប៉ុណ្ណោះ។ AI អាចបង្ហាញពីឱកាស 70% ដែលភាគហ៊ុននឹងកើនឡើងនៅថ្ងៃស្អែក - ដែលក៏មានន័យថាឱកាស 30% ដែលវានឹងមិនកើនឡើងដែរ។ ការបាត់បង់ការជួញដូរ និងការហៅទូរស័ព្ទមិនល្អគឺជៀសមិនរួច។ AI មិនអាចទស្សន៍ទាយព្រឹត្តិការណ៍ថ្មីពិតប្រាកដ (ជារឿយៗត្រូវបានគេហៅថា "សត្វស្វាខ្មៅ") ដែលនៅខាងក្រៅអាណាចក្រនៃទិន្នន័យបណ្តុះបណ្តាលរបស់វានោះទេ។ លើសពីនេះ គំរូទស្សន៍ទាយដែលទទួលបានជោគជ័យណាមួយអញ្ជើញការប្រកួតប្រជែងដែលអាចធ្វើឱ្យខូចគុណសម្បត្តិរបស់វា។ តាមពិតទៅ មិនមាន AI ស្មើនឹងបាល់គ្រីស្តាល់ ដែលធានានូវការមើលឃើញទុកជាមុនអំពីអនាគតរបស់ទីផ្សារនោះទេ។ វិនិយោគិនគួរតែប្រយ័ត្នចំពោះនរណាម្នាក់ដែលអះអាងផ្ទុយពីនេះ។

ទស្សនៈអព្យាក្រឹត និងប្រាកដនិយម៖
ពីទស្សនៈអព្យាក្រឹត បញ្ញាសិប្បនិម្មិត (AI) ត្រូវបានគេមើលឃើញថាល្អបំផុតថាជាការបង្កើនប្រសិទ្ធភាព មិនមែនជាការជំនួសសម្រាប់ការវិភាគបែបប្រពៃណី និងការយល់ដឹងរបស់មនុស្សនោះទេ។ នៅក្នុងការអនុវត្តជាក់ស្តែង វិនិយោគិនស្ថាប័នជាច្រើនប្រើប្រាស់គំរូបញ្ញាសិប្បនិម្មិត (AI) រួមជាមួយនឹងធាតុចូលពីអ្នកវិភាគ និងអ្នកគ្រប់គ្រងផលប័ត្ររបស់មនុស្ស។ បញ្ញាសិប្បនិម្មិត (AI) អាចគណនាលេខ និងការព្យាករណ៍លទ្ធផល ប៉ុន្តែមនុស្សកំណត់គោលបំណង បកស្រាយលទ្ធផល និងកែសម្រួលយុទ្ធសាស្ត្រសម្រាប់បរិបទ (ឧទាហរណ៍ ការបដិសេធគំរូក្នុងអំឡុងពេលមានវិបត្តិដែលមិនបានមើលឃើញទុកជាមុន)។ វិនិយោគិនលក់រាយដែលប្រើប្រាស់ឧបករណ៍ដែលជំរុញដោយបញ្ញាសិប្បនិម្មិត ឬបូតជួញដូរគួរតែប្រុងប្រយ័ត្ន និងយល់ពីតក្កវិជ្ជា និងដែនកំណត់របស់ឧបករណ៍។ ការធ្វើតាមអនុសាសន៍បញ្ញាសិប្បនិម្មិតដោយងងឹតងងល់គឺមានហានិភ័យ - មនុស្សម្នាក់គួរតែប្រើវាជាធាតុចូលមួយក្នុងចំណោមធាតុចូលជាច្រើន។

ក្នុងការកំណត់ការរំពឹងទុកជាក់ស្តែង មនុស្សម្នាក់អាចសន្និដ្ឋានបានថា៖ បញ្ញាសិប្បនិម្មិត (AI) អាចទស្សន៍ទាយទីផ្សារភាគហ៊ុនបានកម្រិតមួយ ប៉ុន្តែមិនមែនដោយភាពប្រាកដប្រជា និងមិនមែនដោយគ្មានកំហុសនោះទេ ។ វាអាច បង្កើនឱកាស នៃការធ្វើការវិនិច្ឆ័យត្រឹមត្រូវ ឬបង្កើន ប្រសិទ្ធភាព ក្នុងការវិភាគព័ត៌មាន ដែលនៅក្នុងទីផ្សារប្រកួតប្រជែងអាចជាភាពខុសគ្នារវាងប្រាក់ចំណេញ និងការខាតបង់។ ទោះជាយ៉ាងណាក៏ដោយ វា មិនអាចធានា ភាពជោគជ័យ ឬលុបបំបាត់ភាពប្រែប្រួល និងហានិភ័យដែលមានស្រាប់នៃទីផ្សារភាគហ៊ុននោះទេ។ ដូចដែលការបោះពុម្ពផ្សាយមួយបានចង្អុលបង្ហាញ សូម្បីតែជាមួយនឹងក្បួនដោះស្រាយដែលមានប្រសិទ្ធភាពក៏ដោយ លទ្ធផលនៅក្នុងទីផ្សារភាគហ៊ុនអាច "មិនអាចទាយទុកជាមុនបានដោយធម្មជាតិ" ដោយសារតែកត្តាលើសពីព័ត៌មានដែលបានធ្វើគំរូ ( ការទស្សន៍ទាយទីផ្សារភាគហ៊ុនដោយប្រើការរៀនសូត្រពង្រឹងជ្រៅ )។

ផ្លូវទៅមុខ៖
ដោយសម្លឹងមើលទៅមុខ តួនាទីរបស់ AI ក្នុងការទស្សន៍ទាយទីផ្សារភាគហ៊ុនទំនងជានឹងកើនឡើង។ ការស្រាវជ្រាវជាបន្តបន្ទាប់កំពុងដោះស្រាយនូវដែនកំណត់មួយចំនួន (ឧទាហរណ៍ ការអភិវឌ្ឍគំរូដែលពន្យល់ពីការផ្លាស់ប្តូររបប ឬប្រព័ន្ធកូនកាត់ដែលរួមបញ្ចូលទាំងការវិភាគដែលជំរុញដោយទិន្នន័យ និងការវិភាគដែលជំរុញដោយព្រឹត្តិការណ៍)។ ក៏មានការចាប់អារម្មណ៍ផងដែរចំពោះ ភ្នាក់ងាររៀនសូត្រពង្រឹង ដែលសម្របខ្លួនជាបន្តបន្ទាប់ទៅនឹងទិន្នន័យទីផ្សារថ្មីក្នុងពេលវេលាជាក់ស្តែង ដែលអាចគ្រប់គ្រងបរិស្ថានដែលកំពុងផ្លាស់ប្តូរបានល្អជាងគំរូដែលបានទទួលការបណ្តុះបណ្តាលឋិតិវន្ត។ លើសពីនេះ ការផ្សំ AI ជាមួយនឹងបច្ចេកទេសពីហិរញ្ញវត្ថុអាកប្បកិរិយា ឬការវិភាគបណ្តាញអាចផ្តល់នូវគំរូដ៏សម្បូរបែបនៃសក្ដានុពលទីផ្សារ។ យ៉ាងណាក៏ដោយ សូម្បីតែ AI នាពេលអនាគតដ៏ទំនើបបំផុតក៏នឹងដំណើរការក្នុងដែនកំណត់នៃប្រូបាប៊ីលីតេ និងភាពមិនប្រាកដប្រជា។

សរុបមក សំណួរដែលថា "តើ AI អាចទស្សន៍ទាយទីផ្សារភាគហ៊ុនបានទេ?" មិនមានចម្លើយសាមញ្ញថា "បាទ/ចាស៎" ឬ "ទេ" នោះទេ។ ចម្លើយដែលត្រឹមត្រូវបំផុតគឺ៖ AI អាចជួយទស្សន៍ទាយទីផ្សារភាគហ៊ុន ប៉ុន្តែវាមិនមែនមិនអាចខុសឆ្គងបានទេ។ វាផ្តល់នូវឧបករណ៍ដ៏មានឥទ្ធិពល ដែលនៅពេលប្រើប្រាស់ដោយឈ្លាសវៃ អាចបង្កើនយុទ្ធសាស្ត្រព្យាករណ៍ និងជួញដូរ ប៉ុន្តែវាមិនលុបបំបាត់ភាពមិនអាចទាយទុកជាមុនបានជាមូលដ្ឋាននៃទីផ្សារនោះទេ។ វិនិយោគិនគួរតែទទួលយក AI សម្រាប់ចំណុចខ្លាំងរបស់វា - ដំណើរការទិន្នន័យ និងការសម្គាល់គំរូ - ខណៈពេលដែលនៅតែដឹងអំពីចំណុចខ្សោយរបស់វា។ ក្នុងការធ្វើដូច្នេះ មនុស្សម្នាក់អាចទាញយកអត្ថប្រយោជន៍ពីពិភពលោកទាំងពីរដ៏ល្អបំផុត៖ ការវិនិច្ឆ័យរបស់មនុស្ស និងភាពវៃឆ្លាតរបស់ម៉ាស៊ីនដែលធ្វើការជាមួយគ្នា។ ទីផ្សារភាគហ៊ុនប្រហែលជាមិនអាចទស្សន៍ទាយបាន 100% នោះទេ ប៉ុន្តែជាមួយនឹងការរំពឹងទុកជាក់ស្តែង និងការប្រើប្រាស់ AI ដោយប្រយ័ត្នប្រយែង អ្នកចូលរួមទីផ្សារអាចខិតខំធ្វើការសម្រេចចិត្តវិនិយោគដែលមានព័ត៌មានកាន់តែប្រសើរ និងមានវិន័យជាងមុននៅក្នុងទេសភាពហិរញ្ញវត្ថុដែលមានការវិវត្តឥតឈប់ឈរ។

ឯកសារ​ស​ដែល​អ្នក​ប្រហែល​ជា​ចង់​អាន​បន្ទាប់​ពី​ឯកសារ​នេះ៖

🔗 ការងារដែល AI មិនអាចជំនួសបាន – ហើយតើ AI នឹងជំនួសការងារអ្វីខ្លះ?
ស្វែងយល់ពីអាជីពណាខ្លះដែលធន់នឹងអនាគត និងអាជីពណាខ្លះដែលមានហានិភ័យខ្ពស់បំផុត ខណៈដែល AI កំពុងផ្លាស់ប្តូររូបរាងការងារសកល។

🔗 តើ​អ្វី​ទៅ​ដែល​បញ្ញាសិប្បនិម្មិត​បង្កើត​ឡើង​អាច​ពឹងផ្អែក​លើ​ធ្វើ​អ្វី​បាន​ដោយ​គ្មាន​អន្តរាគមន៍​ពី​មនុស្ស?
ស្វែងយល់ពីព្រំដែនបច្ចុប្បន្ន និងសមត្ថភាពស្វយ័តនៃបញ្ញាសិប្បនិម្មិតបង្កើតថ្មីនៅក្នុងសេណារីយ៉ូជាក់ស្តែង។

🔗 តើ​បច្ចេកវិទ្យា​បញ្ញា​សិប្បនិម្មិត​ដែល​បង្កើត​ឡើង​ដោយ​ខ្លួនឯង (AI) អាច​ត្រូវ​បាន​ប្រើប្រាស់​ក្នុង​សន្តិសុខ​តាម​អ៊ីនធឺណិត​យ៉ាង​ដូចម្តេច?
ស្វែងយល់ពីរបៀបដែលបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) កំពុងការពារប្រឆាំងនឹងការគំរាមកំហែង និងបង្កើនភាពធន់តាមអ៊ីនធឺណិតជាមួយនឹងឧបករណ៍ព្យាករណ៍ និងស្វ័យប្រវត្តិ។