Τεχνητή νοημοσύνη και χρηματιστηριακές αγορές. Μία νέα ισορροπία

Η Τεχνητή Νοημοσύνη είναι μία τεχνολογία η οποία δεν είναι χθεσινή. Ερευνητές σε εργαστήρια έχουν αναπτύξει συστήματα τεχνητής νοημοσύνης εδώ και δεκαετίες. Παρ’ ολ’ αυτά, κατά τους τελευταίους μήνες η τεχνητή νοημοσύνη έχει μπει στην καθημερινότητα των συζητήσεων σε διοργανώσεις όπως το παγκόσμιο οικονομικό φόρου του Davos και σε διάφορα ανά τον κόσμο οικονομικά και επιστημονικά panels.

Τι είναι αυτό που άλλαξε δραματικά την ταχύτητα με την οποία η τεχνητή νοημοσύνη εισβάλει στην καθημερινότητά μας τα τελευταία χρόνια;

Η απάντηση είναι η μηχανική εκμάθηση (machine learning, όπως ονομάζεται) όπου πολλές εφαρμογές και λογισμικά κατάφεραν να την εφαρμόσουν. Πριν δώσουμε μερικά παραδείγματα μηχανικής εκμάθησης, ας δούμε λίγο πιο τεχνικά τι ακριβώς είναι αυτό.

Μέχρι και μερικά χρόνια πίσω, όταν προγραμματίζαμε ένα λογισμικό για να φέρει εις πέρας μία αποστολή, το λογισμικό ήταν σε θέση να “κινηθεί” εντός του χώρου που του έδινε ο προγραμματιστής. Με απλά λόγια επιτελούσε ένα έργο κατ’ επανάληψη, χωρίς η κάθε επανάληψη να επηρεάζει κάθε επόμενη λειτουργία του. Η επανάσταση που κομίζει η μηχανική εκμάθηση είναι ότι επιτρέπει στο λογισμικό να προγραμματίζει επεκτάσεις του ή να επαναπρογραμματίζει τμήματα του εαυτού του. Με όσο πιο απλά λόγια, όπου “αντιλαμβάνεται” ότι δεν έρχεται το επιθυμητό αποτέλεσμα, να αλλάζει την διαδικασία υπολογισμού με τρόπο τέτοιο όπου στην επόμενη επανάληψη, να βρεθεί πιο κοντά στο επιθυμητό αποτέλεσμα.

Με απλά ελληνικά, έχουμε στα χέρια μας προγράμματα που μαθαίνουν από τα λάθη τους, αυτοδιορθώνονται, αυτό επεκτείνονται και αποκτούν εμπειρία!

Μερικές πρακτικές εφαρμογές της τεχνητής νοημοσύνης έχετε στην τσέπη σας όταν περπατάτε και αναφέρομαι φυσικά στα smartphones. Οι εφαρμογές του facebook, του google adwords, η αναζήτηση του youtube, το λογισμικό της τράπεζας το οποίο χειρίζεται τις κάρτες σας είναι όλα παραδείγματα μηχανικής εκμάθησης. Όλες αυτές οι εφαρμογές “μελετούν, μαθαίνουν και αποκτούν εμπειρία” από την ζωή σας, τις συνήθειες σας και τις ανάγκες σας με σκοπό να σας προβάλλουν κάποια διαφήμιση, να σας προτείνουν μία τοποθεσία ή κάποιο νέο φίλο. 

Για παράδειγμα, κάποιος επισκέπτεται την Βιέννη της Αυστρίας. Εκεί κάνει με το κινητό του check in στο κτίριο της Όπερας, στο άγαλμα του Μότσαρτ και στο Stadtpark που βρίσκονται τα μνημεία των μουσικών. Άσχετα από οποιαδήποτε εκδήλωση ή φεστιβάλ λαμβάνει χώρα στην Βιέννη εκείνη την ημέρα, το facebook θα σας προτείνει κάποια διαφήμιση σχετική με κάποιο κονσέρτο κλασικής μουσικής. Αυτό διότι “μελέτησε” τις κινήσεις και τις συνήθειές σας και σας προτείνει κάτι σχετικό με αυτές.

Στον χώρο των χρηματιστηριακών αγορών τώρα, που μας επηρεάζουν αυτές οι εφαρμογές;

Αρχικά θα ξεκινήσουμε με την παραδοχή ότι όσο μικρή κι αν είναι η αγοραπωλησία που εκτελεί κάποιος σε κάποιο χρηματιστήριο, επηρεάζει την αγορά καθώς συμμετέχει στην διαμόρφωση της προσφοράς και της ζήτησης.

Υπάρχουν πολλά hedge funds και θεσμικοί επενδυτές που έχουν αναπτύξει προγράμματα μηχανικής εκμάθησης ώστε να εκτελούν συναλλαγές στα χρηματιστήρια. Αυτό τους δίνει την δυνατότητα να έχουν πιο γρήγορες “προσαρμογές” στις νέες συνθήκες από ότι θα είχε ένας άνθρωπος.

Η συνέχεια της μελέτης βρίσκεται στο Trading Academy

Βρείτε μας επίσης στο

Facebook Twitter LinkedIN Google+

Επιμέλεια: Φρουζάκης Θεοχάρης, IMC (frouzakis@moneyworld.gr)