هوش مصنوعی در بازار سرمایه

هوش مصنوعی در هر حوزه ای کاربرد دارد. یکی از اساسی ترین کاربرد های آن در بازار بورس می باشد. هوش مصنوعی در واقع شبیه سازی کردن رفتار های مشابه انسان است به طوری که بسیار دقیق تر از انسان کار خود را انجام می دهد. در واقع می توانیم بگوییم هوش مصنوعی به عنوان شاخه ای از مهندسی کامپیوتر می باشد.

از طریق هوش مصنوعی ماشین هایی طراحی و ساخته می شوند که شبیه به انسان عمل می کنند. یعنی بعد از شناخت و بررسی عوامل محیطی واکنش مناسبی را انجام می دهد. هوش مصنوعی در جاهای زیادی کاربرد دارد به طور مثال جستجوگر گوگل بر اساس جستجو های شما در مورد خرید لباس با سلیقه شما آشنا شده و در دفعات بعدی زمان جستجو بر اساس علایق شما موارد خاصی را به نمایش می گذارد. 

هوش مصنوعی در بازار سرمایه

هر معامله گری استراتژی و متد معامله گری خاص خود را داراست. عوامل زیادی در طراحی یک استراتژی دخیل است از جمله تحلیل تکنیکال، روانشناسی بازار، کنترل ریسک و مدیریت سرمایه، بک تست. حالا کاربرد هوش مصنوعی در بورس گسترده تر شده است. در آینده نیز پیشرفت های زیادی را در این زمینه شاهد خواهیم بود. هوش مصنوعی می تواند هزاران داده لازم در یک جا بررسی کند و از طریق یادگیری ماشین واکنش های مناسبی را انجام دهد.

کاری که انجام آن به طور دستی توسط انسان سخت و دور از توان است. با توجه به تاثیراتی که گفته شد، استفاده از هوش مصنوعی می تواند منافع و کاربرد های زیادی برای معامله گران داشته باشد. تعداد سهام های موجود در بازار باعث میشود که معامله گران نتوانند آنها را تحلیل کنند و استفاده از مزیت های هوش مصنوعی سبب میشود که بتوان حجم وسیع تری از سهام را تحلیل کرد و خرید و فروش نمود و این امر سبب داشتن معامله ای بهتر و سود بیشتر میشود.

تا به امروز بارها شنیده ایم که هوش مصنوعی قرار است تمام جنبه های زندگی بشر را متحول کند. شاید بتوان گفت معاملات اقتصادی و بازار بورس یکی از حوزه های پیچیده می باشد که نیاز به تحلیل های دقیق و هوشمندانه و منطقی دارد. به همین منظور استفاده از هوش مصنوعی در بورس و اوراق بهادار میتواند درهای جدیدی را به روی دنیای اقتصاد باز کند. هوش مصنوعی می تواند در تحلیل بورس که یکی از بازارهای بزرگ مالی است، کمک زیادی کند.

از طرفی عاملیت خطای انسانی نیز در تمامی این محاسبات حذف شده و در مجموع کیفیت روندهای سیستمی بهینه تر میشود. تحلیل ورشکستگی مالی یک پدیده با اهمیت برای سرمایه گذاران، و اعتبار دهندگان و سایر استفاده کنندگان از اطلاعات مالی محسوب می شود. تعیین احتمال درمانده شدن یک شرکت قبل از بروز درماندگی یک موضوع بسیار جالب و جذاب محسوب می شود و می تواند هم برای مدیران و هم برای سرمایه گذاران و اعتبار دهندگان مفید واقع شود. این فناوری همزمان با منافع زیادی که در مسیر تسهیل امور در فرایندهای بورس ایفا میکند دارای معایبی نیز میباشد.

به منظور خرید سهام مناسب در بازار بورس، نیاز به بررسی فرآیند پیچیده و چند گزینه ای از موقعیت سهام است که بسیاری از گزینه های آن با ابهام و عدم قطعیت همراه است همچنین ریسک پذیری سرمایه گذار به عنوان یکی از عوامل مؤثر در خرید سهام مطرح است اگرچه سامانه های مکانیزه راهبری کاربران جهت خرید و فروش سهام در بازار های بورس وجود دارد، ولی هیچ کدام به ملاحظات شخصی کاربران مانند ریسک پذیری سرمایه گذار توجه نکرده اند.

ما در عصری زندگی میکنیم که تکنولوژی تا ریزترین بخش های زندگی فردی و اجتماعی انسان وارد شده است و اجتناب از آن امکان پذیر نیست. از جمله بازارهایی که چند سالی میشود به اجتناب ناپذیر بودن این حقیقت پی برده اند بازارهای مالی هستند. ورود بازار سرمایه به عصر تکنولوژی با معاملات الگوریتمی اتفاق افتاد.

برای سال های طولانی معاملات در بازار های سرمایه به شکل فیزیکی و دستی صورت میگرفت. در روش های سنتی معامله توسط واسطه ها حمایت می شدند. کسانی که معاملات را بین مشارکت کنندگان بازار تنظیم می کردند. اما با افزایش ظروف سرمایه بازارها، ادامه کار به روش سنتی سخت شد. نیاز بود تا پای تکنولوژی به میان آید و کامپیوتر به جای افراد عمل کند. بنابراین نیاز به معاملات الگوریتمی احساس شد.

مبانی نظری در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاٌ تئوری به تحقیقات کاربردی علی الخصوص در پردازش اطلاعات برای مسائلی که یا برای آن ها راه حلی موجود نیست و یا به راحتی قابل حل نیستند، بوده ایم. با عنایت به این حقیقت، علاقه فزاینده ای در توسعه تئوریک سیستم های دینامیکی هوشمند مدل – آزاد که مبتنی بر داده های تجربی هستند، ایجاد شده است.

” شبکه های عصبی مصنوعی ” جزء این دسته از سیستم های دینامیکی قرار دارند که با پردازش روی داده ها تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. به همین خاطر به این سیستم ها هوشمند گویند چرا که براساس محاسبات روی داده ها عددی یا مثال ها قوانین کلی را فرا می گیرند. این سیستم های مبتنی بر هوش محاسباتی سعی در مدل سازی ساختار نرو – سیناپتیکی مغز بشر دارند.

پیاده سازی ویژگی های شگفت انگیز مغز در یک سیستم مصنوعی (سیستم دینامیکی ساخته دست بشر) همیشه وسوسه انگیز و مطلوب بوده است. بسیارند محققانی که طی سال ها در این زمینه فعالیت ها کرده اند، لیکن نتیجه این تلاش ها، صرف نظر از یافته های ارزشمند، باور هرچه بیشتر این اصل بوده است که ” مغز بشر دست نیافتنی است. ”

با تأکید بر این نکته که گذشته از متافیزیک، دور از دسترس بودن ایده آل ” هوش طبیعی ” را می توان با عدم کفایت دانش موجود بشر از فیزیولوژی عصبی پذیرفت باید اذعان داشت که عالی بودن هدف و کافی نبودن دانش موجود، خود سبب انگیزش پژوهش های بیشتر و بیشتر در این زمینه بوده و خواهد بود، همچنان که امروزه شاهد بروز چنین فعالیت هایی در قالب شبکه های عصبی مصنوعی هستیم. 

اغلب آن هایی که با چنین سیستم هایی آشنایی دارند به اغراق آمیز بودن آن ها معترفند. این اغراق، اگر چه بیانگر مطلوبیت و نیز بعضی مشابهت های این گونه سیستم ها با سیستم های طبیعی است ، ولی می تواند تا حدی بین آنچه که سیستم های عصبی مصنوعی در اختیار قرار می دهد و آنچه که از نامشان بر می آید تناقض ایجاد نماید. لذا هنگام صحبت کردن در مورد اساس شبکه های عصبی یا هوش مصنوعی، باید حدود انتظارات و برداشت ها و شباهت ها را مشخص کرد.

از قرن نوزدهم به طور همزمان، از سویی نروفیزیولوزیستها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تالش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه های عصبی مصنوعی است. 

این مدل فرضیه هایی در مورد عملکرد نورونها ارائه میکند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است. چنانچه حاصل جمع ورودی ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته میشود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود. نه تنها نروفیزیولوژیستها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه های عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبالت معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد، است. این سامانه میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.

سامانه دیگر مدل خطی تطبیقی نورون میباشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه های عصبی به کار گرفته شده در مسائل واقعی بودند. آدالاین یک دستگاه الکترونیکی بود که از اجزای ساده ای تشکیل شده بود، روشی که برای آموزش استفاده میشد با پرسپترون فرق داشت. در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت های سامانه های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مسئله جالبی نمیباشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند. 

بازار بورس 

بازار بورس و سهام جایی است که در آن به خرید و فروش سهام و اوراق بهادار می پردازد. این بازار از سهام شرکتهای متنوع و خریدارها و فروشنده هایی که به معامله این سهم ها می پردازند. بالا و پایین رفتن ارزش این سهم ها، سود و زیان این معاملات را تعیین میکند. پر واضح است که بالا رفتن ارزش سهام و یا کاهش آن از یک سری قوانین و مشخصه هایی پیروی میکند که برای داشته یک معامله ای پرسود، معامله گرها باید از استراتژی های پیچیده و تجزیه و تحلیل های زیادی استفاده کنند.

با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبرگ که شبکه ای تحت عنوان آوالانچ را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه های ART را بنا نهادند که با مدل های طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیک هایی برای یادگیری ایجاد کردند.

ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود. پیشرفت هایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتاب ها و کنفرانس های وسیعی که برای مردم در رشته های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده است.

معاملات الگوریتمی 

معاملات الگوریتمی در بازارهای مالی، به معنای استفاده از برنامه های کامپیوتری برای انتخاب سهام از بین صدها موقعیت موجود، ورود سفارش های خرید و فروش به سیستم های معاملاتی، کمک به اندازه گیری ریسک و بهینه سازی پورتفوی و کمک به مدیریت دارایی با بهره وری بالاتر میباشد. در این روش یک یا چند الگوریتم در انتخاب و اعمال این سفارش ها از جنبه های مختلف مانند زمانبندی، قیمت یا حجم معاملات آن تصمیم میگیرند.

معاملات الگوریتمی در بسیاری از مواقع، بدون دخالت انسان انجام میشود. امروزه معاملات الگوریتمی استفاده گسترده ای در مدیریت معاملات بانک های سرمایه گذاری (تامین سرمایه ها)، صندوق های بازنشستگی (و شرکت های سرمایه گذاری) و صندوق های سرمایه گذاری مشترک دارد.

سبدگردانی الگوریتمی نوع جدیدی از این سامانه هاست که از طریق آن سبدگردان با استفاده از ابزار های الگوریتمی به بالا بردن کیفیت سود و کاهش ریسک های سبد خود کمک میکند. همچنین با استفاده از این ابزار، سبدگردان قادر میشود برای تعداد زیادی مشتری سبدگردانی واقعا به صورت اختصاصی انجام دهد.

تحلیل تکنیکال 

تحلیل تکنیکال در بازار های مالی روشی برای پیش بینی رفتار احتمالی نمودار از طریق داده های گذشته همچون قیمت و تغییرات آن، حجم معاملات و … است. این روش در تمام بازار هایی که بر اساس عرضه و تقاضا فعالیت می کنند کاربرد دارد، بازار هایی همچون ارزهای خارجی، بورس اوراق بهادار و بازار طلا، فلزات گران بها و مسکن را با استفاده از این روش می توان تحلیل کرد. تحلیل گران تکنیکال بر خالف تحلیل گران بنیادی ارزش ذاتی اوراق بهادار را اندازهگیری نمیکنند، آنها از روی تحلیل و بررسی نمودارها رفتار آتی قیمت را پیش بینی می کند.

 کنترل ریسک 

کنترل ریسک مجموعه روش هایی است که به وسیله آن شرکت ها زیان های احتمالی را ارزیابی کرده و برای کاهش یا حذف چنین تهدیدهایی اقدام می کنند. این یک تکنیک است که شامل شناسایی عوامل خطر احتمالی در عملیات یک شرکت، مانند جنبه های فنی و غیر فنی تجارت، سیاست های مالی و سایر مواردی است که ممکن است بر سود شرکت تأثیر بگذارد.

پیشینه تحقیق 

محیط داخلی 

مدرکیان و موحدی در قالب پژوهشی با استفاده از شبکه های عصبی توانستند از ابزار شبکه عصبی جهت پیش بینی نسبت های مالی استفاده شده و گروه نسبت های نقدینگی، فعالیت، اهرمی و سودآوری در قالب چهار فرضیه مورد بررسی قرار دهند برای انجام این تحقیق از اطلاعات ۲۳ شرکت خودروسازی در طی سال های ۶۷-۸۹ استفاده شده است و مدل شبکه عصبی چند لایه پیشخور به کار رفته است.

نتایج حاصل از پژوهش نشان می دهد که نسبت های نقدینگی چندان قابل پیش بینی نیستند و نسبت های فعالیت نیز توسط شبکه های عصبی پیش بینی می شوند، اما در گروه نسبت های اهرمی و سودآوری، شبکه های عصبی با برتری کامل نسبت به سایر ابزارها همه آنها را به نحو مطلوب پیش بینی می کند.

بحیرایی و اعتمادی (۱۳۹۵) به منظور پیش بینی ورشکستگی شرکت ها از سه روش شبکه های عصبی-فازی (ANFIS)، شبکه های عصبی مصنوعی (ANN) و رگرسیون لاجیت استفاده کردند و نمونه تحت بررسی شامل ۷۱ شرکت ورشکسته و ۷۴ شرکت سالم هستند که طی یک دوره پنج ساله از سال ۱۳۸۹ تا ۱۳۹۴ از بورس اوراق بهادار تهران انتخاب شدند.

سینایی و مرتضوی (۱۳۸۴) در قالب یک تحقیق پژوهشی به مطالعه پیش بینی شاخص قیمت سهام در بورس اوراق بهادار تهران به وسیله شبکه های عصبی و ارایه ی شواهدی مبنی بر رفتار آشوبناک شاخص قیمت در بورس اوراق بهادار می پردازند. دو مجموعه از داده ها برای ورودی شبکه عصبی انتخاب شد و وقفه های مختلفی از شاخص و عوامل کلان اقتصادی به عنوان متغیرهای مستقل. شبکه های عصبی به کار گرفته که به روش الگوریتم پس انتشار خطا آموزش بوده و شامل شبکه های عصبی پیش خور سه لایه و چهار الیه با تعداد نرون های مختلف در لایه های ورودی و پنهان است.

همچنین از مدل خطی ARIMA برای پیش بینی شاخص قیمت در هفته بعدی استفاده شده است. نتایج حاصل از پژوهش نشان می دهدکه شبکه های عصبی عملکرد بهتری نسبت به مدل خطی ARIMA برای پیش بینی شاخص قیمت دارند و همچنین مقدار قابل قبول MSE برای خطای شبکه در داده های آزمون و برآورد نشان دهنده ی این مطلب است که حرکات آشوبناک در رفتار شاخص قیمت وجود دارد.

محیط خارجی 

در طی سالیان اخیر حجم قابل ملاحظه ای از مطالعات در تلاش برای تعیین قابلیت شبکه های عصبی برای پیش بینی حرکات آتی سهام با استفاده از عوامل بنیادی، انجام شده است.

افزایش علاقه در به کارگیری شبکه های عصبی مصنوعی به دلیل این حقیقت است که غیرخطی بودن به وسیله محققان مختلف و تحلیلگران مالی مختلف مورد تاکید قرار گرفته است و شبکه های عصبی قادرند مدل سازی غیرخطی را بدون دانش قبلی در مورد روابط بین عوامل انجام دهند.

یافته ها 

هوش مصنوعی هیچگاه خسته نمیشود و چنین مسائلی در روند کارکرد آن خللی ایجاد نمیکند. به همین دلیل می تواند بی وقفه به کار خود ادامه دهد و به تجزیه و تحلیل معاملات و خرید و فروش آنها در یک زمان طولانی بپردازد. این مسئله باعث میشود که معاملات پر سود تری داشته باشیم و بازدهی کار ما چندین برابر شود.

انجام معامله بدون تاثیر گرفتن از احساسات یکی دیگر از منافع استفاده از فناوری هوش مصنوعی در بازار بورس است. یکی از نکات مهم برای داشتن معامله های سودآور در بازار بورس، کنترل احساسات می باشد. بازار بورس از رفتار معامله گران بسیار تاثیر پذیر است و انتشار اخبار مختلف باعث ایجاد تاثیرات زیادی بر روی ارزش سهام و سود و زیان معاملات میشود.

این مسئله همان روانشناسی بازار میباشد. هوش مصنوعی با استفاده از تحلیل و منطق قوی خود در این مواقع می تواند بسیار کاربردی ظاهر شود. سیستم هوش مصنوعی میتواند با جمعآوری داده ها در مورد نحوه خرید و فروش معامله گران واکنش های احساسی آن ها را پیشبینی نماید. علاوه بر آن میتواند به نظارت بر سهام و استخراج الگوهای چارتی نیز کمک کند.

نتیجه گیری 

در طول این مقاله به این موضوع اشاره شد که در هوش مصنوعی تالش میشود تا به یک سیستم رایانه ای یاد داد تا چگونه همچون یک انسان فکر کند و راه حل تولید کند. در مورد بورس و معاملات سهام نیز میتوان تمام دانش هایی که گفته شد را به هوش مصنوعی آموزش داد تا بتواند به کمک آنها به تجزیه و تحلیل برای خرید و یا فروش سهام بپردازد. به صورت کلی هوش مصنوعی می تواند در زمینه های زیر کاربرد داشته باشد: 

• بدست آوردن استراتژی معاملاتی از طریق معاملات الگوریتمی 
• نظارت بر بازار و تجزیه و تحلیل سریع آن 
• پیش بینی روند پیش رو به کمک تجزیه و تحلیل داده ها گذشته 
• افزایش الگو تریدینگ فرصتهای معاملاتی برای داشتن خرید و فروشهای کارآمد 
• کمک به داشتن فرآیندی اتوماتیک و دقیق تر برای معاملات 
• برخورداری از تغییرات زمان واقعی (real time) بازار 

با این تفسیر هوش مصنوعی برای معامله گران منافع و کاربردهای زیادی دارد. افرادی که به دنبال کسب سود بالا در سرمایه گذاری بازار بورس هستند، بهتر است توجه ویژه ای به هوش مصنوعی داشته باشند. زیرا استفاده از آن می تواند معاملات بهتر و پر سود تری را برای معامله گر به ارمغان آورد. هر یک از این موارد می تواند موضوعی مستقل در جهت ارائه مقالاتی باشد که فضای استفاده از هوش مصنوعی را در بازار سرمایه تبیین و تقویت کند.