تنها 2 مقاله دیگر را می‌توانی رایگان مطالعه کنی. ثبت نام کن تا مقاله‌های بیشتری بخوانی.

یادگیری ماشین برای مدیران دارایی چه معنایی خواهد داشت

برخی از کارشناسان صنعت معتقدند که یادگیری ماشین (ML) روند رو به رشد به سمت صندوق های سرمایه گذاری غیرفعال را معکوس می کند. اگرچه ML ابزارهای جدیدی را ارائه می دهد که می تواند به سرمایه گذاران فعال کمک کند تا از حد شاخص ها فراتر روند، اما مشخص نیست که آیا می تواند یک مدل کسب و کار پایدار را برای مدیران دارایی فعال ارائه دهد یا خیر.
نیما رستمی جاهد
۱۰ اسفند در 10 دقیقه بخوانید
یادگیری ماشین برای مدیران دارایی چه معنایی خواهد داشت

سخن مشاور مدیریت

بیایید با مثبت ها شروع کنیم

یادگیری ماشین، یک شکل از هوش مصنوعی، الگوریتم های قدرتمند را قادر می سازد تا مجموعه داده های بزرگ را تجزیه و تحلیل کرده و با توجه به اهداف از پیش تعریف شده، پیش بینی انجام دهد. این الگوریتم ها به جای پیروی کور کورانه از دستورالعمل های کدگذاری شده توسط انسان، از طریق فرآیند آزمایش و خطا خود را تنظیم می کنند تا با ورود داده های بیشتر، نتایج دقیق تری تولید کنند.

یادگیری ماشین سازگار ویژه ای با سرمایه گذاری در بورس اوراق بهادار دارد زیر براساس بینش هایی که ارائه میدهد می توان سریع و کارآمد عمل کرد. در مقابل، هنگامی که ML بینش های جدیدی را در حوزه های دیگری ایجاد می کند، شرکت ها باید قبل از عملی کردن این بینش ها، بر محدودیت های اساسی ای غلبه کنند. به عنوان مثال، هنگامی که گوگل اتومبیل بدون راننده (خودران) توسط ML توسعه داد، قبل از آنکه این اتومبیل به خیابان ها برود باید تأیید جمعی از ذینفعان و سهامداران را بگیرد. این ذینفعان شامل تنظیم کننده های قوانین فدرال، شرکت های بیمه اتومبیل و دولت های محلی که قرار است این اتومبیل های خودران در آن رانندگی کنند، هستند. مدیران سبد سرمایه گذاری [1] برای تبدیل بینش ML به تصمیمات سرمایه گذاری نیاز به تایید سازمان مقرراتی ای ندارند.

در بحث مدیریت سرمایه گذاری، ML کارهای کمی را که قبلاً توسط تحلیلگران اوراق بهادار انجام می شد را به سه روش تقویت می کند:

ML می تواند با پیدا کردن الگوهای جدید در مجموعه داده های موجود ، سهام های بالقوه با ارزش را شناسایی کند.

به عنوان مثال، ML می تواند محتوا و سبک تمام پاسخ های مدیران عامل شرکتهای S&P 500 در جلسات و گزارش های سه ماهه درآمد در طول 20 سال را پایش کند.

با تجزیه و تحلیل تاریخچه این پاسخ ها نسبت به عملکرد خوب یا بد سهام، ML ممکن است بینشهای قابل استفاده ای برای بیانیه مدیر عاملان فعلی ایجاد کند. این بینشها می تواند از تخمین اعتبار پیش بینی های رهبران شرکت گرفته تا همبستگی عملکرد شرکتهای موجود در یک بخش صنعت یا یک محل جغرافیایی مشابه باشد.

برخی از این تکنیک های جدید پیشرفت های چشمگیری نسبت به روش های سنتی دارند. به عنوان مثال، در تخمین احتمال نکول اوراق قرضه [2]، از مدلهای آماری پیچیده ای استفاده می شود که به ترتیب توسط اساتید ادوارد آلتمن و جیمز اولسون (بخصوص نمرات Z و O) تهیه شده است. محققان دریافته اند که تکنیک های ML تقریباً 10٪ دقیق تر از مدل های قبلی در پیش بینی نکول اوراق قرضه هستند.

ML می تواند اشکال جدیدی از داده ها را قابل تجزیه و تحلیل کند.

در گذشته، بسیاری از قالب های اطلاعات مانند تصاویر و صداها فقط توسط انسان قابل درک بودند. استفاده از این قالب های اطلاعاتی به عنوان ورودی های کامپیوتری برای مدیران سرمایه گذاری ذاتاً دشوار بود. الگوریتم های آموزش داده شده ML اکنون می توانند عناصر موجود در تصاویر را سریعتر و بهتر از انسان شناسایی کند. به عنوان مثال، با بررسی میلیون ها عکس ماهواره ای بصورت تقریباً بلادرنگ، الگوریتم های ML می توانند بازده محصولات کشاورزی چین را در حالی که هنوز از مزارع درو نشده اند و یا تعداد اتومبیل های موجود در پارکینگ مراکز ایالات متحده در تعطیلات آخر هفته را پیش بینی کنند.

بازار نوظهوری برای اشکال جدیدی از این مجموعه داده ها پدید آمده است. تحلیلگران ممکن است از مکان GPS تلفن های همراه برای درک ترافیک افراد در فروشگاه های خرده فروشی خاص، یا از داده های فروش یک فروشگاه استفاده کنند تا درآمد آن را نسبت به دوره های قبلی پیش بینی کنند. برنامه های کامپیوتری می توانند رسیدهای فروش ارسال شده به مشتریان را به عنوان محصول جانبی برنامه های مختلفی که توسط مصرف کنندگان به عنوان افزونه سیستم ایمیل خود استفاده می شود، جمع آوری کند. هنگامی که تحلیلگران این مجموعه داده ها را در مقیاس زیاد مورد بررسی قرار می دهند، می توانند روند و الگوهای مفیدی را جهت پیش بینی عملکرد شرکت تشخیص دهند.

ML می تواند اثرات منفی تعصبات انسانی بر تصمیمات سرمایه گذاری را کاهش دهد.

در سالهای اخیر، اقتصاددانان رفتاری و روانشناسان شناختی، طیف گسترده ای از تصمیمات غیر منطقی گرفته شده توسط اکثر انسانها را بررسی کرده اند. سرمایه گذاران بسیاری از این تعصبات را نشان می دهند، از قبیل فرار از ضرر (ترجیح به جلوگیری از ضرر نسبت به ایجاد سودهای معادل) یا تعصب تأیید (تمایل به تفسیر شواهد جدید به منظور تأیید عقاید پیشین).

یادگیری ماشین می تواند برای بررسی سابقه تاریخی معاملات مدیران سهام و تیم های تحلیل مورد استفاده قرار گیرد تا به جستجوی الگوهای نمایانگر این تعصبات بپردازد. افراد پس از آن می توانند تصمیمات سرمایه گذاری متناسب با این الگوهای غیر مفید را بررسی کنند. برای مؤثرترین کار، افراد باید از ML استفاده کنند تا تعصب را در هر سطح از روند سرمایه گذاری بررسی کنند؛ از جمله انتخاب اوراق قرضه، ساخت سبد سرمایه گذاری و انجام معامله.

با وجود این پیشرفت های چشمگیر در تصمیم گیری های سرمایه گذاری، ML محدودیت های بسیار مهمی را در خود دارد که به طور جدی پتانسیل ظاهری اش را کم می کند.

برای شروع، الگوریتم های ML ممکن است تعصبات قابل توجهی که ناشی از منابع داده مورد استفاده در فرآیند آموزش و یا نقص در الگوریتم ها باشد، نشان دهند. اگرچه ML باعث کاهش تعصبات انسانی در فرآیند سرمایه گذاری می شود، ولی شرکت ها نیاز دارند که دانشمندان علم داده منابع صحیحی از داده های جایگزین را انتخاب کنند، داده ها را دستکاری کرده و آن را با دانش موجود در شرکت ادغام کنند تا از ورود تعصبات جدید جلوگیری شود. این یک روند مداوم است که به صلاحیتی نیاز دارد که بسیاری از مدیران دارایی سنتی در حال حاضر ندارند.

ثانیا، اگرچه ML می تواند در بررسی مقادیر زیادی از داده های گذشته از یک حوزه خاص و یافتن الگوهای جدید نسبت به یک هدف صریح مؤثر باشد، اما با موقعیت های نادر مانند کودتاهای سیاسی یا بلایای طبیعی سازگاری خوبی ندارد. همچنین ML نمی تواند رویدادهای آینده را پیش بینی کند اگر ارتباط نزدیکی با روندهای گذشته وجود نداشته باشند، مانند بحران مالی سال 2008. در این موارد، متخصصان سرمایه گذاری باید درمورد اینکه روندهای آینده به کدام سمت میروند تا حدی بر اساس شهود و دانش عمومی شان قضاوت کنند.

در آخر، بسیاری از الگوهایی که ML در مجموعه های داده بزرگ مشخص می کند، معمولاً فقط همبستگی هایی هستند که هیچ گونه چشم اندازی بیانگر دلایل پنهان آنها مشخص نمی کنند، به این معنی که شرکت های سرمایه گذاری هنوز نیاز به استخدام متخصصان ماهر دارند تا تصمیم بگیرند که آیا این همبستگی ها سیگنال مفید هستند یا نویز. به گفته یک متخصص ML در یک سازمان بزرگ سرمایه گذاری ایالات متحده، تیم وی روزها را صرف ارزیابی الگویی که توسط ML شناسایی شده است می کند تا مشخص شود آیا با هر چهار آزمایش معقول بودن، پیش بینی پذیر، سازگاری و افزایشی [3] مطابقت دارد یا خیر.

حتی هنگامی که ML الگوی هایی را پیدا می کند که مطابق با هر چهار آزمایش است، این موارد همیشه به راحتی قابل تبدیل شدن به تصمیم سرمایه گذاری سودآور نیستند، که باز هم نیاز به فضاوت حرفه ای است. به عنوان مثال، با بررسی رسانه های اجتماعی، ML می توانست - برخلاف بیشتر نظرسنجی ها - پیش بینی كند كه دونالد ترامپ در سال 2016 به عنوان رئیس جمهور انتخاب می شود. با این حال، تصمیم گیری در مورد سرمایه گذاری بر اساس آن پیش بینی، یک سوال دشوار ایجاد می کند. آیا انتخاب ترامپ باعث می شود بازار سهام بالا برود یا پایین بیاید؟

نکته نهایی این است، اگرچه ML می تواند کیفیت تجزیه و تحلیل داده ها را تا حد زیادی بهبود بخشد، اما نمی تواند جایگزین قضاوت انسان شود. برای استفاده بهینه از این ابزارهای جدید، شرکتهای مدیریت دارایی به کامپیوتر و انسان همزمان و بعنوان نقش مکمل نیاز دارند. در نتیجه، سازمانها مجبورند سرمایه گذاری قابل توجهی هم در بحث فناوری و هم در بحث منابع انسانی انجام دهند، گرچه برخی از این هزینه ها با کاهش تعداد تحلیلگران سنتی جبران می شود.

متأسفانه، بسیاری از مدیران دارایی در مسیر اجرای ML قدم نگذارده اند. طبق نظرسنجی سال 2019 توسط موسسه CFA، تعداد کمی از متخصصان سرمایه گذاری در حال حاضر از برنامه های کامپیوتری ای که با ML مرتبط هستند استفاده می کنند. در عوض ، بیشتر مدیران سبد سرمایه گذاری همچنان به صفحه گسترده اکسل تکیه می کنند. علاوه بر این ، تنها 10٪ مدیران سبد سرمایه گذاری ای که به نظرسنجی CFA پاسخ دادند در 12 ماه قبل از تکنیکهای ML استفاده کرده بودند.

شاید به طور قابل پیش بینی، بزرگترین مدیران دارایی مانند BlackRock و Fidelity هستند که راه را پیش می برند و روابط با تأمین کنندگان اطلاعات، ارائه دهندگان فناوری و کارشناسان دانشگاهی را پرورش می دهند. اما بعید است که آنها شکاف بزرگی را در برابر رقبا ایجاد کنند زیرا مقیاس لزوماً برای سرمایه گذاری فعال مزیت نیست. به عنوان مثال، تجارت در حجم زیاد می تواند هزینه های قابل توجهی داشته باشد و سازمان ها ممکن است در خرید میزان خاصی از سهام یک شرکت خاص محدودیت داشته باشند.

مدیران دارایی شرکت های متوسط نیز باید بتوانند از این مزایا بهره مند شوند، زیرا احتمال جذب و حفظ متخصصان داده خوب را دارند، متخصصانی که ممکن است فرصت های بیشتری برای پیشرفت در این شرکتها نسبت به شرکت های بسیار بزرگتر مشاهده کنند. علاوه بر این، شرکت های متوسط می توانند از طریق فروشندگان ثالث به داده، الگوریتم های باکیفیت از کتابخانه های منبع باز و ابزارهای پیشرفته شرکتهای فن آوری (به عنوان مثال آمازون و گوگل) که خدمات ابری ارائه می دهند، دسترسی پیدا کنند

بازندگان این وادی احتمالاً بنگاههای كوچك هستند (با داراییهای تحت مدیریت كمتر از یك میلیارد دلار). احتمالاً آنها در جذب استعداد کافی و جذب هزینه های توسعه این فناوری با توجه به فشار بر روی کاهش هزینه های مدیران سرمایه گذاری فعال، مشکل دارند. هزینه های مدیریت برای مدیران سهام تقریباً 20٪ در سال 2018 نسبت به سال 2008 کاهش یافته است، بخشی از این امر به این دلیل است که صندوق سرمایه گذاری غیرفعال [4] بسیار ارزان شده اند. همچنین مدیران دارایی تحت فشار نظارتی هستند تا جهت پرداخت وجه برای تحقیقات در مورد اوراق بهادار، از پول خود استفاده کنند تا از "دلار نرم" که پرداخت از طریق کمیسیون کارگزاری است. بنابراین، سرمایه گذاری های مورد نیاز ML به طور کلی برای صنعت مدیریت دارایی در زمان سختی اتفاق می افتد و این برای بنگاه های کوچک چالش برانگیز خواهد بود.

از این گذشته، مشخص نیست که آیا سرمایه گذاری های اساسی در ML به واقع به یک مدل تجاری بلندمدت پایدار برای مدیران دارایی فعال منجر می شود. اگر ML یک الگو منحصر به فرد برای یک شرکت سرمایه گذاری تولید کند، این شرکت نمی تواند به مدت طولانی استفاده انحصاری از آن کند، زیرا سایر شرکت ها احتمالاً روشهای این سرمایه گذاری را شبیه سازی خواهند کرد. و اگر سایر مدیران دارایی بینش های مشابهی را از تکنیک های مشابه ML بدست آورند، در همان زمان همان اوراق بهادار را خریداری یا میبفروشند که این امر سود حاصل از آن بینش را از بین می برد. این اتفاق قبلاً در چندین مورد پیش آمده است. به عنوان مثال، طی سه روز در سال 2007، چندین صندوق پوشش ریسک بزرگ، با استفاده از مدلهای کمیتی و براساس عوامل مشابه، قسمتی از سهام و دارایی خود را بفروش رساندند و در نتیجه متحمل خسارات بزرگی شدند.

به طور خلاصه، یادگیری ماشین ممکن است در ابتدا به عنوان ناجی سرمایه گذاری فعال تلقی شود. مطمئناً این توانایی را دارد که به پذیرندگان اولیه [5] اجازه دهد منابع جدیدی از الگوها را پیدا کنند و از شاخص های بورس بهتر عمل کنند. اما اگر بینش های ML توسط سایر مدیران کپی شود، یافتن سهام و اوراق بهادار عمومی که از معیارهای فراتر رود، سخت تر شود. با گذشت زمان، آیا سرمایه گذاری فعال افزوده شده توسط ML باعث افزایش راندمان قیمت گذاری اوراق بهادار و در نتیجه تغییر فعلی به سرمایه گذاری منفعل خواهد شد؟ در این صورت، هزینه های اجرای ML متحمل مدیران سرمایه گذاری فعال خواهد بود، اما بخش اعظم مزایا به صندوق های شاخصی می رسد.

1-  Portfolio
2- Bond Defaults
3- Sensible, Predictive, Consistent, and Additive
4- Passive Funds
5- Early Adopters


چند تعریف

سرمایه گذاری فعال (Active investing)- سرمایه گذاری فعال به یک استراتژی سرمایه گذاری اشاره دارد که شامل خرید و فروش مداوم فعالیت توسط سرمایه گذار است. سرمایه گذاران فعال اقدام به خرید سرمایه گذاری می کنند و به طور مداوم فعالیت خود را برای بهره برداری از شرایط سودآور نظارت می کنند.

صندوق سرمایه گذاری غیرفعال (Passive funds)- صندوق سرمایه گذاری است که یک شاخص بازار یا یک بخش خاص از بازار را دنبال می کند تا مشخص کند که در چه مواردی سرمایه گذاری می شود. این به طور معمول باعث می شود سرمایه گذاری های غیرفعال نسبت به سرمایه های گذاری فعال، سرمایه کمتری نیاز داشته باشند، صندوق سرمایه گذاری فعال، مدیر صندوق را ملزم به صرف وقت برای تحقیق و تجزیه و تحلیل فرصت های سرمایه گذاری می کند.

منبع: HBR

نیما رستمی جاهد
نوشته‌ای از نیما رستمی جاهد

Love problem solving and interested in technology, from electronic hardware systems to information technology. I’m an experienced IT consultant with a demonstrated history of working in the glass container industry, with over 10 years of experience in designing, managing, and troubleshooting of computer network and server infrastructures. I’m also an experienced webmaster in the field of SEO and digital marketing. Graduated in Electrical and Electronics Engineering from Shahid Beheshti University and MSc in Information Technology from Iran University of Science and Technology. I’ve also taken an MBA course in finance due to the important role of financial topics in business.

بیشتر بخوانید