Хиймэл оюун ухаан нь жижиглэнгийн forex арилжаанд хамгийн их хэлэлцэгддэг, хамгийн бага ойлгогддог сэдвүүдийн нэг болжээ. Маркетингийн материалууд AI нь зах зээлийн хөдөлгөөнийг таамаглаж, далд хэв маягийг тодорхойлж, хүний хамгийн бага хяналтаар тогтвортой ашиг олж чадна гэж амладаг. Бодит байдал илүү нарийн ялгаатай бөгөөд хайп санал болгодгоос илүү сонирхолтой, илүү эрүүл бодолтой юм. AI болон machine learning техникүүд үнэхээр томоохон банкууд, хедж фонд, технологийн пүүсүүдийн санхүүгийн зах зээлд хэрэглэгдэж байгаа боловч байгууллагын AI чадамж болон жижиглэнгийн трейдерүүдэд хүртээмжтэй AI хэрэгслүүдийн хоорондох зай асар их бөгөөд санхүүгийн зах зээлийн нөхцөлд эдгээр технологийн хязгаарлалт ихээхэн юм.
Энэ хичээлд AI арилжаанд хэрхэн бодитоор ашиглагдаж байгаа, одоогийн технологиор юу бодитоор хүрч болох, юу хүслийн түвшинд хэвээр байгаа, жижиглэнгийн трейдерүүд бодит бус хүлээлтийн хохирогч болохгүйгээр AI-д суурилсан хэрэгслүүдийг ажлын урсгалдаа хэрхэн утга учиртайгаар нэгтгэж болохыг үнэнч үнэлгээ өгнө.
AI байгууллагын арилжаанд хэрхэн бодитоор ашиглагддаг
Томоохон санхүүгийн байгууллагууд AI-г хэрхэн байршуулдагийг ойлгох нь жижиглэнгийн AI арилжааны хэрэгслүүдийг үнэлэхэд чухал context хангадаг. Их Британийн санхүүгийн үйлчилгээнд AI-ийн нэвтрэлтийн Английн Банкны судалгаа хамгийн түгээмэл хэрэглээ нь alpha олборлолт (үнийн хөдөлгөөнийг шууд таамаглах) биш эрсдэлийн удирдлага, луйврын илрүүлэлт, нийцэлд байгааг илчилдэг.
Quantitative судалгаа ба дохио үүсгэлт
Renaissance Technologies, Two Sigma, DE Shaw зэрэг хедж фонд хүний шинжээчид хэзээ ч гараар боловсруулж чадахгүй асар их өгөгдлийн багцад статистик хэв маягийг тодорхойлохын тулд machine learning ашигладаг. Эдгээр хэв маяг нь:
- Мянга мянган хэрэгсэл, олон хугацааны хүрээн дэх үнэ, эргэлтийн өгөгдөл.
- Хиймэл дагуулын зураг (тээврийн үйл ажиллагаа, зогсоолын талбайн дүүргэлтийг хянах), зээлийн картын гүйлгээний өгөгдөл, нийгмийн сүлжээний sentiment, вэб траффикийн хэв маягийг оролцуулсан альтернатив өгөгдөл.
- Засгийн газрын агентлаг, төв банк, олон улсын байгууллагуудын макро эдийн засгийн өгөгдөл.
Жижиглэнгийн аргуудаас гол ялгаа нь оролцуулсан өгөгдөл, тооцоолох нөөц, судалгааны багийн хэмжээ юм. Эдгээр пүүсүүд математик, физик, компьютерийн шинжлэх ухааны хэдэн зуун PhD-тай хүмүүсийг ажиллуулдаг бөгөөд жилд сая сая долларын өртөгтэй тооцоолох дэд бүтэцтэй ажилладаг.
Мэдээ ба sentiment-д зориулсан Natural Language Processing (NLP)
NLP буюу хүний хэлийг ойлгохтой холбоотой AI-ийн салбар нь валютын зах зээлд нөлөөлж болох санхүүгийн мэдээ, төв банкны харилцаа холбоо, нийгмийн сүлжээний агуулгын асар их хэмжээг боловсруулахад практик хэрэглээгээ олсон.
Байгууллагын NLP хэрэглээнд:
- Автоматжуулсан мэдээ унших: Минутанд мянга мянган мэдээний өгүүлэлийг задлан, холбогдох нэгжүүдийг (валют, улс, төв банк), sentiment (эерэг, сөрөг, төвийг сахисан), сэдвийн ангиллыг (мөнгөний бодлого, худалдааны өгөгдөл, геополитик эрсдэл) гаргаж авдаг системүүд.
- Төв банкны харилцааны шинжилгээ: Төв банкны мэдэгдэлд хэрэглэсэн яг үгийг шинжилж, өмнөх харилцаатай үгийн сонголтыг харьцуулан бодлогын байр суурийн өөрчлөлтийг хэмждэг алгоритмууд. Сонгодог жишээ: Холбооны нөөцийн системийн мэдэгдэл илүү "hawkish" эсвэл "dovish" болсон эсэхийг нарийн өөрчлөлтөөр илрүүлэх.
- Ашгийн дуудлага ба үг хэлэх шинжилгээ: Бодлого боловсруулагч, корпорацийн удирдагчдын ярих харилцааг бодит цаг хугацаанд боловсруулж, зах зээлд хамааралтай мэдээллийг хэлэгдэхийн зэрэгцээ тодорхойлдог.
- Нийгмийн сүлжээний sentiment нэгтгэл: Twitter/X, Reddit, санхүүгийн форум зэрэг платформуудыг хянаж, тодорхой валют эсвэл эдийн засгийн сэдвийн талаарх жижиглэнгийн болон хагас мэргэжлийн sentiment-ийг хэмждэг.
Үнийн өгөгдөлд хэв маяг таних
Deep learning загварууд, ялангуяа convolutional neural network (CNN) болон recurrent neural network (RNN) нь уламжлалт техникийн шинжилгээ алдаж болох үнийн өгөгдөлд хэв маягийг тодорхойлоход хэрэглэгджээ. Long Short-Term Memory (LSTM) сүлжээнүүд буюу RNN-ийн нэг төрөл нь цуваа өгөгдөлд урт хүрээний хамаарлыг барих чадвараасаа болоод цаг хугацааны цуваа таамаглалд ихэвчлэн ашиглагддаг.
Гэхдээ Journal of Financial Economics болон IEEE proceedings-д нийтлэгдсэн академик судалгаа эдгээр загварууд түүхэн өгөгдөлд хэв маягийг тодорхойлж чадах боловч out-of-sample таамаглалын гүйцэтгэл нь ихэвчлэн хамгийн сайндаа бага зэрэг гэдгийг тогтвортой харуулдаг. Санхүүгийн зах зээлийн тогтворгүй шинж чанар (статистик шинж чанарууд цаг хугацааны явцад өөрчлөгддөг) нь хэв маяг танихыг зургийн таних эсвэл яриа боловсруулах зэрэг үндсэн өгөгдөл үүсгэх процесс илүү тогтвортой програмуудаас үндсэндээ илүү хэцүү болгодог.
Жижиглэнгийн трейдерүүдэд хүртээмжтэй AI хэрэгслүүд
Жижиглэнгийн трейдерүүд байгууллагын AI дэд бүтцийг давтаж чадахгүй боловч AI-д суурилсан хэрэгслүүдийн хэд хэдэн ангилал боломжтой бөгөөд магадгүй хэрэгтэй.
Sentiment шинжилгээний хэрэгслүүд
Хэд хэдэн платформ, үйлчилгээ нь мэдээний эх үүсвэр, нийгмийн сүлжээ болон бусад олон нийтийн агуулгаас sentiment өгөгдлийг нэгтгэж, арилжааны шийдвэрт хэрэгтэй форматаар танилцуулдаг. Эдгээр хэрэгслүүд нь текстийг тодорхой валют эсвэл эдийн засгийн сэдвийн талаар эерэг, сөрөг эсвэл төвийг сахисан гэж ангилахын тулд NLP загваруудыг ашигладаг.
Sentiment хэрэгслүүдийг үр дүнтэй ашиглах:
- Sentiment-ийг бие даасан арилжааны дохио биш олон оролтын нэг болгон ав.
- Зах зээлийн байршлын хэт утгыг илэрхийлж болох хэт sentiment уншилтыг хай (эсрэг дохиолол).
- Үнэмлэхүй түвшнээс илүү цаг хугацааны явцад sentiment-ийн өөрчлөлтийг хяна - өөрчлөлтийн хурд ихэвчлэн одоогийн уншилтаас илүү чухал.
- Олон нийтийн sentiment өгөгдөл хүн бүрт боломжтой гэдгийг ойлго, тэгэхээр түүн дээр үйлдэл хийх үед мэдээлэл аль хэдийн үнэд тусгагдсан байж болно.
Хэв маяг таних ба график шинжилгээ
AI-д суурилсан график хэрэгслүүд нь техникийн хэв маягуудыг (толгой ба мөр, гурвалжин, суваг) автоматаар тодорхойлж, ижил төстэй хэв маягууд түүхэн хувьд хэрхэн шийдэгдсэний статистик шинжилгээг хангаж чадна. Эдгээр хэрэгслүүд нь зургийн таних алгоритмууд зураг дахь объектуудыг тодорхойлохтой адил аргаар харааны графикийн өгөгдлийг боловсруулдаг.
Ойлгох хязгаарлалтууд:
- Түүхэн хэв маягийн биелэлтийн хувь нь магадлал өгдөг, баталгаа биш. Түүхэнд 65% bullish-аар шийдэгдсэн хэв маяг 35% бүтэлгүйтнэ.
- Хэв маягийн тодорхойлолт субъектив байж болно - өөр өөр AI хэрэгслүүд ижил график дээр өөр хэв маяг тодорхойлж эсвэл тухайн хэв маягийн хил хязгаар, ач холбогдлын талаар санал нийлэхгүй байж болно.
- Зах зээлийн context маш чухал. Томоохон төв банкны шийдвэрийн өмнө бий болсон bullish хэв маяг нь тайван зах зээл дахь ижил хэв маягаас маш өөрөөр биелж болно.
Machine Learning-д суурилсан индикаторууд
Зарим платформ олон уламжлалт техникийн индикатор, зах зээлийн өгөгдлийн шинж чанаруудыг нэгтгэн нийлмэл дохио (ихэвчлэн чиглэлтэй хазайлт эсвэл магадлал) гаргахын тулд machine learning загваруудыг ашиглан бүтээсэн тусгай индикаторуудыг санал болгодог. Эдгээр нь үндсэндээ олон оролт авч нэг гаралт гаргадаг хар хайрцаг загварууд юм.
Тооцох зүйлс:
- Загвар юун дээр сургагдсан, хэрхэн баталгаажуулагдсан, out-of-sample гүйцэтгэл нь ямар байгаа талаар ил тод байдлыг шаард.
- Тогтмол өндөр нарийвчлал нэхэмжлэж буй аливаа ML индикаторт эргэлзээтэй хандаарай. Найдвартай таамаглах хүчтэй ийм хэрэгсэл жинхэнээр байсан бол түүний бүтээгч зарах урам зориггүй байх байсан.
- ML индикаторуудыг үндсэн шийдвэрийн хөдөлгүүр биш өөрийн шинжилгээний зэрэгцээ баталгаажуулах хэрэгсэл болгон ашигла.
AI-д туслах судалгаа ба шинжилгээ
Large Language Model (LLM) болон бусад AI туслагчид трейдерүүдэд судалгааны даалгаврыг хийхэд тусалж чадна: эдийн засгийн тайланг хураангуйлах, нарийн төвөгтэй санхүүгийн ойлголтуудыг тайлбарлах, бодлогын шийдвэрүүдийн зах зээлийн нөлөөллийг шинжлэх, цаашдын судалгаанд таамаглал гаргах. Эдгээр хэрэгслүүд нь текстэд суурилсан мэдээллийн их хэмжээг боловсруулах, нэгтгэхэд маш сайн.
Тохиромжтой хэрэглээнд:
- Төв банкны хурлын тэмдэглэлийг хураангуйлж, гол бодлогын дохиог гаргах.
- Эдийн засгийн өгөгдлийн мэдээллийн зах зээлийн боломжит нөлөөллийг тайлбарлах.
- Стратеги backtest хийх эсвэл өгөгдөл боловсруулах код үүсгэх.
- Арилжааны алгоритмуудыг шалгах, debug хийх.
Тохиромжгүй хэрэглээнд:
- LLM-ээс ирэх долоо хоногт EUR/USD хаана байхыг таамаглахыг хүсэх. Хэлний загварууд бодит цагийн зах зээлийн өгөгдөлд хандалтгүй (ийм feed-тэй тусгайлан холбогдоогүй бол) бөгөөд сургалтын өгөгдөл нь таслах огноотой.
- AI-ийн үүсгэсэн арилжааны дохиог арилжааны шийдвэрийн цорын ганц үндэс болгон ашиглах.
Forex-д энгийн ML pipeline бүтээх, Ойлголтын тойм
Өөрийн ML-д суурилсан шинжилгээ хөгжүүлэхийг сонирхож буй трейдерүүдийн хувьд үндсэн pipeline дараах үе шатуудыг агуулна:
1. Өгөгдөл цуглуулах: Түүхэн үнийн өгөгдөл, эдийн засгийн индикаторууд, sentiment өгөгдөл, таамаглах үнэ цэнэтэй байж болох бусад шинж чанаруудыг цуглуул. Өгөгдлийн чанар, цэвэр байдал нь тоо хэмжээнээс хамаагүй чухал.
2. Feature engineering: Түүхий өгөгдлийг загвар сурах боломжтой шинж чанаруудад хувиргах. Жишээнд техникийн индикаторууд (RSI, хөдөлгөөнт дунджийн налуу, volatility хэмжилтүүд), хоцрогдсон өгөөж, долоо хоногийн өдрийн нөлөө, гол эдийн засгийн мэдээллээс хол байдал багтана.
3. Загвар сонголт: Тохирох алгоритм сонго. Forex ангилалын даалгаврын хувьд (дээш/доош таамаглах) түгээмэл сонголтуудад Random Forest, Gradient Boosting Machine (XGBoost, LightGBM), LSTM neural network орно. Энгийн загварууд overfitting эрсдэл бага учраас нарийн төвөгтэй загваруудаас илүүд үзэгдэнэ.
4. Сургалт ба баталгаажуулалт: Өгөгдлөө цаг хугацааны дагуу (цаг хугацааны цуваанд хэзээ ч санамсаргүй биш) сургалт, баталгаажуулалт, тест хэсгүүдэд хува. Хамгийн хуучин өгөгдөл дээр сурга, дунд үеийн өгөгдөл дээр баталгаажуул, хамгийн сүүлийн өгөгдлийг эцсийн тестэд хадгал. Бодит байршуулалтын нөхцлийг загварчлахын тулд walk-forward баталгаажуулалт ашигла.
5. Үнэлгээ: Тохирох хэмжүүрүүдээр загварын гүйцэтгэлийг үнэл: нарийвчлал, precision, recall, F1 оноо, хамгийн чухал нь гүйлгээний зардлын дараах ашигт байдал. 55% чиглэлийн нарийвчлалтай загвар ялалт, алдагдлын хуваарилалт, арилжааны зардлаас хамааран ашигтай байж ч болно, байхгүй ч байж болно.
6. Байршуулалт ба хяналт: Хэрэв загвар үнэлгээг давбал эхлээд paper trading орчинд байршуул. Цаг хугацааны явцад гүйцэтгэлийн муудалт (model drift) хянаж, загварыг дахин сургах эсвэл ашиглалтаас гаргах шалгуурыг бий болго.
Эрсдэл ба ёс зүйн асуудлууд
Загварын эрсдэл
Machine learning загварууд санаандгүй аргаар бүтэлгүйтэж болно. Тэдгээр нь хэвийн зах зээлийн нөхцөлд сайн ажиллаж болох ч сургалтын өгөгдлөөс гадуур стрессийн үйл явдлын үед гамшигт ажиллаж болно. 2020 оны COVID-19 зах зээлийн уналт нь олон арван жилийн өгөгдөл дээр сургагдсан загварууд түүхэн урьдал болоогүй нөхцөлтэй тулгарсан тул олон quantitative стратегийн энэ эмзэг байдлыг харуулсан.
Data snooping bias
Нэг өгөгдлийн багц дээр загварын илүү олон хувилбарыг турших тусам таамагдаад санамсаргүй байдлаар л ажиллаж байгаа мэт харагдах загварыг олох магадлал өндөр болно. Энэ "data snooping" эсвэл "multiple testing" асуудал нь санхүүгийн ML судалгаанд дэлгэрсэн бөгөөд олон нийтлэгдсэн арилжааны стратеги амьд зах зээлд үр дүн өгөхгүй байх шалтгаануудын нэг юм.
Ил тод байдал ба хариуцлага
Нарийн төвөгтэй ML загварууд, ялангуяа deep learning сүлжээнүүд нь шийдвэр гаргах үйл явц нь тайлбарлахад хэцүү учраас "хар хайрцаг" гэж нэрлэгддэг. Ил тод байдлын дутагдал нь бүтэлгүйтлийг оношлох, эрсдэлийн өртөлтийг ойлгох, drawdown үед системд итгэлээ хадгалахад хэцүү болгодог. FCA болон бусад зохицуулагчид санхүүгийн үйлчилгээнд загварын тайлбарлах чадварын ач холбогдлыг онцолж, пүүсүүд AI системүүдийнхээ гаргасан шийдвэрийг ойлгож, тайлбарлах чадвартай байхыг уриалсан.
Ардчилалын парадокс
AI хэрэгслүүд жижиглэнгийн трейдерүүдэд илүү хүртээмжтэй болох тусам тэдгээрийн өгч буй давуу тал нь өргөн хүлээн зөвшөөрөгдсөнөөр нэгэн зэрэг элэгдэлд ордог. Хэрэв мянга мянган трейдерүүд ижил арилжаа хийхийн тулд ижил sentiment шинжилгээний хэрэгсэл ашиглавал боломж алга болно. Санхүүгийн зах зээлийн давуу талууд угаасаа ховор бөгөөд өрсөлдөөнтэй - илүү олон хүн нэгийг ашиглах тусам түүний үнэ цэнэ буурна.
Гол санаанууд
- Арилжаа дахь AI нь үндсэндээ өгөгдөл боловсруулах, хэв маяг тодорхойлоход ашиглагддаг бөгөөд ирээдүйн үнийг найдвартай таамаглахад биш. Байгууллагын хэрэглээ нь цэвэр үнийн таамаглалаас илүү эрсдэлийн удирдлага, NLP-д суурилсан sentiment шинжилгээ, quantitative судалгаанд ихээхэн төвлөрдөг.
- Санхүүгийн өгөгдлийн дохио/дуу чимээний харьцаа маш бага бөгөөд ML загваруудыг overfitting-д маш өртөмтгий болгодог. Түүхэн өгөгдөл дээр маш өндөр нарийвчлал харуулж буй аливаа загварыг out-of-sample өгөгдөл дээр хатуу баталгаажуултал хэт эргэлзээтэйгээр хандах хэрэгтэй.
- Natural Language Processing нь хамгийн практик AI хэрэглээнүүдийн нэг жижиглэнгийн трейдерүүдийн хувьд бөгөөд sentiment шинжилгээний хэрэгслүүд уламжлалт техникийн болон үндсэн шинжилгээг нэмэлт болгож чадах зах зээлийн сэтгэл хөдлөлийн талаарх мэдээллийг хангадаг.
- Арилжаанд тусгай ML загвар бүтээх нь ихээхэн мэргэжил шаарддаг data science, статистик, санхүүгийн зах зээл дээр. Зохих баталгаажуулалтын аргачлалгүйгээр жижиглэнгийн трейдерүүд жинхэнээр таамаглах загваруудаас илүү overfitting загваруудыг бий болгох магадлал өндөр.
- Худалдааны AI арилжааны хэрэгслүүдийг шүүмжлэлтэй үнэлэх хэрэгтэй. Аргачлал, сургалтын өгөгдөл, баталгаажуулалтын арга, out-of-sample гүйцэтгэлийн талаар ил тод байдлыг шаард. Тогтмол өндөр таамаглалын нарийвчлал нэхэмжилж буй аливаа хэрэгсэлд эргэлзээтэй хандаарай.
- AI хэрэгслүүд нь хүний дүгнэлтийн орлуулагч биш нэмэлт болгон хамгийн үнэ цэнэтэй. Тэдгээрийг бие даасан арилжааны дохио үүсгэгчид биш судалгаа, өгөгдөл боловсруулах, sentiment нэгтгэх, таамаглал үүсгэхэд ашигла.
- Alpha decay нь AI-д суурилсан стратегиудад хамаарна уламжлалт algorithmic аргуудын адил. AI хэрэгслүүд илүү өргөн хүртээмжтэй болох тусам тэдгээрийн өгч буй давуу тал өрсөлдөөнт нэвтрэлтээр буурч, тасралтгүй инноваци, дасан зохицохыг шаарддаг.
Энэ хичээл нь зөвхөн боловсролын зорилгоор бэлтгэгдсэн. Энэ нь санхүүгийн зөвлөгөө биш юм. Forex арилжаа нь ихээхэн алдагдлын эрсдэлтэй бөгөөд бүх хөрөнгө оруулагчдад тохиромжгүй. AI болон machine learning хэрэгслүүд арилжааны ашгийг баталгаажуулдаггүй бөгөөд тэдгээрийн таамаглалууд угаасаа тодорхойгүй. Түүхэн өгөгдөл дээрх загварын гүйцэтгэл ирээдүйн үр дүнг илэрхийлэхгүй.