JPMorgan: Τι έγινε όταν έβαλε την τεχνητή νοημοσύνη να διαχειριστεί χαρτοφυλάκια κεφαλαίων (γράφημα)

Καθώς οι επενδυτές στρέφονται όλο και περισσότερο προς την τεχνητή νοημοσύνη για βοήθεια σε όλα τα θέματα — από την επιλογή μετοχών έως τη διαχείριση κινδύνων —, η JPMorgan Chase & Co. εξετάζει αν ένα μοντέλο μπορεί να επιτύχει κάτι πιο φιλόδοξο: να κατανέμει μόνο του τα κεφάλαια.

Τα πρώτα αποτελέσματα είναι ενθαρρυντικά. Οι ερευνητές της τράπεζας δημιούργησαν μια σειρά επενδυτικών «agents» που βασίζονται στην τεχνητή νοημοσύνη και μετακινούνται μεταξύ μετοχών και ομολόγων ανάλογα με τις μεταβαλλόμενες συνθήκες της αγοράς. Σε αναδρομικές δοκιμές που καλύπτουν τις τελευταίες δύο δεκαετίες, το σύστημα με την καλύτερη απόδοση ξεπέρασε ένα παραδοσιακό χαρτοφυλάκιο 60/40 — 60% σε μετοχές και 40% σε ομόλογα — κατά 0,7% ετησίως, με χαμηλότερη μεταβλητότητα, ενώ παράλληλα ξεπέρασε και το μοντέλο της JPMorgan που βασίζεται σε κανόνες αγοράς, σύμφωνα με στρατηγικούς αναλυτές.

Τα αποτελέσματα συνοδεύονται από μια σημαντική επιφύλαξη. Βασίζονται σε ιστορικές προσομοιώσεις και όχι σε πραγματικές επενδύσεις, και η JPMorgan προειδοποιεί να μην θεωρηθούν ως απόδειξη ότι η τεχνητή νοημοσύνη μπορεί να ξεπερνά σταθερά τις αποδόσεις των αγορών. Ωστόσο, αποτελεί ένδειξη για το μέλλον, καθώς η άνθηση των αυτοματοποιημένων συναλλαγών δεν δείχνει σημάδια επιβράδυνσης.

«Ο agent τεχνητής νοημοσύνης μπορεί να ρυθμιστεί με μια διαδικασία που του δίνει τη δυνατότητα να λαμβάνει αποφάσεις υπό συνθήκες αβεβαιότητας, επιτυγχάνοντας καλύτερες επιδόσεις σε σχέση με ένα λογικό σημείο αναφοράς», έγραψαν οι αναλυτές, περιγράφοντας το πρότζεκτ ως την πρώτη προσπάθεια της εταιρείας να δημιουργήσει ένα σύστημα τεχνητής νοημοσύνης για τον προσδιορισμό των καθεστώτων της αγοράς.

Το πείραμα προσφέρει μια πρώιμη εικόνα της επόμενης φάσης υιοθέτησης της τεχνητής νοημοσύνης στη Wall Street. Οι τράπεζες έχουν αφιερώσει τα τελευταία δύο χρόνια στην ενσωμάτωση μεγάλων γλωσσικών μοντέλων στην έρευνα, τον προγραμματισμό και τα εσωτερικά επενδυτικά εργαλεία. Όλο και περισσότερο, δοκιμάζουν αν τα ίδια αυτά συστήματα μπορούν να προχωρήσουν πέρα από την υποστήριξη των εργαζομένων και να λάβουν μία από τις πιο κρίσιμες αποφάσεις του κλάδου: πώς να κατανέμουν το κεφάλαιο στις διάφορες αγορές.

Τα ευρήματα αυτά λαμβάνουν χώρα τη στιγμή που ένας αυξανόμενος αριθμός ακαδημαϊκών ερευνών θέτει ερωτήματα σχετικά με το τι θα συμβεί αν όλοι στραφούν σε παρόμοια μοντέλα τεχνητής νοημοσύνης για τη λήψη επενδυτικών αποφάσεων. Αν και η τεχνολογία μπορεί να κάνει τους επενδυτές ταχύτερους και καλύτερα ενημερωμένους, οι ερευνητές έχουν προειδοποιήσει ότι θα μπορούσε επίσης να οδηγήσει σε πιο «συμφoρημένες» συναλλαγές, να καταστήσει τις αγορές ευκολότερες στην χειραγώγηση και να εντείνει τις περιόδους πίεσης, εάν πάρα πολλές εταιρείες καταλήξουν σε παρόμοια συμπεράσματα.

Οι στρατηγικοί αναλυτές της JPMorgan αναγνώρισαν επίσης αυτούς τους κινδύνους.

«Προειδοποιούμε έντονα να μην γίνονται αποδεκτές χωρίς σκέψη οι απαντήσεις της τεχνητής νοημοσύνης, οι οποίες ουσιαστικά αποτελούν υπερβολικά βέβαιες απαντήσεις εντός του δείγματος», έγραψαν. «Η ΤΝ με agents πρέπει να βασίζεται σε μια καλά μελετημένη διαδικασία κατανομής περιουσιακών στοιχείων, αντί να υποθέτει αφελώς ότι ο agent μπορεί να αποτελεί την πηγή της εξειδικευμένης γνώσης».

Ωστόσο, τα ευρήματα προστίθενται σε ένα αυξανόμενο σώμα στοιχείων που υποδηλώνει ότι η TN μπορεί να εκτελεί ολοένα και πιο εξελιγμένες επενδυτικές εργασίες. Χρησιμοποιώντας agents που βασίζονται σε μοντέλα των OpenAI και Anthropic, η ομάδα της JPMorgan σχεδίασε ένα σύστημα που ταξινομεί την αγορά σε τέσσερα καθεστώτα με βάση την ανάπτυξη και τον πληθωρισμό: Goldilocks, αναθέρμανση, στασιμοπληθωρισμός και αποφυγή κινδύνου.

Στη συνέχεια, ανατέθηκε στους πράκτορες τεχνητής νοημοσύνης να αποφασίσουν πώς θα κατανέμουν τα χρήματα μεταξύ των κατηγοριών περιουσιακών στοιχείων σε κάθε περιβάλλον — προτιμώντας, για παράδειγμα, τις μετοχές κατά τη διάρκεια περιόδων ισχυρής ανάπτυξης και αυξάνοντας την έκθεση σε τίτλους σταθερού εισοδήματος καθώς οι προοπτικές επιδεινώνονταν.

Και οι οκτώ agents τεχνητής νοημοσύνης που δοκιμάστηκαν, υπερέβησαν σε απόδοση το παραδοσιακό χαρτοφυλάκιο 60/40 σε βάση προσαρμοσμένη ως προς τον κίνδυνο. Επίσης, ξεπέρασαν το υπάρχον μοντέλο καθεστώτος αγοράς της JPMorgan που βασίζεται σε κανόνες, υποδηλώνοντας ότι η τεχνολογία ήταν σε θέση να βελτιώσει ένα πλαίσιο που χρησιμοποιείται ήδη για την καθοδήγηση των αποφάσεων κατανομής περιουσιακών στοιχείων.

«Είμαστε ενθουσιασμένοι με τις δυνατότητες της τεχνητής νοημοσύνης, παρόλο που είμαστε επιφυλακτικοί στο να παραδώσουμε τη λήψη αποφάσεων κατανομής περιουσιακών στοιχείων σε έναν agent», έγραψαν οι αναλυτές, σύμφωνα με το Bloomberg.