Pada tanggal 14 Januari, Forum Internasional Penasihat Robo 2017 yang diselenggarakan oleh China Financial Forty Forum (CF40) dan perusahaan teknologi keuangan Zipeiyi diadakan di Beijing. Penasihat Robo telah populer sejak lama, tetapi masih banyak pertanyaan yang tidak jelas: Berapa tingkat teknologi AI yang digunakan untuk investasi? Apa prinsip sebenarnya dari penggunaan kecerdasan buatan untuk investasi? Apa arah dan batasan penelitiannya? Pada forum tersebut, Stuart Russell, pendiri Pusat Sistem Kecerdasan Buatan di Universitas California, Berkeley dan Profesor Ilmu Komputer, Stuart Russell menjelaskan masalah ini dalam pidato utamanya.
Berikut ini adalah transkrip pidato Profesor Stuart Russell, yang Lei Feng.com tidak mengubah maksud aslinya:
Apa yang bisa dan tidak bisa dilakukan oleh kecerdasan buatan?
Kita tahu bahwa kecerdasan buatan adalah memberikan kecerdasan pada mesin sehingga mereka dapat melakukan hal yang benar. Untuk investasi, kecerdasan buatan juga berarti dapat membantu pelanggan mencapai investasi yang optimal dalam kurun waktu tertentu. Kami melihat bahwa penggunaan kecerdasan buatan terus meningkat, dan mobil tanpa pengemudi memainkan pengaruh yang semakin besar di dunia. Melalui kecerdasan buatan, diagnosis medis yang lebih akurat dapat diperoleh, dan industri transportasi dan logistik dengan mesin pencari yang lebih baik juga mengalami perubahan yang luar biasa. Kami juga memungkinkan mesin memahami teks untuk menyediakan berbagai layanan tanya jawab kepada manusia. Pada saat yang sama, kita juga akan melihat kecerdasan buatan memainkan peran yang semakin penting dalam investasi dan transaksi jangka panjang, penjaminan emisi jangka pendek, penjaminan emisi, dan kredit.
Kami juga melihat bahwa kemajuan di bidang ini meningkat secara dramatis. AlphaGo mengalahkan Lee Sedol dalam permainan Go, dan mereka mendapatkan hasil ini dalam waktu kurang dari setahun. Yang lainnya adalah computer vision, yaitu sistem kecerdasan buatan yang dapat mengenali foto dan gambar Berikut beberapa contoh kecerdasan komputer. Baru-baru ini, ada tantangan pengenalan visual berskala besar dengan 1.000 kategori. Akurasi pengenalan visual manusia mencapai 95%. Namun, dalam lima tahun terakhir, keakuratan mesin telah mencapai enam kali lipat dari pengenalan visual manusia. Para ahli menjadi lebih baik, ini adalah perkembangan yang sangat penting. Karena kemampuan pengenalan objek, kemampuan pengenalan target menjadi dasar utama untuk kemampuan melakukan tindakan di dunia nyata, seperti pergerakan robot.
Tentu saja, saya juga ingin mengingatkan semua orang di sini bahwa kecerdasan buatan tidak seperti beberapa klaim dalam film dan media, yaitu mesin bersifat perseptual atau sadar, dan akan menguasai seluruh dunia dan mengambil alih seluruh dunia, tidak seperti ini. Dan kecerdasan buatan bukan hanya cabang pembelajaran yang mendalam atau cabang dari data besar. Meskipun ada pembelajaran mendalam dan konten data besar, ada banyak komponen lainnya. Dan ada beberapa perusahaan, mereka akan mengatakan bahwa kami memiliki teknologi kecerdasan buatan, jika Anda memiliki data untuk dibawa, kami dapat menyelesaikan masalah Anda. Dalam banyak kasus, tidak mungkin untuk mencapai efek seperti itu. Dalam banyak kasus, pembelajaran mendalam tidak mudah untuk digunakan.
Menurut saya, investasi kini menjadi salah satu bidang yang masih memiliki keterbatasan.
Bagaimana kecerdasan buatan mempengaruhi investasi dan manajemen keuangan?
Selanjutnya, mari kita lihat bagaimana memperlakukan pengambilan keputusan investasi sebagai masalah kecerdasan buatan.
-
informasi
Elemen masukan dari pertanyaan ini mencakup informasi harga dari setiap instrumen keuangan di semua pasar dan setiap saat. Sekarang mesin dapat mengakses informasi ini, sangat sederhana. Ada juga banyak informasi verbal dan linguistik, yaitu ragam bahasa dan informasi berbasis teks yang dihasilkan oleh manusia, seperti Peng Boshe, berita Reuters, laporan perusahaan tercatat, laporan keuangan, laporan pemerintah, analis. Laporan, serta yang dipublikasikan di media sosial, seperti tweet, semua informasi yang dihasilkan manusia ini adalah bagian dari informasi ini.
-
Tahu caranya
Lalu ada pengetahuan. Big data pasti punya pengetahuan. Sekarang kita punya banyak pengetahuan di bidang ini, tentang ekonomi, politik, operasi sistem, serta divisi industri dan geografis, yang semuanya dapat membantu kita lebih memahami data lainnya.
-
psikologis
Terakhir psikologi, karena semua yang kita lakukan berkaitan dengan pasar, maka harga di pasar tidak semata-mata didasarkan pada kenyataan, tetapi berdasarkan persepsi dan persepsi masyarakat terhadap realitas, sehingga kita merasakan dan memahami pelaku pasar, seperti konsumen. Pikiran dan mentalitas pembeli dan pembeli korporat bertanggung jawab dan penting.Hanya dengan informasi seperti itu prediksi dapat dibuat.
Ini adalah faktor input, dan faktor output adalah keputusan investasi seperti jual beli.
Pertanyaan ini tidak persis sama dengan pertanyaan penasihat investasi. Saya berbicara tentang pengambilan keputusan investasi. Pengambilan keputusan investasi adalah bagaimana memutuskan transaksi investasi. Penasihat investasi mewakili masalah lain. Misalnya, Anda dapat memutuskan untuk membeli atau menjual setiap mikrodetik. Namun, tidak mungkin memberikan pendapat penasehat dalam mikrodetik. Jadi, kapan Anda bisa memberi saran kepada konsultan? Berapa banyak penasihat yang Anda berikan setiap kali? Ini adalah keputusan yang sangat penting. Kecerdasan buatan dapat membantu sistem membuat keputusan seperti itu.
Dan setelah memberikan nasihat penasihat semacam ini, Anda harus menjelaskan kepada klien institusi Anda atau klien lain mengapa Anda memberikan nasihat semacam itu. Misalnya, Anda mengusulkan untuk membeli 40 miliar dolar AS dalam peso Argentina Mengapa Anda membuat proposal seperti itu? Anda harus menjelaskan saran Anda dengan baik agar organisasi klien Anda dapat menerima saran tersebut, Penjelasannya sangat penting. Pembelajaran mendalam sekarang sulit dilakukan. Sistem pembelajaran mendalam dapat memberikan saran, tetapi sulit untuk menjelaskan saran semacam itu. Selain itu, Anda harus menilai apakah Anda mengatakan yang sebenarnya. Saat memberikan layanan konsultasi investasi, terkadang Anda tidak mengatakan yang sebenarnya, karena terkadang penasihat hanya ingin meyakinkan klien untuk mengambil tindakan tertentu, yang mungkin menyembunyikannya dari mereka Sebagian dari kebenaran, berpikir bahwa keputusan mereka adalah untuk keuntungan mereka.
Pengambilan keputusan kecerdasan buatan di bidang keuangan puluhan ribu kali lebih rumit daripada Go
Jadi kami melihat masalah pengambilan keputusan.
Karena kita baru saja berbicara tentang pertanyaan konsultan mana yang sangat menarik, tetapi pertanyaan yang lebih bermakna adalah berapa banyak yang harus dibeli dan berapa yang akan dijual. Kita dapat menganggapnya sebagai masalah matematika Pertama-tama, kita memiliki ruang operasi yang sangat besar. Dalam setiap mikrodetik, Anda dapat membeli dan menjual sejumlah instrumen keuangan di pasar mana pun dengan harga berapa pun. Jika Anda memiliki kemampuan untuk membuat beberapa kontrak derivatif, jumlah kontrak derivatif yang dapat Anda buat secara otomatis dalam setiap mikrodetik juga tidak terbatas, dan kompleksitasnya juga tidak terbatas. Oleh karena itu, pilihan yang tersedia tidak terbatas.
Selain itu, banyak agen dan perantara di pasar. Hanya ada dua pihak saat memainkan Go, tetapi ada jutaan komponen di pasar investasi. Apalagi skala waktu investasinya sangat panjang, baik itu investor perorangan maupun investor institusional, mungkin kita ingin mengoptimalkan laba atas investasi selama sepuluh tahun. Dan kami dapat melakukan transaksi tingkat mikrodetik. Jadi kita bisa membuat 10 pangkat 14 keputusan, dan kita hanya perlu membuat 100-200 keputusan saat memainkan Go, jadi skala waktunya lebih lama daripada bermain Go dan keputusan lainnya.
Selain itu, untuk mekanisme dinamik semacam ini, kita hanya mengenal sebagian saja, kita mengetahui mekanisme Go dengan baik, tetapi kita hanya mengetahui sebagian mekanisme seperti pasar dan operasi ekonomi.
Apalagi datanya banyak noise dan tidak murni. Game Go sekilas jelas, tapi ada banyak noise yang harus disaring selama proses investasi. Banyak data yang kami dapatkan salah. Mungkin informasi yang dipublikasikan di Twitter. Itu untuk memanipulasi informasi.Berita palsu dan data palsu adalah bagian dari pemahaman kita tentang seluruh lingkungan.
Yang terpenting, kita tidak bisa secara langsung mengamati banyak bagian dalam pengambilan keputusan investasi, walaupun kita melihat harga yang beragam dan berbagai berita, kita tidak bisa langsung melihat pemimpin ekonomi dan politik riil. Mentalitas manusia, sehingga sebagian besar faktor yang mempengaruhi harga tidak terlihat oleh kita.Kita harus memahami, dari seluruh sejarah faktor input, dan memahami mekanisme dibalik keseluruhan pasar dan perekonomian.
Bagaimana kecerdasan buatan menanggapi berbagai skala waktu keputusan transaksi keuangan?
Sekarang kita melihat skala waktu.
Ada penasihat investasi jangka panjang, jangka menengah, dan jangka pendek di pasar, dan beberapa orang membuat keputusan setiap tahun melalui robo-advisor. Di perusahaan lain, di gedung lain, orang lain melakukan investasi menurut skala investasi seminggu atau sehari, seperti perdagangan harian. Selain itu, di gedung lain di perusahaan lain, seseorang akan membuat prediksi dari menit ke menit untuk memprediksi tren harga dalam beberapa menit ke depan. Ada juga beberapa perusahaan perdagangan frekuensi tinggi yang keputusan investasinya atau perkiraan skala waktunya diatur ke tingkat kedua dan mikrodetik, jadi ada banyak situasi.
Dalam banyak kasus, kami tertarik pada keuntungan jangka menengah dan panjang, tetapi kami berharap dapat mencapai tujuan ini dengan cara yang berbeda. Yang kami inginkan adalah mengintegrasikan banyak keputusan skala waktu. Misalnya, untuk sistem perdagangan frekuensi tinggi, prinsip pedoman sistem perdagangan frekuensi tinggi adalah skala waktu segera dan segera, yaitu, perubahan kondisi dan lingkungan dalam skala waktu mereka, desain sistem mereka dan penggunaan satu bulan dan satu bulan Sistem pemahaman situasi pada tahun berbeda. Dengan kata lain, dengan sistem perdagangan frekuensi tinggi seperti itu, mereka hanya dapat menilai situasi ekonomi yang dilatihkan untuk mereka kenali.
Integrasi beberapa skala waktu ini sangat mirip dengan situasi semua orang di sini, karena masing-masing dari kita di sini adalah keputusan yang tepat, seperti keputusan kita sendiri untuk pergi ke perguruan tinggi, atau mengirim anak-anak kita ke perguruan tinggi. Ini adalah rentang waktu bertahun-tahun. Pengambilan keputusan skala waktu; saat Anda mengetik, Anda mungkin ingin mengetik ke arah ini atau ke arah mana. Ini adalah keputusan mikrodetik; lalu ke mana harus pergi untuk makan siang nanti, apakah Anda ada rapat ini? Mungkin seminggu kemudian, keputusan dalam skala waktu seminggu. Semua keputusan ini sebenarnya terintegrasi. Keputusan gerakan tangan tingkat mikrodetik dipengaruhi oleh keputusan skala waktu Anda dalam menit, jam, minggu, bulan, dan nilai. Beginilah cara manusia membuat keputusan.
Tetapi mekanisme pengambilan keputusan seperti itu tidak ada dalam keputusan investasi kita sekarang, ini adalah perubahan terbesar yang harus kita promosikan.
Berikutnya, ada beberapa pertanyaan yang sangat menarik: Jika sistem membuat keputusan berdasarkan periode satu tahun, saran apa yang dapat dibuat oleh sistem seperti itu untuk pengambilan keputusan, keputusan tingkat menit dan tingkat jam? Faktanya, tidak ada hasil penelitian untuk pertanyaan ini, tetapi dari tingkat yang lebih tinggi, ini terutama untuk memahami semua aspek elemen ekonomi mikro, dan menggunakan elemen-elemen ini untuk membantu kita menafsirkan perubahan dan perubahan situasi level kedua dalam perdagangan frekuensi tinggi. Penafsiran.
Bagaimana kecerdasan buatan menentukan faktor tak terlihat di pasar?
Selanjutnya, saya ingin berbicara tentang keadaan tersembunyi dalam dinamika pasar. Misalnya, Peng Boshe tidak boleh memberi tahu Anda tentang nilai merek suatu perusahaan. Beberapa perusahaan perlu menghitung sendiri nilai mereknya. Anda perlu tahu berapa banyak investasi yang telah dia lakukan dalam penelitian dan pengembangan, periklanan, dan niat baik; untuk perusahaan farmasi, obat mana yang dia miliki dalam penelitian dan pengembangan; untuk perusahaan minyak, Anda perlu tahu lapisan minyak yang mana; untuk perusahaan logistik, Anda perlu mengenalnya Untuk menarik pelanggan tersebut. Jadi kita harus memahami melalui estimasi, ini adalah beberapa keadaan tersembunyi, tetapi juga mempengaruhi harga.
Saya baru saja menyebutkan bahwa psikologi pasar itu sangat penting. Misalnya, Anda bisa memikirkannya, Anda harus membuat keputusan apakah akan membeli saham General Electric atau tidak, begitu Anda memiliki saham seperti itu, membeli saham semacam itu bukanlah pilihan terakhir, dan Anda tidak akan menjualnya dengan memotong daging. Jadi ketika dia dihadapkan pada keputusan untuk menjual saham GE, kondisi mental seperti apa dia-kita harus mengerti. Selain itu, semua keputusan, termasuk keputusan tingkat mikrodetik, tidak harus berdasarkan data terbaru, melainkan berdasarkan data historis, serta kombinasi keadaan tersembunyi dan berbagai aspek pemahaman.
Model keputusan pembelajaran mesin klasik
Mari kita lihat model keputusan pembelajaran mesin yang khas.
Sejak 1960-an, sudah ada pemikiran seperti ini: pengambilan keputusan jangka pendek sangat sederhana, kumpulkan banyak data, lalu lihat apa yang terjadi dalam sejarah; krisis apa yang terakhir, dan kemudian kita berhasil melalui korelasi positif statistik pengambilan keputusan. Dengan kata lain, kita mengambil data dan menggunakan berbagai macam teknologi prediksi, entah itu deep learning atau teknologi prediksi seperti apa. Dulu, ini disebut mesin yang sesuai, serta pohon keputusan, dan metode regresi. Apa pun metode paling populer yang digunakan, Anda dapat menggunakan metode pembelajaran mesin ini untuk membuat prediksi dan menggunakan kasus baru yang Anda buat di bawah untuk membuat keputusan. Namun, metode ini tidak berlaku jika perkiraan Anda didasarkan pada informasi implisit yang tidak tersedia dengan mudah.
Masalah dengan pengambilan keputusan machine learning klasik
Data kecil akan menyebabkan beberapa masalah.
Misalnya, kesepakatan Paris akhirnya tercapai, yaitu tentang perubahan iklim, dan kesepakatan ini sangat kuat, semua orang terkejut, banyak negara telah menandatangani kontrak. Namun dalam data, ada berapa "perjanjian iklim Lebanon"? Dalam pembelajaran mesin, ini tidak memiliki arti untuk perubahan harga. Misalnya, apa pengaruhnya terhadap harga? Atau berapa banyak peristiwa yang mirip dengan Brexit dan pemilihan Trump akan memengaruhi ekonomi, ini tidak mudah digunakan. Berapa kali Terusan Panama ditutup karena aksi teroris? Karena tidak sebelumnya. Anda harus memahami geografi, penawaran dan permintaan, pasokan dan permintaan minyak melalui kanal, jika tidak maka Anda akan sulit membuat penilaian. Bukan berarti Anda dapat menilai secara instan dengan logika deep learning. Anda harus memiliki pemahaman yang menyeluruh tentang dunia dan kondisi pasar. Terus berubah. Misalnya, untuk waktu yang lama, suku bunga di Amerika Serikat pada dasarnya mendekati nol, dan ini juga terjadi di Eropa. Bagaimana jika suku bunga berubah? Dalam lima tahun terakhir, ketika kami melatih mesin, tingkat bunga mendekati nol. Begitu tingkat bunga dinaikkan, dia tidak bisa beradaptasi. Faktanya, manusia memastikan bahwa asumsi sistem frekuensi tinggi tidak berubah, tetapi begitu hubungan berubah, mereka akan menghasilkan keputusan gagal yang sangat besar.
Mari saya beri contoh. Ini jual beli buku. Ini buku kertas biologi. Harga wajar buku 20 dolar. Sekarang ada dua robot yang menjual buku ini, satu seharga 18 juta dan yang lainnya seharga 2300. Wan, ini menunjukkan sistem robot, sistem pembelajaran mesin yang kami latih, dia tidak mengerti banyak hal. Selain itu, pada tahun 2010 terjadi peristiwa hilangnya kendali robot yang mengakibatkan kerugian sebesar satu triliun dolar AS, hal ini merupakan perubahan kondisi pasar, perubahan terjadi dalam waktu 0,1 detik, merupakan permasalahan yang terjadi pada perdagangan saham individu. Kita sering melihat jatuhnya harga saham seketika di beberapa saham, dan bahkan pada Oktober tahun lalu, pound tiba-tiba terdepresiasi 10% terhadap dolar dalam beberapa detik tanpa campur tangan manusia. Oleh karena itu, algoritme otomatis ini tidak memahami beberapa fundamental, dan jika membuat kesalahan, akan menyebabkan masalah yang sangat besar.
Bagaimana pemrosesan bahasa mesin menggunakan data yang tidak ada sebelumnya?
Pada saat yang sama, kami melihat bahwa akan ada beberapa informasi yang hilang dalam pembelajaran mesin, atau data palsu, informasi palsu. Dalam hal ini, beberapa algoritme itu sendiri akan bingung, sehingga menghasilkan keputusan yang salah. Saat Anda membuat keputusan, bagaimana pemrosesan bahasa mesin menggunakan data yang tidak ada sebelumnya? Ini adalah masalah yang perlu dipecahkan.
Terakhir, kita harus melihat beberapa fundamental. Mengenai pengetahuan dasar-dasar global, mungkin kami tidak tahu apa hubungannya dengan bahasa mesin sebelumnya, tetapi kami menemukan bahwa metode berbasis model, termasuk tingkat makro dan tingkat makro memiliki keuntungan seperti itu, mereka dapat membuat banyak prediksi, dan mereka didasarkan pada Nol data atau data yang sangat sedikit dapat membuat prediksi. Tetapi mereka sangat mahal dan tidak akan menemukan lulusan baru, karena mereka tidak memahami mesin semacam ini, dan mereka harus mempekerjakan siswa atau lulusan yang memahami pasar, memahami banyak pengetahuan sejarah, dan memahami cara menggunakan data. Selain itu, lihat bagaimana Anda mengontrol perubahan ini, dan untuk perusahaan investasi mana pun, hanya orang seperti itu yang dapat Anda gunakan untuk mengelola aset besar.
Ada juga trend, untuk beberapa hal yang sering terjadi dalam pengelolaan keuangan pribadi, banyak individu juga membutuhkan nasehat pengelolaan keuangan, tidak hanya untuk perusahaan besar, tidak hanya untuk jual beli saham. Selain itu, cara membeli kopi atau membayar uang sekolah anak saya, cara menemukan rumah yang lebih baik untuk berinvestasi, ini semua adalah saran untuk kebutuhan pribadi, dan bank tidak dapat memberikan informasi ini sekarang. Karena jika Anda ingin memberikan semua saran kepada masyarakat umum, biayanya terlalu tinggi. Tetapi sekarang kecerdasan buatan dapat mengisi celah ini, tidak hanya dapat menganalisis beberapa saham penting, tetapi juga situasi keuangan pribadi yang paling dasar dapat dianalisis, sehingga memberi mereka beberapa saran keuangan yang dipersonalisasi.
Selain itu, dari segi teknis, pembelajaran mendalam dan algoritma berbasis model ini terus-menerus digabungkan satu sama lain untuk menggunakan kecerdasan buatan, sehingga kita dapat membangun model yang semakin kompleks, yang dapat didasarkan pada lingkungan nyata dan nyata. Pengetahuan membantu orang membuat keputusan investasi yang lebih baik. Penerapan kecerdasan buatan untuk investasi masa depan dapat menghasilkan pengambilan keputusan yang lebih berkualitas, dan akan menguntungkan semua orang, mengurangi biaya, dan meningkatkan kualitas.
Kesimpulannya
Kecerdasan buatan akan menjadi semakin penting dalam keputusan investasi Saya pikir yang penting adalah bahwa keputusan ini tidak hanya dalam deret waktu yang berbeda, tetapi dalam ruang dan waktu yang sama sekali berbeda. Tidak hanya tren pasar, tetapi keadaan tersembunyi dan dinamika sangat penting, dan akan lebih akurat dalam hal ini. Misalnya, ketika Warren Buffett mengambil keputusan, dia perlu memahami dasar-dasar perusahaan, serta dasar-dasar ekonomi, termasuk faktor politik. Warren Buffett sangat sukses dalam investasi Bisakah kita membangun mesin berdasarkan metode investasi Warren Buffett?
Terakhir, dalam hal penasehat investasi, kita sebagai manusia masih akan memainkan peran penting dalam waktu yang lama dan tidak dapat digantikan oleh kecerdasan buatan dalam jangka pendek, namun kecerdasan buatan dapat memberikan alat yang sangat baik, namun kita tetap membutuhkan bimbingan manusia, termasuk memahami kita. Fondasi ekonomi, struktur fundamental ekonomi, dan beberapa peningkatan model. Oleh karena itu, diperlukan intervensi manusia dalam rangkaian waktu yang berbeda.
Catatan tambahan: Inti dari kecerdasan buatan bukanlah komputasi seperti otak, yang juga dijelaskan secara rinci dalam laporan sebelumnya oleh Leifeng.com. Namun, kebanyakan orang saat ini memiliki penyimpangan tertentu dalam pemahaman tentang kecerdasan buatan itu sendiri dan aplikasinya.Menurut pemahaman di tempat dari Leifeng.com, ini termasuk para pemimpin perusahaan pialang, permintaan terbesar dari penasehat robo. Oleh karena itu, untuk kecerdasan buatan, kita masih perlu mengadopsi sikap rasional untuk melakukan pemahaman yang lebih komprehensif.
Telusuri ID: aijinrongpinglun, atau pindai kode QR di bawah untuk segera mengikuti [AI Finance Review], dan balas ke "Russell" untuk mendapatkan pidato Profesor Stuart Russell versi China.
- Survei penggantian Guofen: loyalitas pengguna setinggi 88%, iPhone XS Max adalah yang paling populer
- Dua tragedi selama Festival Musim Semi: Stephen Chow kalah dari "Bear Infested", Jackie Chan kalah dari "Little Pig Peppa"!