پاورپوينت نقش هوش مصنوعی در مدیریت بازارهای مالی، فرصت ها و چالش ها

جزئیات و دریافت

نقش هوش مصنوعی در مدیریت بازار های مالی ( فرصت ها و چالش ها )

چکیده  :

با پيشرفت تکنولوژي در همه عرصه ها و  فناوريهاي نوظهور مانند هوش مصنوعي، تکنيکهاي هو ش مصنوعي به طور فزاينده اي در بازارهاي مالي، مانند مديريت دارايي، تجارت الگوريتمي، پذيره نويسي اعتبار‌ي يا تامين مالي مبتني بربلاک چين به کار گرفته مي شوند. در حاليکه هوش مصنوعي باعث بهبود کارايي شرکتها و افزايش کيفيت خدمات مالي در بازارهاي مالي، مي شود؛ اما منجر به خطرات مالي و غير مالي نيز مي شود .

 بکارگيري هوش مصنوعي در مديريت مالي ، يک فرصت بزرگ براي بهبود عملکرد و افزايش سودآوري است . هوش مصنوعي قادر است به صورت خودکار و سريع داده هاي مالي را تحليل کند و به تصميم گيران در انتخاب بهترين راهبردها کمک کند.

هدف پژوهش حاضر، توجه به اهميت بکارگيري هوش مصنوعي در مديريت امور مالي، تحول در مديريت مالي، بررسي روش هاي هوش مصنوعي در پيش بيني رفتار بازارهاي مالي ، تحليل داده هاي مالي و تصميم گيري هوشمند در سرمايه گذاري و مديريت ريسک است .

واژگان کليدي :  هوش مصنوعي،  مديريت مالي، فناوری ، بازارهاي مالي، فرصت ها، چالشها

مقدمه :

 امروزه مي توان گفت که گسترش دانش و پيچيده تر شدن فرآيند تصميم گير ي، علتي براي استفاده از سيستم هاي هوش مصنوعي مي باشد که ، اهميت بيشتر‌ي پيدا کرده است .

استفاده از هوش مصنوعي در امور مالي سابقه اي طولاني دارد، اولين سيستم هاي معاملاتي مبتني بر هوش مصنوعي در دهه

١٩٨٠ ايجاد شدند. در دهه ١٩٩٠، برنامه هاي يادگيري ماشين مانند تشخيص تقلب و امتيازدهي اعتباري شروع به استفاده از شبکه هاي عصبي و ساير تکنيک هاي يادگيري ماشين کردند. با اين حال ، استفاده گسترده تر از هوش مصنوعي در صنعت مالي با کاربردهايي مانند معاملات الگوريتمي و مديريت ريسک به بعد از سال ٢٠٠٠ ميلادي برمي گردد.

با مطالعه مقالات و بررسي کاربردهاي هوش مصنوعي در مديريت امور مالي، درمي يابيم که اين فناوري به چه ميزان در افزايش حجم معاملات مالي در سطح جهاني موثر بوده است . با توانايي يادگيري از داده ها، هوش مصنوعي ميتواند به پيش بيني روند بازار، کشف فعاليت هاي مشکوک مالي و ارائه مشاوره مالي شخصي به مشتريان کمک کند. يکي از مهم ترين مزاياي هوش مصنوعي در امور مالي، توانايي پردازش حجم زيادي از داده ها در لحظه است . اين قابليت به تصميم گيريهاي آگاهانه تر، کاهش خطا و افزايش سرعت تراکنش ها منجر مي شود.

با وجود مزاياي بسيار، استفاده از مدل هاي يادگيري ماشين در امور مالي مي تواند سيستم هاي مالي را با چالشها و خطراتي مواجه کند.اين مقاله با جمع آوري و مطالعه چندين مقاله ،کاربردها و چالشهاي استفاده از مدل هاي يادگيري ماشين را بررسي مي کند.شناخت اين موارد براي سياست گزاران حوزه هاي مالي  در  استفاده بهينه از هوش مصنوعي و به طور خاص مدل هاي يادگيري ماشين در امور مالي و همچنين کاهش خطرات آن ، مي تواند مفيد باشد.

روش تحقيق :

در اين تحقيق به مطالعه مقالات از سايت هاي مختلف و کتب لاتين و فارسي پيرامون کليداوژه هاي مقاله پرداخته شده و مطالبي در اين راستا جمع آوري شده است .

هوش مصنوعي :  به‌طور کلی ماهیت وجودی هوش به مفهوم جمع‌آوری اطلاعات، استقراء و تحلیل تجربیات به منظور رسیدن به دانش یا  تصمیم است. در واقع هوش به مفهوم به‌کارگیری تجربه به منظور حل مسائل دریافت شده تلقی می‌شود.

در مقایسهٔ هوش مصنوعی با هوش انسانی می‌توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسائل در جهت قضاوت و اخذ تصمیم است در حالی که هوش مصنوعی مبتنی بر قوانین و رویه‌هایی از قبل تعبیه شده بر روی کامپیوتر است .

به عبارتی ديگر هوش مصنوعي  ظرفيت دستگاه ها‌ي ديجيتال و رايانه ها برا‌ي انجام عمليات هايي است که توسط انسان انجام مي شود، مانند تفکر و برداشت دانش از طريق تجربه .

هدف هوش مصنوعي توسعه سيستم هايي است که با هوش هستند و با يادگيري و درک به ارائه خدمات دقيق و سريع به مشتريان ، شبيه به انسان ها عمل مي کنند ( ,Al-Ratami، ٢٠١٢)[٣]

واژه هوش مصنوعي،اولين بار در سال ١٩٥٥ توسط جان مک کارتي,(Sahu, H ,Gupta, V. ,Yadav, A. ,.٢٠١٧) ابداع شد. هدف هوش مصنوعي ساخت ماشين ها‌ي هوشمندي است که مانند مغز انسان توانايي کسب دانش، قضاوت، تفکر اصيل و توانايي تشخيص ارتباطات را دارنند و مي توانندبه شرايط مختلف پاسخ دهند (O’Leary, D & ,Carol, E., ٢٠١٣)[٨]

اهميت هوش مصنوعي در مديريت امور مالي :

هوش مصنوعي با خودکارسازي فرايندها، کارايي، اثربخشي و در نتيجه بهره وري را افزايش مي دهد و خطاهايي را که ناشي از عوامل روانشناختي يا احساسي است را کاهش مي دهد (٢٠١٨ ,Ravi). مؤسسات مالي توانسته اند با استفاده از هوش مصنوعي و يادگيري ماشين ، هزينه ها را کاهش دهند، ريسک ها را مديريت کنند، کيفيت خدمات را بهبود بخشند و در نتيجه سودآوري خود را افزايش دهند (٢٠١٨ ,Giudici).

هوش مصنوعي اطلاعات ناهمگون (حتي ويژگي هاي رفتاري استخراج شده از شبکه هاي اجتماعي)را يکپارچه مي کند و تمايل مشتري به استفاده از خدمات مالي را پيش بيني مي کند و از طريق مشاوره و شفاف سازي، درخواست را انجام مي دهد.

 به طور کلي هوش مصنوعي در بازارها و حوزه هاي مالي مختلف آن مانند: واسطه گري اعتباري، امور مالي مبتني بر بلاک چين ، مديريت دارايي و تجارت الگوريتمي  پرکاربرد است .

کاربرد هاي هوش مصنوعي در امور مالي :

پيشرفت هاي فناوري محاسباتي و دسترسي به حجم زيادي از داده ها در اوايل دهه ٢٠٠٠، راه را براي توسعه تکنيک هاي پيچيده تر هوش مصنوعي باز نمود.  در سال هاي اخير، هوش مصنوعي (AI) با راه يابي به مديريت مالي ، در حال ايجاد تحولاتي در زمينه هاي مختلف براي بهبود کارايي، تحليل و تصميم گيري است . در اين تحقيق ، به چند نمونه‌ي کاربردي از

هوش مصنوعي در امور مالي اشاره شده است :  (٢٠٢٣,Pallathadka) (٢٠٢٢,Sangeetha) (٢٠١٩,Popkova):

- تحليل پيش بيني براي سرمايه گذاري :

- چت بات هاي مالي براي خدمات مشتري :

-  مديريت ريسک با تشخيص تقلب :

- برنامه ريزي مالياتي خودکار:  

- تحليل احساسات بازار:

- پيش بيني عملکرد مالي شرکت :

-  خودکارسازي فرايندهاي مالي روتين :

- درک مشتري و شخصي سازي خدمات :

 اين کاربردها نشان مي دهند که هوش مصنوعي چگونه به يک ابزار با ارزش براي بهينه سازي فرايندها و تصميم گيري در مديريت مالي تبديل شده است و با تجزيه و تحليل پيچيده تر داده ها و راه حل هاي تطبيق پذيرتر، ارزش افزوده ايجاد مي کند.

هوش مصنوعي و پيش بيني هاي مالي :

هوش مصنوعي با توانايي پردازش سريع و دقيق حجم عظيمي از داده ها، مي تواند روندهاي بازار را با استفاده از الگوريتم هاي يادگيري ماشين تجزيه و تحليل کند. اين الگوريتم ها مي توانند از داده هاي گذشته بياموزند و از آن دانش براي پيش بيني روندهاي آينده استفاده کنند. اين قابليت مي تواند به ويژه در پيش بيني قيمت سهام يا روندهاي بازار مفيد باشد.

همچنين پردازش زبان طبيعي (NLP) با بررسي مقالات خبري و پست هاي شبکه هاي اجتماعي ، به درک احساسات مردم نسبت به شرکت هاي خاص دست مي يابند. اين اطلاعات مي تواند براي تصميم گيري هاي سرمايه گذاري مفيد باشد. (٢٠٢٢ ,Carta et al). 

چالش هاي هوش مصنوعي در حوزه های مالي :

هوش مصنوعي به عنوان ابزاري قدرتمند، به سرعت در حال نفوذ به موسسات مالي است و مزاياي قابل توجهي را به ارمغان ميآورد. با اين حال ، استفاده از اين فناوري بدون چالش نيست (٢٠١٧ ,Donepudi)

• چالشهاي هوش مصنوعي در حوزه واسطه گري اعتباري :  به علت وجود داده هاي ناکافي استفاده از هوش مصنوعي مي تواند خطر رفتارهاي مغرضانه و تبعيض آميز را تشديد کند. چنين چالش هايي در اعتبار اعطايي شده توسط شرکتهاي فناوري بزرگ تشديد مي شوند که دسترسي آن ها به مجموعه هاي وسيعي از داده هاي مشتر‌ي را افزايش مي دهد و سؤالاتي را در مورد رفتار ها‌ي ضدرقابتي احتمالي وتمرکزبازار در جنبه فناور‌ي ارائه خدمات ايجاد مي کند. (OECD،٢٠٢١)[٢١]

• چالشهاي هوش مصنوعي در معاملات مبتني بر بلاک چين :  در سيستم ها‌ي مبتني بر هوش مصنوعي مانند تمام سيستم هاي کامپيوتري،اطلاعات بي کيفيت و ناکافي، نتيجه بي کيفيت توليد ميکند.اين مشکل در بازارهاي مالي غير متمرکز بسته به اندازه بازار، به علت نظارت کم يا عدم نظارت و عدم تفسيرپذيري خطرا ت قابل توجهي را براي سرمايه گذاران ،يکپارچگي بازار و ثبات سيستم ايجاد ميکند. استفاده از هوش مصنوعي در اين بازارها، به طور بالقوه مي تواند باعث رفتار گله اي و بازارهاي يک طرفه شود که به نوبه خود خطراتي را براي نقدينگي  ثبات سيستم به دنبال خواهد داشت .اگرچه در زمانهاي عادي معاملات هوش مصنوعي مي تواند نقدينگي را افزايش دهد اما در مواقع استرس منجر به همگرايي و در نتيجه حملات عدم نقدينگي و سقوط ناگهاني ميشود. همگرايي استراتژي هاي معاملاتي خطر حلقه هاي باز خورد خود-تقويتي را ايجاد مي کند که به نوبه خود باعث حرکت شديد قيمت مي شود.چنين همگرايي خطر حملات سايبري را نيز افزايش مي دهد زيرا براي مجرمان سايبري تاثير بر عواملي که به همان روش عمل مي کند آسان تر است . هر چند اين خطرات در همه معاملات الگوريتمي وجود دارد اما هوش مصنوعي با توجه به يادگيري و سازگاري پويا با شرايط در حال تحول ،خطرات را تقويت مي کند.در عين حال پيچيدگي و دشواري توضيح و باز توليد مکانيسم تصميم گيري ،کاهش اين خطرات را چالش برانگيز مي کند. . (OECD،٢٠٢١)[٢١]

• چالشهاي هوش مصنوعي در مديريت دارايي : استفاده از هوش مصنوعي ،يادگيري ماشين و کلان داده ، ممکن است بيشتر در دسترس مديران دارايي هاي بزرگتر که داراي منابع بيشتري هستند ،قرار بگيرد که باعث پيشي گرفتن بيشتر رقباي بزرگ از رقباي کوچک تر شود.(  Financial Times، ٢٠٢٠)[١١]

• چالش هاي هوش مصنوعي در تجارت الگوريتمي :  استفاده از الگوريتم هاي هوش مصنوعي توسط معامله گران ،منجر به تقويت استرس  در بازارها مي شود.پيدايش مدلهاي پر کاربرد هوش مصنوعي ، فرصت هاي آربيتراژ و حاشيه ها را کاهش خواهد داد که نتيجه آن کاهش اسپرد(تفاوت قيمت ) پيشنهادات خريد به نفع مصرف کنندگان خواهد بود.همچنين ايجاد همگرايي،رفتار گله اي و بازارهاي يک طرفه و حلقه هاي بازخورد خود تقويتي که منجر به عدم ثبات و نوسانات بازار مي شود از ديگر خطرات استفاده از الگوريتم هاي هوش مصنوعي است .( ٢٠٢٠، Bis)[٤].

عدم تمايل کاربران به افشا عملکرد مدل خود به علت ترس از دست دادن مزيت رقابتي خود،نظارت بر مدلها را مشکل خواهد کرد.الگوريتم ها در تجارت مي توانند تباني را آسان تر کنند و احتمال مشاهده آن در بازارهاي ديجيتال را بيشتر کنند. (OECD ،٢٠١٧)[٢٠]

نتيجه گيري :

 مدلهاي هوش مصنوعي و يادگيري ماشين در بازارهاي مالي فرصت هاي بسياري از جمله : پايين آوردن ريسک مديريتي، بالا بردن سود و بهره وري، انجام معاملات سريع و افزايش نقدينگي بازار، بالا بردن شمول مالي در جامعه و جلوگيري از دستکاري و جعل در بازار  ايجاد مي کند. در عين حال چالشهايي مثل سو گيري و تباني،  هزينه هاي اوليه بالا و خطر سقوط ناگهاني را به وجود مي آورد.

بررسي کاربردها و چالشهاي هوش مصنوعي در بازار هاي مالي نشان مي دهد، هوش مصنوعي دوره جديدي را در بازارهاي مالي آغاز کرده است و اگر چه استفاده از آن با سرعت رو به افزايش است ؛ اما  مزايا و معايب آن هنوز به طور کامل مشخص نشده است . پيچيدگي الگوريتم هاي هوش مصنوعي و عدم وجود تخصص هاي مربوط به علوم کامپيوتر در سياستگذاران و افراد فعال در حوزه هاي مالي، همچنين نداشتن تسلط کافي متخصصين هوش مصنوعي در امور مالي، منجر به ايجاد شکاف بين دو حوزه علوم کامپيوتر و امور مالي مي شود که شناسايي چالشهاي به وجود آمده را مشکل مي کند. در امور مالي مبتني بر هوش مصنوعي و يادگيري ماشين کيفيت داده ها اهميتي بيش از پيش پيدا خواهد کرد چنانچه وجود داده ها با کيفيت نامناسب مشکلات و چالشهاي مربوط به بازارهاي مالي را تقويت مي کند.

نکته حائز اهميت ديگر اين است که اگر بکارگيري هوش مصنوعي در امور مالي، به دقت کنترل نشوند، استراتژي هاي معاملاتي مبتني بر هوش مصنوعي مي توانند بازار را دستکاري کنند  بنابراين براي مقابله با چالش هاي بکارگيري هوش مصنوعي در امور مالي، تعيين و اجراي قوانين و مقررات دقيق و جامع ، ضروري به نظر مي رسد.

اگر چه هوش مصنوعي قادر به تجزيه و تحليل است ، اما اين تحليل بدون تفسير انساني بي فايده است و خلاقيت انسان را نمي توان با برنامه ها و روبات هاي مبتني بر هوش مصنوعي جايگزين کرد. مهم نيست که سيستم هاي مبتني بر هوش مصنوعي چقدر ايمن مي شوند، هميشه اين ترس عميق در بين بازارها وجود دارد که در صورت بروز هرگونه اختلال در اين سيستم ، کل سيستم اقتصادي ممکن است سقوط کند.

پيشنهادات :

پيشنهاد مي شود جهت استفاده بهينه از فناوري هوش مصنوعي و مقابله با چالشهاي آن ،متخصصين هوش مصنوعي با بالا بردن ميزان تخصص در زمينه هوش مصنوعي و مطالعات بيشتر در اين زمينه شناخت بيشتري نسبت به اين فناوري پيدا کنند. همچنين حسابداران و فعالان حوزه مالي نسبت به بالا بردن دانش ديجيتال تلاش کنند.در اين رابطه به وجود آمدن رشته دانشگاهي امور مالي ديجيتال کمبود متخصص در اين حوزه را جبران خواهد کرد.

بالا بودن هزينه هاي هوش مصنوعي،سرمايه گذاري در اين زمينه را با چالش روبه رو خواهد کرد. بنابراين ، مشارکت سرمايه گذاري بين دولت و شرکتهاي خصوصي جهت تامين مالي، مفيد خواهد بود.

با توجه به پيچيدگي هاي هوش مصنوعي و عدم خلاقيت آن ، پيشنهاد مي شود نقش نظارتي انسان همچنان برقرار باشد.

نظر به اهميت داده ها در اين زمينه ، قوانين نظارتي بيشتر و استانداردگداري مي تواند به کيفيت داده ها کمک کند.

قانون گذاري در مورد الزام شرکتها به افشاي نوع تکنيک هوش مصنوعي مورد استفاده جهت تفسيرپذيري بيشتر اقدامات هوش مصنوعي مثمر ثمر است .

منابع و مآخذ :

١-آقا جاني،مريم ؛هوش مصنوعي(از مقدماتي تا پيشرفته )،انتشارات روشن ،تهران ،١٣٩٨،صفحات ١٠-١٤

٢-درشر، دانيل ،مباني بلاک چين ،واقفي،عبدالرضا،شرکت پيشگامان گسترش متن باز،١٣٩٨

Al-Ratami, M.A.A. (2012). Artificial intelligence and expert systems. available at http://www.arteimi.info/site/publication/Arteimi%20Book

BIS Markets Committee (2020), Markets Committee FX execution algorithms and market functioning, http://www.bis.org (accessed on 7 June 2021).

Carol, E., & O’Leary, D. (2013). Introduction to artificial intelligence and export system. Available at http://www.mbsfile03.uscredu/dialtalmeasures

Financial Times (2020), Hedge funds: no market for small firms | Financial Times, https://www.ft.com/content/d94760ec-56c4-4051-965d-1fe2b35e4d71

OECD   (2021),   Artificial   Intelligence,   Machine   Learning   and   Big   Data   in   Finance: Opportunities,Challenges,and Implications for Policy Makers, https://www.oecd.org/finance/artificial-intelligence-machine-learningbig-data-in-finance.htm.

Yadav, A., Gupta, V., Sahu, H., & Shrimal, S. (2017). Artificial intelligence. New era. International Journal of New Technology, 3(3), 30-33.

Carta, S., Podda, A. S., Reforgiato Recupero, D. & Stanciu, M. M. (2022, February). Explainable AI for financial forecasting. In Machine Learning, Optimization, and Data Science: 7th International Conference, LOD 2021, Grasmere, UK, October 4–8, 2021, Revised Selected Papers, Part II (pp. 51-69). Cham: Springer  International Publishing.

Giudici, P. (2018). Fintech risk management: A research challenge for artificial intelligence in finance. Frontiers in Artificial Intelligence, 1, 1. https://www.frontiersin.org/articles/10.3389/frai.2018.00001/full

Pallathadka, H., Ramirez-Asis, E. H., Loli-Poma, T. P., Kaliyaperumal, K., Ventayen, R. J. M., & Naved, M. (2023). Applications of artificial intelligence in business management, e-commerce and finance. Materials Today: Proceedings, 80, 2610-26.

Popkova, E. G., & Parakhina, V. N. (2019). Managing the global financial system on the basis of Popkova artificial intelligence: possibilities and limitations. In The Future of the Global Financial System: Downfall or  Harmony 6 (pp. 939-946). Springer International Publishing.

Ravi, H. (2018). Application of artificial intelligence in investment banks. Review of Economic and Business Studies, 22, 131-136. https://ideas.repec.org/a/aic/revebs/y2018j22vedapradhar.

Sangeetha, M., Hoti, A., Bansal, R., Hasan, M. F., Gajjar, K., & Srivastava, K. (2022). Facilitating artificial intelligence supply chain analytics through finance management during the pandemic crises. Materials Today:  Proceedings, 56, 2092-2095.