Как Уолстрийт трябва да се адаптира към AI

Авторът е някогашен световен началник на проучванията в Morgan Stanley и някогашен началник на групата за проучвания, данни и разбори в UBS

Не би трябвало да се изненадваме че приблизително изкуственият разсъдък изпреварва борсовите анализатори в прогнозирането на облагите. Или че основаните на правила тактики създават приблизително по-добри финансови препоръки от частния банкер. Дори преди скорошния прогрес в генеративния AI съществуваха преимуществата на вложението по последователен метод. Въпреки че такива техники няма да намерят оня неосезаем процентил на акциите или пазарната инфлексия, които вършат несъразмерната възвръщаемост, те имат потвърдена стойност.

Разработките на AI обаче демонстрират, че можем да надхвърлим рекомендациите, основани на правила. Макроикономиката, счетоводството и статистиката са трите стълба на вложенията. Големите езикови модели получават най-хубави резултати на изпитите за напреднали по тези предмети. Също по този начин знаем, че LLM може да заключи доста повече подтекст и мъдрост на тълпата, в сравнение с човек може, което би трябвало да е доста потребно за макро тактика. Следователно, в случай че изкуственият разсъдък може да помогне при финансови решения, за какво е толкоз мъчно за анализатор или портфолио управител да се качи на рейса на смяната?

Можем да намерим някои улики в работата на експерта по данни Сезар Идалго на по какъв начин хората преценят машините. Когато използваме стратегия, ние се фокусираме върху продуктивността на инструмента. По този метод всяка неточност в прогнозата от тази стратегия ще накара нашия финансов експерт да загуби доверие в нея. И в множеството случаи няма значение дали логаритъмът е приблизително по-добър от човешкия. Нашият финансов консултант ще разреши на нейната вътрешен глас и опит да надделеят.

Изследванията на Hidalgo демонстрират, че ние се държим друго, когато преценяме човешки препоръки. Ние гледаме оттатък представянето, като вземаме поради желанията на индивида, който ни дава съвет. Когато се ангажираме с частен банкер или доверим парите си на управител на фонд, ние ще приемем сходство с нашите цели, изключително в случай че договорът включва такси за стимулиране на осъществяването. След като претеглим тези планове в умственото си уравнение, ще бъдем по-толерантни към неприятна възвращаемост.

По този метод човешкият съвет може да се проваля по-често и все пак да се смята за скъп от клиента, изключително когато има сюжет, който изяснява резултата. По думите на Идалго чакаме машините да бъдат рационални, а хората – хора.

Също по този начин се съпротивляваме на включването на информация, която опонира на нашия опит. При опити с рентгенолози, употребяващи AI, не беше ясно по какъв начин те включиха изгледите на логаритъма в своите прогнози. Работата лиши повече време, а ефикасността на комбинираната диагностика беше противоречива.

Ако казусът е подобен за рентгенолозите, би трябвало да е по-трудно за всеки, който работи на финансовите пазари. Макро тактиката може да бъде най-трудното място за включване на AI. Първо, тъй като пазарът, сходно на времето, е нестационарен, което значи, че в никакъв случай няма да реагира по безусловно същия метод, да вземем за пример, на същата информация за инфлацията или заетостта, да не приказваме за второто идване на Доналд Тръмп в Белия дом. Но също по този начин и тъй като всеки пълководец има мощни първични убеждения – или „ еднаквост “ като непрекъснат бик или мечка – които ще повлияят на преценката му. Много е мъчно да избягате от разказите, които клиентите чакат от вас.

Накрая, ние жадуваме за надзор. Има радикална разлика сред модел, построен благодарение на електронна таблица от налични данни, спрямо, да речем, ChatGPT. Въз основа на нашия опит и вътрешен глас ние решаваме формата, съставените елементи на първото, само че не и на второто. И в множеството случаи даже няма да знаем по какъв начин LLM е стигнал до избран отговор. Следователно е разбираемо, че нашият финансов консултант се усеща неловко да употребява прогноза, която не е нейна. 

Тогава има някои хрумвания за разглеждане. Трябва да позволим на хората да трансформират някои параметри на модела. С други думи, би трябвало да позволим на някоя организация за експертите да прави рекомендациите на AI като свои лични. В най-хубавия случай моделът може да бъде усъвършенстван, защото специалистът прибавя някакъв подтекст, който може да не е наличен за модела. Това може да са някои персонални условия на клиента или други фактори и ограничавания, които може да са сложни за количествено установяване. Но като опция бихме могли да приемем спад в продуктивността, в случай че повече хора одобряват прозренията заради човешкото допиране. Това може да е рационален компромис в области като препоръки за ръководство на благосъстоянието.

И най-после, би трябвало да се опитаме да създадем AI по-обясним. Това е рационално очакване, защото условията за одит и сходство нарастват. Освен това някои от водещите модели включват логичност на „ веригата на мисълта “, която по някакъв метод кодифицира експертното познание в занемарен модел. По този метод освен виждаме нараствания в продуктивността, само че и ще имаме някои правила, на които множеството специалисти могат да се доверят. Никой не желае да наподобява като тъп робот, който просто повтаря препоръките на черна кутия. Доверието и преценката са сериозни характерности в връзките с клиента. В последна сметка чакаме хората да бъдат хора.