شبکه‌های عصبی و هوش مصنوعی در بازارهای مالی: تکامل و چشم‌اندازها

تقریباً همه افرادی که در معاملات آنلاین در فارکس، بازار سهام، کامودیتی (کالا) و ارز دیجیتال درگیر هستند نام شبکه‌های عصبی و کاربرد آنها در معاملات با ربات‌هایی که به نام «مشاوران متخصص» (EA) مشهور هستند را شنیده‌اند. خب شبکه‌های عصبی دقیقا چیستند، چه شباهت‌ها و تفاوت‌هایی با هوش مصنوعی دارند؟ مزایا و نواقص آنها چیست؟ و سرانجام، آیا شبکه‌های عصبی می‌توانند ابزار مطمئنی برای همه تریدرها باشند و سود پایداری را برای آنها خلق کنند؟

معرفی شبکه‌های عصبی

یک شبکه عصبی  یک ساختار الگوریتمی است که با الهام از ساختار و اصول عملیاتی مغز موجودات زنده ساخته شده است. شبکه عصبی طوری طراحی می‌شود تا داده‌ها را از طریق شبکه پیچیده‌ای از گره‌های متصل‌به‌هم که کار نورون‌های عصبی را تقلید می‌کنند، پردازش کند. هر نورون مصنوعی در این شبکه می‌تواند سیگنال‌ها را دریافت کند، پردازش کند و به سایر نورون‌ها منتقل کند. این نورون‌ها در مجموع می‌توانند کارهایی از ساده‌ترین تا انتزاعی‌ترین وظایف را انجام دهند.

ایده استفاده از نورون‌های مصنوعی مدت‌ها قبل یعنی در سال ۱۹۴۳ توسط  دو دانشمند آمریکایی به نام‌های «وارن استرگیس مک‌کلوچ» و «والتر پیتس» مطرح شد، آنها یک مدل ریاضی از نورون را ارائه کردند. «وارن مک‌کلوچ» در سال ۱۸۹۸ متولد شده بود و مدرک پزشکی خودش را از دانشگاه «ییل» آمریکا در سال ۱۹۲۷ گرفته بود و تحقیقاتی را در زمینه روانپزشکی و فیزیولوژی عصبی به‌ویژه مطالعه سیستم عصبی انجام داده بود. این دانشمند در آن زمان شدیداً به احتمال مدل‌سازی مصنوعی مغز انسان علاقه‌مند شد. «والتر پیتس» ۲۵ساله بود و ریاضیات و فیزیولوژی عصبی را به‌صورت خودآموز آموخته بود و در سنین جوانی استعداد برجسته‌ای را از خودش به نمایش گذاشته بود.

«پیتس» در سال ۱۹۴۳ در دانشگاه شیکاگو با «مک‌کلوچ» ملاقات کرد و ملاقات آنها به یک همکاری پربار تبدیل شد. آنها در همان سال «حساب منطقی ایده‌های ماندگار در فعالیت عصبی» را نوشتند که مبنای پژوهش‌های نظری درباره شبکه‌های عصبی مصنوعی را پایه‌ریزی می‌کرد. این محققان در مقاله خودشان یک مدل نورون را بر اساس منطق ریاضی پیشنهاد کردند و نشان دادند که شبکه‌هایی متشکل از نورون‌های مصنوعی ساده اگر اتصالات متقابل آنها به‌درستی سازمان‌دهی شده باشد چگونه می‌توانند کارهای پیچیده محاسباتی را انجام دهند. این کشف، حوزه استفاده از شبکه‌های عصبی برای مدل‌سازی فرایندهای شناختی و ایجاد ماشین‌های هوشمند  در آینده را روشن‌تر کرد.

البته توسعه این تکنولوژی به  چند مرحله دیگر از جمله ایجاد پرسپترون توسط «فرانک روزنبلات» در سال ۱۹۵۷ نیاز داشت. پرسپترون، ساده‌ترین نوع شبکه عصبی مصنوعی است که برای رده‌بندی داده‌ها (مثلاً تقسیم داده‌ها به چند دسته) استفاده می‌شود. پرسپترون از ورودی‌هایی تشکیل می‌شود که هر کدام یک وزن خاص دارند (یک عدد که اهمیت آن ورودی را نشان می‌دهد) و یک نورون با یک خروجی هم وجود دارد که سیگنال‌های ورودی که در وزن‌هایشان ضرب شده‌اند را جمع می‌کند. اگر جمع آنها بیش از یک آستانه معین باشد آنگاه پرسپترون فعال می‌شود و یک نتیجه را بیرون می‌دهد، اگر این‌طور نباشد، پرسپترون، خروجی دیگری به ما می‌دهد.

مرحله مهم دیگر در راه ساختن شبکه‌های عصبی پیچیده‌تر هم توسعه الگوریتم خطای پس‌انتشار (backpropagation) بود که در دهه ۱۹۷۰ ایجاد شد و به نقطه مهمی در تمرین‌دادن شبکه‌های عصبی چندلایه تبدیل شد. این الگوریتم روشی برای تمرین‌دادن شبکه‌های عصبی مصنوعی بود که وزن‌های نورون‌ها را بر اساس خطاهایی که شبکه در پیش‌بینی‌هایش داشت، اصلاح می‌کرد. شبکه مدنظر در ابتدا یک پیش‌بینی انجام می‌دهد سپس آن را با پاسخ صحیح مقایسه می‌کند و خطا را محاسبه می‌کند. اطلاعات مربوط به این خطا بعداً از طریق شبکه به عقب منتشر می‌شوند تا شبکه بتواند یاد بگیرد و در حین پردازش داده‌های بیشتر، پیش‌بینی‌هایش را بهتر کند.

کار «مک‌کلوچ» و «پیتس» و کسانی که راه آنها را ادامه دادند، نقشی بنیادی در توسعه مفاهیم هوش مصنوعی داشت. این پژوهش، ایجاد مدل‌های یادگیری عمیق که امروزه در حوزه‌های گوناگونی مثل ترجمه خودکار و شناخت تصویر و همچنین ماشین‌های خودران و اتوماسیون فرایند و البته معاملات مالی استفاده می‌شوند را پیش‌بینی کرد و شبیه‌سازی کرد.

کاربرد شبکه‌های عصبی در معاملات بازارهای مالی

استفاده از شبکه‌های عصبی در معاملات مالی از دهه ۱۹۸۰ شروع شد در آن زمان تکنولوژی‌های کامپیوتری به اندازه کافی پیشرفت کرده بودند تا حجم زیادی از داده‌ها را پردازش کنند و محاسبات پیچیده‌ای را انجام دهند. البته علاقه واقعی به آنها در دهه ۱۹۹۰ همراه با توسعه یادگیری ماشینی و افزایش قدرت محاسباتی کامپیوتر‌ها به وجود آمد چون این شرایط اجازه استفاده مؤثرتر از شبکه‌های عصبی مصنوعی برای تحلیل داده‌های بازار را به کاربران می‌دادند.

در آخرین دهۀ قرن بیستم، ایده  استفاده از شبکه‌های عصبی در ربات‌های معاملاتی که به نام مشاوران متخصص (EA) مشهور هستند با هدف تحلیل شرایط بازار، پیش‌بینی حرکت‌های قیمتی و اجرای خودکار عملیات‌های معاملاتی مطرح شد.این شبکه‌های عصبی با داده‌های تاریخی مربوط به قیمت ها، حجم معاملات، اندیکاتورهای بازار و سایر ابزارهای تحلیل تکنیکال تمرین داده می‌شدند.آنها می‌توانند الگوها و وابستگی‌های پیچیده‌ای که حتی برای تحلیل‌گران-تریدرهای باتجربه قابل مشاهده نیستند را پیدا کنند. EA‌ها بعد از تمرین داده شدن می‌توانند در لحظه تصمیمات مستقلی درباره خرید و فروش‌های ابزارهای مالی بگیرند.

مهم‌ترین توسعه در استفاده از شبکه‌های عصبی برای معاملات خودکار در ۱۵ تا ۲۰ سال اخیر اتفاق افتاده است. در این مدت، کارایی شبکه‌های عصبی از جنبه‌های متنوع بهبود پیدا کرده است. بااین‌حال مشخص شده است که استفاده از شبکه‌های عصبی هم مثل هر تکنولوژی دیگری، نواقص، مشکلات و محدودیت‌های خاص خودش را دارد. مثلاً می‌توانیم به نیاز به تمرین‌دادن اولیه EA‌ها اشاره کنیم که کاری طولانی، دشوار و در برخی موارد نیازمند صبر زیاد است و در برخی موارد شاید شبکه عصبی نیاز به تمرین داده شدن مجدد داشته باشد. وقتی شبکه عصبی با داده‌های گذشته و تاریخی، بیش از حد سازگار می‌شود و قدرت تعمیم‌دهی خودش را از دست بدهد، تمرین‌دادن مجدد آن لازم می‌شود. لزوم  به‌روزرسانی دائمی داده‌ها و الگوریتم‌ها برای سازگاری با شرایط در حال تغییر بازار و مشکلات مربوط به تفسیر نتایج شبکه عصبی هم در این میان مطرح هستند.

متخصصان در این چارچوب عقیده دارند یکی از جهت‌های اصلی توسعه EA‌های شبکه عصبی، ایجاد سیستم‌های سازگاری است که بتوانند پارامترها را در واکنش به تغییرات بازار، به‌صورت مستقل سازگار کنند. ضمنا کار بر روی بهبود الگوریتم‌های یادگیری ماشینی از جمله شبکه‌های عصبی عمیق همچنان ادامه دارد و این پیشرفت‌ها اجازه می‌دهند تا پیش‌بینی‌های دقیق و معاملات مؤثرتری انجام شوند. تحلیل تعداد زیادی از متغیرها و ترکیب آنها می‌تواند به بهبود قدرت پیش‌بینی سیستم‌ها کمک کند.

تفاوت بین شبکه‌های عصبی و هوش مصنوعی

شبکه عصبی و هوش مصنوعی (AI) اصطلاحاتی هستند که اغلب با هم استفاده می‌شوند اما واقعاً با هم تفاوت دارند. تفاوت‌های اصلی بین شبکه‌های عصبی و هوش مصنوعی عبارت‌اند از:

-        حوزه کاربرد: شبکه‌های عصبی فقط یکی از ابزارهای مورداستفاده در هوش مصنوعی هستند زیرا این شبکه‌ها در آموختن و پردازش داده‌ها بر اساس نمونه‌های ارائه شده، تخصص دارند. البته هوش مصنوعی شامل طیف وسیع‌تری از تکنولوژی‌ها و روش‌ها می‌شود که فقط به یادگیری ماشینی و شبکه‌های عصبی محدود نمی‌شود. هدف هوش مصنوعی این است که به فراگیری حداکثر برسد و بتواند طیف متنوعی از وظایف را در حوزه‌های گوناگون انجام بدهد. شبکه‌های عصبی اغلب محدود به حوزه‌های هستند که بتوان آنها را به نحو موثری بر اساس داده‌های ارائه شده، تمرین داد.

-        کاربرد: هوش مصنوعی به دنبال تقلید کامل هوش انسان است  تا بتواند وظایف پیچیده‌ای مثل استدلال، پیشرفت دادن خود، یادگیری، درک و حتی تعامل اجتماعی را انجام دهد. از سوی دیگر، شبکه‌های عصبی روی وظایف خاص پردازش داده، رده‌بندی داده‌ها و پیش‌بینی آینده تمرکز می‌کند.

-        سازگاری: شبکه‌های عصبی در وظایف خاصی که برای آن تمرین داده شده‌اند، عملکرد خوبی دارند. در صورت کمبود داده‌ها یا تغییر شرایط استفاده از آنها ممکن است کارایی آنها به‌شدت کاهش پیدا کند. هوش مصنوعی شامل سیستم‌هایی می‌شود که می‌توانند تکامل پیدا کنند و با وظایف و شرایط جدید با حداقل آماده‌سازی قبلی سازگار شوند.

-        تفاوت‌های تکنولوژیک: شبکه‌های عصبی‌ها از این نظر ویژه هستند که بر اساس اصل انتقال داده‌ها از طریق لایه‌های نورون‌ها عمل می‌کنند و هر نورون، ورودی داده را طبق وزن‌های تعیین شده و تابع‌های فعال‌سازی، منتقل می‌کند. هوش مصنوعی طیف گسترده‌تری از تکنولوژی‌ها را پوشش می‌دهد و قادر به انجام وظایف پیچیده‌تر و گوناگونی است. هوش مصنوعی برای دستیابی به کارکردهای هوشمند می‌تواند طیف متنوع‌تری از روش‌ها از جمله برنامه‌نویسی منطقی و الگوریتم‌های بهینه‌سازی را به کار بگیرد.

حال و آینده

در پایان بیایید چند نقل‌قول را بررسی کنیم که نظرات متخصصان برتر در زمینه اهمیت ادغام شبکه‌های عصبی و هوش مصنوعی در معاملات مالی را نشان می‌دهند:

-        کاترین وود، مدیرعامل «ARK Invest» : «قدرت پیش‌بینی‌کننده شبکه‌های عصبی در معاملات بازار سهام کاملاً یک انقلاب بزرگ را ایجاد کرده است و  از طریق زمان‌بندی و ارزیابی ریسک دقیق‌تر باعث افزایش سود می‌شود».

-        اندرو نگ، هم‌بنیان‌گذار «Google Brain» : «شبکه‌های عصبی پتانسیل این را دارند که بازارهای مالی را کارآمدتر، شفاف‌تر و قابل‌دسترس‌تر کنند اما باید درباره تأثیر گسترده آنها بر اقتصاد محتاط باشیم».

-        رعنا فروهر، ستون‌نویس «Global Business» و معاون سردبیر «فایننشیال تایمز»: «در شرایطی که پیچیدگی شبکه‌های عصبی‌ها بیشتر می‌شود، آنها می‌توانند از طریق ارائه بینش‌های عمیق‌تر درباره استراتژی‌های سرمایه‌گذاری بلندمدت و با فرکانس بالا، تغییر شدیدی را در چشم‌انداز معاملات ایجاد کنند».

-        ری دالیو، مؤسس «Bridgewater Associates»: «هوش مصنوعی و شبکه‌های عصبی، مرزهای آینده در امور مالی هستند. توانایی آنها برای دریافت و تحلیل مقدار زیادی داده می‌تواند نحوه شناسایی دینامیک‌های بازار و مدیریت دارایی را کاملاً دچار تحول بنیادین کند».