هوش مصنوعی اخبار بازار مالی را تحلیل می‌کند

مدل‌های هوش مصنوعی تعیین می‌کنند که آیا یک خبر نسبت به یک شرکت یا بازار لحن مثبت، منفی یا خنثی دارد، با تحلیل واژگان و زمینه. مثلاً «شرکت ایکس سود رکوردی گزارش داد» به عنوان مثبت برچسب‌گذاری می‌شود، در حالی که «شرکت وای تحت تحقیق کلاهبرداری است» منفی است.

FinBERT رویکردی محبوب است – نسخه‌ای از مدل زبان BERT گوگل که به طور خاص برای طبقه‌بندی احساسات در متن‌های مالی تنظیم شده است. این مدل‌ها بر اساس اخبار مالی تاریخی که بر قیمت سهام تأثیر گذاشته‌اند، آموزش دیده‌اند.

BloombergGPT، مدل زبان بزرگ تخصصی حوزه مالی، به طور ویژه برای بهبود تحلیل احساسات اخبار مالی (و همچنین شناسایی موجودیت‌های نام‌دار و طبقه‌بندی اخبار) آموزش دیده است. با سنجش لحن احساسی بازار، هوش مصنوعی ابزاری کمی برای اخبار کیفی فراهم می‌کند.

اخبار مالی پر از اسامی خاص است – نام شرکت‌ها، افراد، محصولات، مکان‌ها و غیره. سیستم‌های هوش مصنوعی با NLP موجودیت‌های ذکر شده در اخبار را شناسایی و برچسب‌گذاری می‌کنند. اگر خبری بگوید «اپل آیفون جدیدی در چین رونمایی کرد»، هوش مصنوعی «اپل» را شرکت، «آیفون» را محصول و «چین» را مکان برچسب می‌زند.

پلتفرم‌های پیشرفته‌ای مانند RavenPack دیکشنری‌های عظیمی مخصوص حوزه مالی دارند – الگوریتم‌های RavenPack بیش از ۱۲ میلیون موجودیت منحصر به فرد را شناسایی می‌کنند، شامل شرکت‌های عمومی و خصوصی، مدیران، افراد داخلی و محصولات یا ارزهای خاص.

فراتر از برچسب‌گذاری اسامی، هوش مصنوعی همچنین موضوع یا نوع رویداد خبر را طبقه‌بندی می‌کند. آیا گزارش درآمد است، اعلام ادغام، مسئله نظارتی یا شاخص اقتصادی؟ طبقه‌بندی RavenPack بیش از ۷۰۰۰ دسته رویداد را پوشش می‌دهد تا اخبار را دسته‌بندی کند.

همه اخبار برابر نیستند – برخی مقالات اطلاعات قدیمی را بازگو می‌کنند، در حالی که برخی دیگر نوآوری دارند. ابزارهای هوش مصنوعی نوآوری (چقدر جدید یا منحصر به فرد است) و مرتبط بودن (چقدر مستقیماً بر شرکت یا بازار تأثیر دارد) را ارزیابی می‌کنند.

مثلاً یک وبلاگ خبری کوچک که فقط به طور گذرا به اپل اشاره کند، امتیاز مرتبط بودن کمی می‌گیرد، در حالی که تحقیق SEC درباره امور مالی اپل امتیاز بسیار بالایی دارد. RavenPack امتیاز مرتبط بودن و ردیابی نوآوری هر موجودیت/رویداد را همراه با امتیاز «تأثیر» ارائه می‌دهد.

تشخیص نوآوری معمولاً با مقایسه متن با اخبار اخیر انجام می‌شود تا ببیند آیا اطلاعات تکراری است یا خیر. این در بازارهای سریع بسیار مهم است که ده‌ها منبع ممکن است همان خبر رویترز را بازگو کنند – هوش مصنوعی می‌تواند اولین مورد را نوآورانه تشخیص دهد و بقیه را کم‌اهمیت جلوه دهد.

هوش مصنوعی پیشرفته به یک مقاله خبری محدود نمی‌شود – بلکه می‌تواند موضوعات کلان و روندها را در هزاران خبر شناسایی کند. LSEG MarketPsych Analytics اخبار را به بیش از ۲۰۰ موضوع اقتصادی و رفتاری (مانند «جنگ تجاری»، «تورم»، «امنیت سایبری» و غیره) گروه‌بندی می‌کند.

هوش مصنوعی هر خبر را در این موضوعات طبقه‌بندی و احساسات هر موضوع را امتیازدهی می‌کند. این امکان را به سرمایه‌گذاران می‌دهد تا احساسات موضوعی را در طول زمان دنبال کنند (مثلاً آیا احساسات درباره «خودروهای برقی» در این فصل بهتر یا بدتر شده است؟). ترمینال بلومبرگ عملکرد «موضوعات کلیدی خبری» دارد که با هوش مصنوعی اخبار را بر اساس موضوعات خوشه‌بندی می‌کند.

با ارائه بینش‌های موضوعی، هوش مصنوعی به اتصال نقاط کمک می‌کند. اگر اخبار بسیاری از شرکت‌ها به اختلال در زنجیره تأمین مربوط باشد، سرمایه‌گذار می‌تواند عامل ریسک نوظهور در بازار را تشخیص دهد. هوش مصنوعی اساساً بین خطوط می‌خواند و الگوهای میان‌مقاله‌ای را می‌یابد که انسان هنگام خواندن جداگانه ممکن است از دست بدهد.

یکی از کاربردهای رو به رشد هوش مصنوعی، خلاصه‌سازی اخبار طولانی یا پیچیده به شکل قابل هضم است. مدل‌های مولد هوش مصنوعی (مانند GPT-4 و BloombergGPT) می‌توانند خلاصه‌های مختصر یا نکات کلیدی یک مقاله خبری را تولید کنند و نکات اصلی را حفظ نمایند.

بلومبرگ اخیراً خلاصه‌های خبری مبتنی بر هوش مصنوعی را در ترمینال خود راه‌اندازی کرده است: برای هر خبر بلومبرگ، هوش مصنوعی سه نکته کلیدی در بالای مقاله تولید می‌کند. این خلاصه‌ها توسط کارشناسان بلومبرگ بررسی می‌شوند تا دقت تضمین شود و معامله‌گران پرمشغله بتوانند جوهره داستان را در یک نگاه درک کنند.

تحولی بزرگ… بینش‌های واضح و مختصر که به من اجازه می‌دهد سریع داستان‌های پیچیده را بفهمم.

— معامله‌گر ارشد، کاربر ترمینال بلومبرگ

فراتر از خلاصه‌ها، هوش مصنوعی می‌تواند به سوالات درباره اخبار پاسخ دهد (پرسش و پاسخ). اگر بپرسید، «رئیس فدرال درباره تورم امروز چه گفت؟»، سیستم هوش مصنوعی می‌تواند پاسخ را از متن خبر استخراج کند. برخی پلتفرم‌ها اکنون امکان تعامل با اخبار از طریق چت را فراهم کرده‌اند، با پرسیدن سوالات پی‌درپی برای تحلیل عمیق‌تر، روشی شهودی‌تر برای تحلیل اطلاعات.

شاید اولین پذیرندگان تحلیل اخبار با هوش مصنوعی، شرکت‌های معاملات کمی و الگوریتمی بودند. این شرکت‌ها سیگنال‌های استخراج شده از اخبار را در مدل‌های معاملاتی خود وارد می‌کنند تا برتری کسب کنند. جالب است که بیش از ۷۰٪ از صندوق‌های پوشش ریسک کمی برتر از RavenPack News Analytics برای تولید آلفا و مدیریت ریسک استفاده می‌کنند.

برای این صندوق‌ها، داده‌های ارائه شده توسط هوش مصنوعی مانند امتیاز احساسات، معیارهای هیاهو و شناسایی رویدادها می‌تواند به عنوان سیگنال معاملاتی عمل کند. الگوریتم ممکن است روی سهامی با احساسات خبری بسیار مثبت خرید کند و روی سهامی با احساسات منفی فروش کوتاه انجام دهد (استراتژی‌ای که با تست‌های گذشته عملکرد بین سهام با احساسات بالا و پایین را نشان داده است).

شرکت‌های معاملات فرکانس بالا نیز از هوش مصنوعی برای تحلیل الگوریتمی فیدهای خبری استفاده می‌کنند – اگر تیتر خبری بازار را تکان دهد (مثلاً یک شوک بانک مرکزی)، هوش مصنوعی آنها می‌تواند فوراً معاملات را به صورت خودکار اجرا کند. این باعث شده بازارها بسیار حساس به اخبار باشند و حرکت‌های تند هنگام دریافت اطلاعات غیرمنتظره رخ دهد.

فراتر از معاملات سریع، تحلیل اخبار هوش مصنوعی از سرمایه‌گذاران بلندمدت مانند مدیران دارایی، صندوق‌های مشترک و مشاوران ثروت پشتیبانی می‌کند. داده‌های احساسات و روندهای خبری لایه‌ای اضافی از بینش را بر اساس تحلیل‌های بنیادی فراهم می‌کنند.

مدیر پرتفوی سهام ممکن است امتیاز احساسات هر سهم را زیر نظر داشته باشد؛ افت ناگهانی می‌تواند بررسی اخبار منفی و ارزیابی مشکلات بنیادی را تحریک کند. همچنین هوش مصنوعی می‌تواند موضوعات نوظهوری که بر استراتژی پرتفوی تأثیر می‌گذارند را برجسته کند – مثلاً افزایش اشاره به «امنیت سایبری» در چند سهام فناوری می‌تواند ریسک یا فرصت رو به رشد را نشان دهد.

هشدارهای موضوعی امکان تعادل مجدد پیشگیرانه را فراهم می‌کنند: اگر هوش مصنوعی ببیند که لحن جنگ تجاری افزایش یافته و برندگان و بازندگان احتمالی را شناسایی کند، مدیر می‌تواند پرتفوی را مطابق آن تنظیم کند. هوش مصنوعی همچنین به پژوهشگران کمک می‌کند تا نقاط کور اطلاعاتی را با پوشش منابع متعدد پر کنند – می‌تواند اخبار در نشریات کم‌اهمیت یا زبان‌های خارجی را که ممکن است از دست برود، هشدار دهد.

برخی پلتفرم‌ها (مانند AlphaSense) حتی تحقیقات کارگزاری و گزارش‌های SEC را همراه با اخبار ادغام می‌کنند و با هوش مصنوعی به تحلیل‌گران اجازه می‌دهند در تمام داده‌های متنی یک شرکت جستجو کنند. یک پژوهشگر استفاده از هوش مصنوعی شبیه ChatGPT را توصیف کرده که «بسیاری از جریان‌های کاری که قبلاً انجام می‌دادم» را در بانک سرمایه‌گذاری بازتولید می‌کند، از خلاصه‌سازی مالی شرکت تا شناسایی پرچم‌های قرمز در اخبار.

در مالی، فقط یافتن فرصت‌ها مهم نیست – مدیریت ریسک و رعایت مقررات نیز حیاتی است. تحلیل اخبار هوش مصنوعی برای مسئولان ریسک و تیم‌های انطباق بسیار مفید است. می‌تواند به عنوان سیستم هشدار زودهنگام برای ریسک‌های مختلف عمل کند: شناسایی اخبار منفی درباره طرف مقابل، علائم مشکلات حاکمیت شرکتی یا رصد تحولات ژئوپولیتیکی که بازارها را تحت تأثیر قرار می‌دهد.

اگر شرکتی ناگهان به دلیل رسوایی یا شکایت در اخبار برجسته شود، هوش مصنوعی فوراً این را علامت‌گذاری می‌کند تا مدیران ریسک بتوانند موقعیت‌ها را تنظیم کنند. بخش‌های انطباق نیز از هوش مصنوعی برای رصد اخبار به دنبال نشانه‌های سوءاستفاده بازار یا معاملات داخلی استفاده می‌کنند. بورس‌ها و ناظران حتی از هوش مصنوعی برای پایش شبکه‌های اجتماعی و اخبار به منظور شناسایی دستکاری بازار یا کلاهبرداری بهره برده‌اند.

ناهنجاری‌ها – مانند افزایش ناگهانی پست‌های مثبت درباره سهام کم‌معامله – توسط هوش مصنوعی شناسایی و برای بررسی طرح‌های پمپ و دامپ بررسی می‌شوند. نظارت بلادرنگ و جامع که هوش مصنوعی فراهم می‌کند، به حفظ یکپارچگی بازار کمک می‌کند.

علاوه بر این، با تجمیع اخبار در یک داشبورد، هوش مصنوعی به مسئولان انطباق کمک می‌کند تا بررسی‌های لازم درباره مشتریان یا سرمایه‌گذاری‌ها (مانند «مشتری خود را بشناس» و مبارزه با پولشویی) را سریع‌تر انجام دهند و هر خبر منفی مرتبط را بیابند. به این ترتیب، هوش مصنوعی نه تنها به کسب درآمد کمک می‌کند، بلکه از مؤسسات مالی در برابر ریسک‌ها و تخلفات محافظت می‌کند.

تحلیل اخبار هوش مصنوعی محدود به نخبگان وال‌استریت نیست. این فناوری به طور فزاینده‌ای به سرمایه‌گذاران خرد و مشاوران مالی خدمت‌رسان به مشتریان عادی نیز می‌رسد. برنامه‌های مشاوره رباتیک و پلتفرم‌های معاملاتی جدید، هوش مصنوعی را برای ارائه بینش‌های مبتنی بر اخبار به کاربران وارد کرده‌اند.

برخی اپلیکیشن‌های معاملاتی اکنون شاخص‌های احساسات خبری یا خلاصه‌های تولید شده توسط هوش مصنوعی درباره دلایل حرکت سهام دارند. به لطف هوش مصنوعی، حتی سرمایه‌گذاران فردی اکنون به تحلیلی دسترسی دارند که «قبلاً فقط برای بانک‌های بزرگ یا سرمایه‌گذاران نهادی در دسترس بود».

گزارش اخیر رویترز نشان داد که ۱۳٪ از سرمایه‌گذاران خرد قبلاً از ابزارهای هوش مصنوعی مانند ChatGPT برای تحقیقات یا توصیه‌های سهام استفاده کرده‌اند و حدود نیمی نیز به این ایده علاقه‌مندند. این دموکراتیزه شدن به افراد عادی امکان می‌دهد از یک چت‌بات بپرسند: «چشم‌انداز شرکت زد با توجه به آخرین اخبار چیست؟» و پاسخ منسجمی دریافت کنند که تحولات اخیر را ترکیب می‌کند.

استارتاپ‌ها نیز خوراک خبری منتخب هوش مصنوعی را متناسب با پرتفوی یا علایق سرمایه‌گذار ارائه می‌دهند، اغلب با نکات توضیحی. برای مثال، StockPulse به مشتریان (از جمله برخی کارگزاران) خلاصه‌های روزانه و تحلیل احساسات سهام تولید شده توسط هوش مصنوعی ارائه می‌دهد که در گزارش‌های مشتریان برای تصمیم‌گیری آگاهانه ادغام شده است.

مشاوران مالی که پرتفوی مشتریان را مدیریت می‌کنند، از تحلیل اخبار هوش مصنوعی برای به‌روز ماندن و ارتباط بهتر با مشتریان استفاده می‌کنند. مشاور می‌تواند به داشبورد هوش مصنوعی تکیه کند تا به‌روزرسانی سریع بدهد: «احساسات خبری این هفته برای دارایی‌های شما عمدتاً مثبت بود، به جز یک سهم که با مطبوعات منفی مواجه است.»

چنین بینش‌هایی می‌تواند به توضیحات دوستانه برای مشتری تبدیل شود، با کمک نمودارها یا تصاویر تولید شده توسط هوش مصنوعی. برای مثال، MarketPsych از LSEG امکان ایجاد تصاویر شهودی مانند نمودارهای احساسات-قیمت و نقشه‌های حرارتی پوشش موضوعی را فراهم می‌کند که خروجی‌های پیچیده NLP را به چیزی تبدیل می‌کند که سرمایه‌گذار نهایی می‌تواند درک کند.

این تجربه مشتری را بهبود می‌بخشد – مشاوران می‌توانند به صورت پیشگیرانه توضیح دهند که «حالت خبری» یک بخش چگونه ممکن است عملکرد را تحت تأثیر قرار دهد و در این فرآیند مشتریان را آموزش دهند. علاوه بر این، خود مشاوران نیز از هوش مصنوعی بهره‌مند می‌شوند که آنها را از اخبار کلان مطلع نگه می‌دارد. اگر رویداد ژئوپولیتیکی ناگهانی یا تغییر سیاستی رخ دهد، هشدارهای هوش مصنوعی اطمینان می‌دهد که مشاوران می‌توانند سریعاً با دیدگاه درباره تأثیر آن بر سرمایه‌گذاری‌ها با مشتریان تماس بگیرند.

هوش مصنوعی می‌تواند بینش ارائه دهد، اما تخصص انسانی برای تفسیر و اقدام لازم است. اگر هوش مصنوعی خبری را منفی علامت‌گذاری کند، تحلیل‌گر خبره هنوز آن را می‌خواند تا ظرافت‌ها و زمینه را درک کند. هوش مصنوعی ممکن است کنایه یا معانی دوگانه را از دست بدهد یا لحن را اشتباه قضاوت کند، مثلاً «سود رکوردی» ممکن است ناشی از یک درآمد حسابداری یک‌باره باشد.

سیستم‌های هوش مصنوعی به اندازه داده‌هایی که روی آن آموزش دیده‌اند خوب هستند. تعصب در منابع خبری (یا نویز شبکه‌های اجتماعی) می‌تواند در خروجی‌های هوش مصنوعی منعکس شود. باید مراقب بود که مثلاً سیل پست‌های حدسی در وبلاگ‌ها امتیاز احساسات را به اشتباه افزایش ندهد. ارائه‌دهندگان برتر این موضوع را با فیلترهای اسپم و وزن‌دهی منابع مدیریت می‌کنند، اما کاربران باید انتقادی باقی بمانند.

در بازارهای سریع، تحلیل اخبار بیشترین کاربرد را بلافاصله پس از انتشار خبر دارد. امتیاز احساسات هوش مصنوعی ۱۰ دقیقه پس از رویداد ممکن است خیلی دیر باشد اگر بازار قبلاً حرکت کرده باشد. بنابراین معامله‌گران این ابزارها را در زمان واقعی و اغلب با فیدهای مستقیم به الگوریتم‌های معاملاتی استفاده می‌کنند.

برای سرمایه‌گذاری‌های کمتر حساس به زمان (مانند تصمیمات بلندمدت)، سرعت دقیق کمتر حیاتی است، اما در این حالت نقش هوش مصنوعی به ترکیب حجم زیادی از اطلاعات برای دید کلی‌تر تغییر می‌کند.

اعتماد به هوش مصنوعی وقتی آسان‌تر است که «جعبه سیاه» کامل نباشد. بسیاری از پلتفرم‌ها اکنون توضیحاتی همراه خروجی‌های خود ارائه می‌دهند. اگر امتیاز هوش مصنوعی نشان‌دهنده «احساسات منفی» باشد، سیستم ممکن است نشان دهد کدام کلمات یا عبارات در متن به این نتیجه منجر شده‌اند (مثلاً «ورشکستگی»، «شکایت» و غیره). این برای کاربران مفید است تا استدلال هوش مصنوعی را اعتبارسنجی کنند.

دنیای مالی به سرعت تغییر می‌کند – زبان عامیانه جدید در شبکه‌های اجتماعی، شرکت‌های جدید و انواع رویدادهای تازه (چه کسی چند سال پیش «فشار فروش سهام میم» را پیش‌بینی می‌کرد؟). مدل‌های هوش مصنوعی باید به‌روزرسانی و بازآموزی شوند تا به‌روز بمانند.

ارائه‌دهندگان باید درباره فرکانس به‌روزرسانی مدل‌ها و دیکشنری‌های خود پاسخگو باشند. بهترین سیستم‌ها حلقه‌های بازخورد دارند (مثلاً خلاصه‌های هوش مصنوعی بلومبرگ به طور مداوم با مقایسه خروجی هوش مصنوعی با قضاوت ویراستاران انسانی اصلاح می‌شوند).