آینده روشن بورس با هوش مصنوعی

به گزارش خبرنگار حوزه علم، فناوری و دانش‌بنيان گروه دانشگاه خبرگزاری آنا، هوش مصنوعی در ابعاد مختلف زندگی روزمره ما به کار می‌رود. به‌عنوان‌مثال می‌توان به سیری و الکسا برای حل مشکل ساده‌مان یا صرفاً سرگرمی نگاه کنیم، فید فیس‌بوک که محتوا را بر اساس علایق شما تنظیم می‌کند، نمونه دیگری از به‌کارگیری هوش مصنوعی در زندگی روزمره است. چت روبات‌ها در وب‌سایت‌ها برای پرسش و پاسخ عالی هستند و بدون حضور نیروی انسانی، به پرسش‌ها پاسخ می‌دهند.

یکی از حوزه‌هایی که خصوصاً در ماه‌های اخیر موردتوجه فعالان غیرحرفه‌ای اقتصادی قرار گرفته است، سرمایه‌گذاری در بازار بورس است. افراد در تلاش‌اند با خریدوفروش سهام شرکت‌های مختلف، سرمایه خود را ارتقاء دهند. بازار بورس نیازمند نوعی سواد اقتصادی است که متأسفانه هنوز در بین تعداد زیادی از افراد ترویج نیافته است. یکی از فناوری‌هایی که قابل پیش‌بینی است که به‌زودی و به‌سرعت در ایران موفق شود، هوش مصنوعی خواهد بود. این فناوری قادر است عطف به سوابق و الگوهای اقتصادی، نسبت به آنچه در آینده رخ خواهد داد به یک پیش‌بینی برسد و هرچند این پیش‌بینی، قطعی نخواهد بود اما به‌طور قابل‌اعتمادی می‌توان فرض را بر این گذاشت که در اکثریت مواقع درست عمل خواهد کرد. اما هوش مصنوعی چطور می‌تواند به چنین آگاهی‌ برسد؟

یادگیری ماشین

هنگامی‌که بتوانیم به دستگاه‌های کامپیوتری چیزی را بیاموزیم، درواقع فرایند یادگیری ماشین اتفاق افتاده است. برای مثال هنگامی‌که یک دستگاه با یک پرتقال روبرو شد، بدون اینکه به آن مستقیماً گفته شود که یک پرتقال دیده است، از روی کروی بودن، گِرد بودن و نارنجی بودن پی به ماهیت آن ببرد. برای هوش مصنوعی دو نوع یادگیری ماشین عمده وجود دارد؛ یادگیری نظارت‌شده و بدون نظارت.

یادگیری نظارت‌شده زمانی اتفاق می‌افتد که یک ناظر برای راهنمایی یادگیری ماشین وجود داشته باشد، یعنی متغیرهای ورودی و خروجی در کنار هم تهیه و عملاً نقشه‌برداری شوند. از سوی دیگر، یادگیری بدون نظارت، جایی است که به هوش مصنوعی اطلاعاتی داده می‌شود که مرتب نشده است.

یادگیری نظارت‌شده

وقتی از یادگیری نظارت‌شده استفاده می‌کنیم که اطلاعات با ورودی همراه باشند و بخشی از فرایند یادگیری ماشین به‌وسیله‌ی این ورودی‌ها رقم بخورد. بنابراین در یادگیری نظارت‌شده متغیرهای ورودی و خروجی مشخص هستند و هوش مصنوعی براساس این داده‌های اولیه کار می‌کند.

علاوه بر این، باید یک پایگاه داده عظیم پاسخ‌دهی (به‌عنوان‌مثال بانک اطلاعاتی توئیتر) وجود داشته باشد که از قبل داده‌هایی را برای تمایز بین پست‌های خوب یا بد در نظر بگیرد. یادگیری نظارت‌شده همچنین در پردازش زبان خوب عمل می‌کند زیرا جواب‌ها کاملاً صریح هستند و هوش مصنوعی می‌تواند به‌راحتی جواب‌های صحیح یا غلط را تشخیص دهد.

یادگیری بدون نظارت

از سوی دیگر، یادگیری بدون نظارت، جایی است که به هوش مصنوعی اطلاعاتی داده می‌شود که مرتب نشده‌اند. دراینجا هیچ ناظری وجود ندارد و این هوش مصنوعی می‌تواند بدون راهنمایی بر روی اطلاعات کار کند. یادگیری بدون نظارت بهترین راه برای شناخت الگوها است. به‌عنوان‌مثال، شبکه‌های عصبی مجموعه‌ای از الگوریتم‌ها هستند که عملکرد نورون‌ها را در مغز انسان تقلید می‌کنند تا الگوها را تشخیص دهند.

چنین الگوی شناختی توسط هوش مصنوعی برای یادگیری بازی‌ها نیز استفاده می‌شود، برای مثال هوش مصنوعی ‌آی‌بی‌ام بدین طریق توانست خبره‌ترین بازیکنان شطرنج یعنی «گری کاسپاروف» را شکست دهد. یا به کمک توانایی یادگیری هوش مصنوعی در بازی GO، در رقابت بین هوش مصنوعی شرکت گوگل یعنی AlphaGo  و فردی به نام «لی‌سدول» بازیکن سرشناس کره‌ای که 18 بار قهرمانی جهانی این بازی را در کارنامه داشت، در مارس 2016، هوش مصنوعی پیروز رقابت بود. این قابلیت هوش مصنوعی به‌سرعت نشان داد که این فناوری بر اساس انجام عمل یادگیری می‌تواند خوب عمل کند و امکان پیشرفت در طول مسیر برایش فراهم ‌شود.

اگرچه یادگیری بدون نظارت نسبت به یادگیری نظارت‌شده نسبتاً بیشتر طول می‌کشد تا کارش را انجام دهد، اما این تکنیک به هوش مصنوعی اجازه می‌دهد تا بسیاری از آموزش‌ها را برای حل مشکل از طریق تست و خطا یاد بگیرد، و این قابلیت به آن اجازه می‌دهد تا بهترین و کارآمدترین راه را برای حل یک مشکل خاص انتخاب کند.

از این صحبت‌ها می‌توانیم نتیجه بگیریم استفاده از یادگیری بدون نظارت برای تجارت سودمندتر خواهد بود زیرا هیچ پاسخ صحیحی یا غلط در تجارت وجود ندارد و تعداد بی‌شماری از احتمالات و جایگشت‌ها در بازار تجارت وجود دارد. دو روش برای تحلیل بازار معاملات وجود دارد؛ تجزیه‌وتحلیل بنیادی و تجزیه‌وتحلیل فنی. در اینجا به تجزیه‌وتحلیل فنی خواهیم پرداخت.

تجزیه‌وتحلیل فنی

تجزیه‌وتحلیل فنی به معنی پیش‌بینی قیمت آینده بازار بر اساس الگوهای قبلی بازار است. یک مثال شاخص ساده‌ای همچون میانگین حرکت‌نمایی (EMA) برای پیش‌بینی روندهای آینده است که در تصویر نشان داده شده است. با استفاده از EMA، سرمایه‌گذاران قادر به پیش‌بینی زمان مناسب برای فروش یا خرید سهام خواهند بود. ما می‌توانیم سهام را در نقطه‌ی 2 بخریم و وقتی قیمت بالاتر از 3 یا 4 رفت، آن را بفروشیم.

چرا از آنالیز فنی استفاده می‌کنیم؟ این امر به این دلیل است که ما می‌توانیم پیش‌بینی کنیم که چگونه افراد بر اساس رفتارهای خود از طریق برنامه‌نویسی زبان‌شناسی عصبی (NLP) فکر می‌کنند. با توجه به رفتارهای قبلی افراد که منجر به الگوی خاصی از روند بازار می‌شود، برای هوش مصنوعی امکان استفاده از این داده‌های تاریخی موجود فراهم شده است تا پیش‌بینی‌های دقیق‌تری برای قیمت‌های بازار آینده انجام دهند.

 اگر واقعیت متفاوت از آب درآمد، هوش مصنوعی قادر خواهد بود این کار را به‌عنوان یک فرایند تست و خطا در نظر بگیرد و خود بیاموزد که در آینده نیز پیش‌بینی‌های دقیق‌تری انجام دهد.

به‌عنوان نمونه‌ای از شاخص پیچیده‌تر در این حوزه می‌توان به ابر ایچی موکو (یک روش تجزیه‌وتحلیل ژاپنی برای استفاده در بازارهای مالی و سرمایه است) اشاره کرد. اساساً، ابر بسته به موقعیت مکانی قیمت در رابطه با ابر، روند را پیش‌بینی می‌کند. اطلاعات موجود در مورد ابر ایچی موکو نشان‌دهنده رفتارهای افراد است و به ما می‌گوید که چه زمانی باید سهام را بفروشیم یا بخریم.

با استفاده از تجزیه‌وتحلیل فنی، می‌توانیم مدل هوش مصنوعی را برای استفاده از قیمت‌های گذشته‌ بازار آموزش دهیم تا به کمک یک مدل ریاضی و احتمالات، قیمت‌های آینده را با دقت بیشتری بتوان پیش‌بینی کرد.

پژوهشگران و توسعه‌دهندگان هوش مصنوعی، داده‌های تاریخیِ بازار تجارت را به‌عنوان یک پایگاه داده‌ها، در کنار توابع ریاضی با استفاده از زبان برنامه‌نویسی پایتون وارد فرایند یادگیری ماشین می‌کنند. پایتون یک زبان برنامه‌نویسی است که می‌تواند برای اهداف گوناگون مانند توسعه وب و توسعه نرم‌افزار استفاده شود. پس از تولید برنامه باید اجازه داد تا داده‌ها پردازش شوند و شبکه عصبی هوش مصنوعی، آن را در مراحل مختلف بگذراند. به‌این‌ترتیب می‌توانیم از هوش مصنوعی استفاده کنیم تا به ما کمک کند در بازار سهام سرمایه‌گذاری کند.

انتهای پیام/4112/