AI-ஆல் இயக்கப்படும் முதலீட்டு உத்திகளைக் கட்டமைத்தல்: ஒரு உலகளாவிய பார்வை

செயற்கை நுண்ணறிவு (AI) நிதித்துறையை வேகமாக மாற்றி வருகிறது, மேலும் முதலீட்டாளர்களுக்கு மிகவும் மேம்பட்ட மற்றும் பயனுள்ள முதலீட்டு உத்திகளை உருவாக்க முன்னெப்போதும் இல்லாத வாய்ப்புகளை வழங்குகிறது. இந்த கட்டுரை AI-உந்துதல் முதலீட்டு அணுகுமுறைகளை உருவாக்குவதற்கான முக்கிய பரிசீலனைகளை ஆராய்கிறது, உலகளாவிய சந்தைகள் மற்றும் பல்வேறு முதலீட்டு பாணிகளில் கவனம் செலுத்துகிறது.

முதலீட்டில் ஏன் AI-ஐ பயன்படுத்த வேண்டும்?

AI வழிமுறைகள் மனிதர்களை விட மிக விரைவாகவும் திறமையாகவும் பரந்த அளவிலான தரவை பகுப்பாய்வு செய்து, தவறவிடக்கூடிய வடிவங்களையும் நுண்ணறிவுகளையும் அடையாளம் காண முடியும். இது பின்வருவனவற்றிற்கு வழிவகுக்கும்:

• மேம்படுத்தப்பட்ட கணிப்பு துல்லியம்: AI மாதிரிகள் வரலாற்றுத் தரவுகளிலிருந்து கற்றுக்கொண்டு எதிர்கால சந்தை நகர்வுகளை அதிக துல்லியத்துடன் கணிக்க முடியும்.
• மேம்பட்ட செயல்திறன்: தானியங்கு வர்த்தக அமைப்புகள் வர்த்தகங்களை விரைவாகவும் திறமையாகவும் செயல்படுத்த முடியும், இது பரிவர்த்தனை செலவுகளைக் குறைத்து நழுவுதலை (slippage) குறைக்கிறது.
• குறைக்கப்பட்ட சார்பு: முதலீட்டு முடிவுகளை எதிர்மறையாக பாதிக்கக்கூடிய உணர்ச்சிப்பூர்வமான சார்புகளுக்கு AI வழிமுறைகள் குறைவாகவே ஆளாகின்றன.
• இடர் மேலாண்மை: சந்தை நிலைமைகளைக் கண்காணிப்பதன் மூலமும், போர்ட்ஃபோலியோ ஒதுக்கீடுகளை நிகழ்நேரத்தில் சரிசெய்வதன் மூலமும் AI இடர்களை மிகவும் திறம்பட அடையாளம் கண்டு நிர்வகிக்க முடியும்.
• தனிப்பயனாக்கப்பட்ட முதலீட்டு உத்திகள்: தனிப்பட்ட முதலீட்டாளர் விருப்பத்தேர்வுகள் மற்றும் இடர் சகிப்புத்தன்மைக்கு ஏற்ப AI முதலீட்டு உத்திகளை வடிவமைக்க முடியும்.

AI முதலீட்டு உத்தியின் முக்கிய கூறுகள்

ஒரு வெற்றிகரமான AI முதலீட்டு உத்தியை உருவாக்குவதற்கு பல முக்கிய கூறுகளை கவனமாகக் கருத்தில் கொள்ள வேண்டும்:

1. தரவு கையகப்படுத்தல் மற்றும் முன்கூட்டிய செயலாக்கம்

தரவு என்பது எந்தவொரு AI-இயங்கும் முதலீட்டு உத்தியின் உயிர்நாடியாகும். தரவின் தரம் மற்றும் அளவு AI மாதிரிகளின் செயல்திறனை நேரடியாக பாதிக்கின்றன. தரவு மூலங்கள் பின்வருவனவற்றை உள்ளடக்கியிருக்கலாம்:

• நிதித் தரவு: பங்கு விலைகள், வர்த்தக அளவு, நிதிநிலை அறிக்கைகள், பொருளாதார குறிகாட்டிகள் (GDP, பணவீக்கம், வேலையின்மை). ப்ளூம்பெர்க், ரெஃபினிட்டிவ், மற்றும் ஃபேக்ட்செட் ஆகியவற்றிலிருந்து கிடைக்கும் தரவுகள் இதற்கு எடுத்துக்காட்டுகளாகும்.
• மாற்றுத் தரவு: சமூக ஊடக உணர்வுகள், செய்தி கட்டுரைகள், செயற்கைக்கோள் படங்கள், வலை சுரண்டல் தரவு. உதாரணமாக, ஒரு குறிப்பிட்ட நிறுவனத்தைப் பற்றிய ட்விட்டர் உணர்வுகளைக் கண்காணித்து அதை பங்கு விலை நகர்வுகளுடன் தொடர்புபடுத்துதல்.
• பேரியப் பொருளாதாரத் தரவு: வட்டி விகிதங்கள், நாணய மாற்று விகிதங்கள், பொருட்களின் விலைகள். மத்திய வங்கிகள் மற்றும் IMF மற்றும் உலக வங்கி போன்ற சர்வதேச அமைப்புகளிடமிருந்து தரவுகள் உடனடியாகக் கிடைக்கின்றன.

தரவு முன்கூட்டிய செயலாக்கம் என்பது AI மாதிரிகளில் பயன்படுத்துவதற்காக தரவை சுத்தம் செய்தல், மாற்றுதல் மற்றும் தயாரித்தல் ஆகியவற்றை உள்ளடக்கிய ஒரு முக்கியமான படியாகும். இது காணாமல் போன மதிப்புகளைக் கையாளுதல், வெளிப்படையான பிழைகளை நீக்குதல் மற்றும் தரவை ஒரு சீரான அளவிற்கு இயல்பாக்குதல் ஆகியவற்றை உள்ளடக்கியிருக்கலாம். வெவ்வேறு நாடுகளில் தரவு அறிக்கை தரங்களில் உள்ள வேறுபாடுகளைக் கவனியுங்கள்; தரப்படுத்தல் முக்கியமானது.

உதாரணம்: அமெரிக்க பங்குச் சந்தை தரவுகளில் பயிற்சி பெற்ற ஒரு AI மாதிரி, சந்தை அமைப்பு மற்றும் தரவு அறிக்கை நடைமுறைகளில் உள்ள வேறுபாடுகள் காரணமாக ஜப்பானிய சந்தையில் நேரடியாகப் பயன்படுத்தும்போது மோசமாக செயல்படக்கூடும். எனவே, தரவு மாதிரிக்கு ஏற்றதாக இருப்பதை உறுதிசெய்ய கவனமான தரவு முன்கூட்டிய செயலாக்கம் அவசியம்.

2. வழிமுறைத் தேர்வு

முதலீட்டு உத்திகளில் பரந்த அளவிலான AI வழிமுறைகளைப் பயன்படுத்தலாம், ஒவ்வொன்றும் அதன் சொந்த பலம் மற்றும் பலவீனங்களைக் கொண்டுள்ளன. சில பிரபலமான வழிமுறைகள் பின்வருமாறு:

• பின்னடைவு மாதிரிகள் (Regression Models): பங்கு விலைகள் அல்லது எதிர்கால வருவாய் போன்ற தொடர்ச்சியான மாறிகளைக் கணிக்கப் பயன்படுகிறது. நேரியல் பின்னடைவு, பல்லுறுப்புக்கோவை பின்னடைவு, மற்றும் ஆதரவு திசையன் பின்னடைவு ஆகியவை பொதுவான எடுத்துக்காட்டுகள்.
• வகைப்படுத்தல் மாதிரிகள் (Classification Models): சிறப்பாக செயல்படக்கூடிய அல்லது மோசமாக செயல்படக்கூடிய பங்குகளை அடையாளம் காண்பது போன்ற தரவுகளை வகைப்படுத்தப் பயன்படுகிறது. லாஜிஸ்டிக் பின்னடைவு, முடிவு மரங்கள், மற்றும் ரேண்டம் ஃபாரஸ்ட் ஆகியவை பிரபலமான தேர்வுகள்.
• நரம்பியல் நெட்வொர்க்குகள் (Neural Networks): தரவுகளில் உள்ள சிக்கலான வடிவங்களைக் கற்றுக்கொள்ளக்கூடிய சக்திவாய்ந்த வழிமுறைகள். தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் (RNNs) நேரத் தொடர் பகுப்பாய்விற்குப் பயன்படுத்தப்படுகின்றன, அதே நேரத்தில் சுழற்சி நரம்பியல் நெட்வொர்க்குகள் (CNNs) படங்கள் மற்றும் உரையை பகுப்பாய்வு செய்ய பயனுள்ளதாக இருக்கும். டிரான்ஸ்ஃபார்மர்களைப் பயன்படுத்துவதைக் கருத்தில் கொள்ளுங்கள், இவை உரை மற்றும் நேரத் தொடர் போன்ற வரிசைமுறைத் தரவுகளைக் கையாள்வதில் குறிப்பாக சிறந்தவை, மேலும் அவை பெரும்பாலும் மிகப்பெரிய தரவுத்தொகுப்புகளில் முன்பே பயிற்சி பெற்றவை.
• வலுவூட்டல் கற்றல் (Reinforcement Learning): சோதனை மற்றும் பிழை மூலம் கற்றுக் கொள்ளும் வழிமுறைகள், காலப்போக்கில் முதலீட்டு முடிவுகளை மேம்படுத்துகின்றன. இவை பெரும்பாலும் தானியங்கு வர்த்தக அமைப்புகளுக்குப் பயன்படுத்தப்படுகின்றன.
• கொத்துப்படுத்தல் வழிமுறைகள் (Clustering Algorithms): ஒரே மாதிரியான சொத்துக்களை ஒன்றாகக் குழுவாக்கப் பயன்படுகிறது, இது போர்ட்ஃபோலியோ பல்வகைப்படுத்தலுக்கு பயனுள்ளதாக இருக்கும். K-மீன்ஸ் கொத்துப்படுத்தல் மற்றும் படிநிலை கொத்துப்படுத்தல் ஆகியவை பொதுவான முறைகள்.

வழிமுறையின் தேர்வு குறிப்பிட்ட முதலீட்டு சிக்கல் மற்றும் தரவின் பண்புகளைப் பொறுத்தது. வெவ்வேறு வழிமுறைகளுடன் பரிசோதனை செய்து, பொருத்தமான அளவீடுகளைப் பயன்படுத்தி வரலாற்றுத் தரவுகளில் அவற்றின் செயல்திறனை மதிப்பீடு செய்வது முக்கியம்.

உதாரணம்: ஒரு ஹெட்ஜ் நிதி (hedge fund) வரலாற்று விலை தரவு மற்றும் செய்தி கட்டுரைகளின் அடிப்படையில் ஒரு பங்கின் விலையை கணிக்க ஒரு தொடர்ச்சியான நரம்பியல் நெட்வொர்க்கை (RNN) பயன்படுத்தலாம். இந்த RNN ஆனது வரலாற்றுத் தரவு மற்றும் செய்தி கட்டுரைகளின் ஒரு பெரிய தரவுத்தொகுப்பில் பயிற்சி அளிக்கப்படும், மேலும் எதிர்கால விலை நகர்வுகளைக் கணிக்கக்கூடிய வடிவங்களை அடையாளம் காணக் கற்றுக் கொள்ளும்.

3. மாதிரி பயிற்சி மற்றும் சரிபார்ப்பு

ஒரு வழிமுறை தேர்ந்தெடுக்கப்பட்டவுடன், அது வரலாற்றுத் தரவுகளில் பயிற்சி அளிக்கப்பட வேண்டும். தரவு பொதுவாக மூன்று தொகுப்புகளாகப் பிரிக்கப்படுகிறது:

• பயிற்சித் தொகுப்பு: AI மாதிரிக்கு பயிற்சி அளிக்கப் பயன்படுகிறது.
• சரிபார்ப்புத் தொகுப்பு: மாதிரியின் உயர் அளவுருக்களை (hyperparameters) சரிசெய்து, அதிகப் பொருத்தத்தைத் (overfitting) தடுக்கப் பயன்படுகிறது. மாதிரி பயிற்சித் தரவை மிக நன்றாகக் கற்றுக்கொண்டு புதிய தரவுகளில் மோசமாகச் செயல்படும்போது அதிகப் பொருத்தம் ஏற்படுகிறது.
• சோதனைத் தொகுப்பு: காணாத தரவுகளில் மாதிரியின் இறுதிச் செயல்திறனை மதிப்பீடு செய்யப் பயன்படுகிறது.

மாதிரி புதிய தரவுகளுக்கு நன்றாக பொதுமைப்படுத்துகிறது மற்றும் பயிற்சித் தரவை வெறுமனே மனப்பாடம் செய்யவில்லை என்பதை உறுதிப்படுத்த ஒரு வலுவான சரிபார்ப்பு செயல்முறையைப் பயன்படுத்துவது முக்கியம். கே-மடிப்பு குறுக்கு சரிபார்ப்பு (k-fold cross-validation) மற்றும் நேரத் தொடர் குறுக்கு சரிபார்ப்பு ஆகியவை பொதுவான சரிபார்ப்பு நுட்பங்களாகும்.

உதாரணம்: ஒரு அளவு ஆய்வாளர் (quantitative analyst) பங்கு வருமானத்தை கணிப்பதற்கான ஒரு பின்னடைவு மாதிரியின் (regression model) செயல்திறனை மதிப்பீடு செய்ய கே-மடிப்பு குறுக்கு சரிபார்ப்பைப் பயன்படுத்தலாம். தரவு கே மடிப்புகளாகப் பிரிக்கப்படும், மேலும் மாதிரி கே-1 மடிப்புகளில் பயிற்சி அளிக்கப்பட்டு மீதமுள்ள மடிப்பில் சோதிக்கப்படும். இந்த செயல்முறை கே முறை மீண்டும் செய்யப்படும், ஒவ்வொரு மடிப்பும் ஒரு முறை சோதனைத் தொகுப்பாகப் பயன்படுத்தப்படும். அனைத்து கே மடிப்புகளிலும் உள்ள சராசரி செயல்திறன் மாதிரியின் ஒட்டுமொத்த செயல்திறனை மதிப்பீடு செய்யப் பயன்படுத்தப்படும்.

4. பின்தேர்வு (Backtesting) மற்றும் இடர் மேலாண்மை

ஒரு AI முதலீட்டு உத்தியை நிஜ உலகில் வரிசைப்படுத்துவதற்கு முன்பு, வரலாற்றுத் தரவுகளில் அந்த உத்தியை பின்தேர்வு செய்வது அவசியம். பின்தேர்வு என்பது ஒரு வரலாற்று காலகட்டத்தில் உத்தியின் செயல்திறனை உருவகப்படுத்துவதன் மூலம் அதன் லாபம், இடர் சுயவிவரம் மற்றும் வலுவான தன்மையை மதிப்பிடுவதை உள்ளடக்கியது.

இடர் மேலாண்மை என்பது எந்தவொரு AI முதலீட்டு உத்தியின் ஒரு முக்கியமான அங்கமாகும். AI மாதிரிகள் சந்தை நிலைமைகளைக் கண்காணிப்பதன் மூலமும், நிகழ்நேரத்தில் போர்ட்ஃபோலியோ ஒதுக்கீடுகளைச் சரிசெய்வதன் மூலமும் இடர்களை மிகவும் திறம்பட அடையாளம் கண்டு நிர்வகிக்கப் பயன்படுத்தப்படலாம். பொதுவான இடர் மேலாண்மை நுட்பங்கள் பின்வருமாறு:

• இடரில் உள்ள மதிப்பு (Value at Risk - VaR): ஒரு குறிப்பிட்ட காலப்பகுதியில் ஒரு குறிப்பிட்ட நம்பிக்கை மட்டத்தில் ஒரு போர்ட்ஃபோலியோவின் மதிப்பில் ஏற்படக்கூடிய சாத்தியமான இழப்பை அளவிடுகிறது.
• நிபந்தனைக்குட்பட்ட இடரில் உள்ள மதிப்பு (Conditional Value at Risk - CVaR): இழப்பு VaR வரம்பை மீறுகிறது என்ற நிபந்தனையின் கீழ் எதிர்பார்க்கப்படும் இழப்பை அளவிடுகிறது.
• அழுத்த சோதனை (Stress Testing): போர்ட்ஃபோலியோ செயல்திறனில் தீவிர சந்தை நிகழ்வுகளின் தாக்கத்தை உருவகப்படுத்துகிறது.

உதாரணம்: ஒரு போர்ட்ஃபோலியோ மேலாளர் ஒரு AI-உந்துதல் முதலீட்டு போர்ட்ஃபோலியோவின் சாத்தியமான கீழ்நோக்கிய இடரை மதிப்பிடுவதற்கு இடரில் உள்ள மதிப்பை (Value at Risk - VaR) பயன்படுத்தலாம். இந்த VaR ஒரு குறிப்பிட்ட காலப்பகுதியில் ஒரு குறிப்பிட்ட நிகழ்தகவுடன் (எ.கா., 95% நம்பிக்கை நிலை) போர்ட்ஃபோலியோ அனுபவிக்கக்கூடிய அதிகபட்ச இழப்பை மதிப்பிடும். போர்ட்ஃபோலியோ மேலாளர் இந்தத் தகவலைப் பயன்படுத்தி போர்ட்ஃபோலியோவின் சொத்து ஒதுக்கீட்டை சரிசெய்யலாம் அல்லது சாத்தியமான இழப்புகளுக்கு எதிராகப் பாதுகாக்கலாம்.

5. வரிசைப்படுத்தல் மற்றும் கண்காணிப்பு

ஒரு AI முதலீட்டு உத்தி முழுமையாக சோதிக்கப்பட்டு சரிபார்க்கப்பட்டவுடன், அதை ஒரு நேரடி வர்த்தக சூழலில் வரிசைப்படுத்தலாம். இது AI மாதிரியை ஒரு வர்த்தக தளத்துடன் ஒருங்கிணைத்து வர்த்தகங்களை தானாக செயல்படுத்துவதை உள்ளடக்கியது.

AI மாதிரி எதிர்பார்த்தபடி செயல்படுகிறதா என்பதை உறுதி செய்வதற்கும், ஏதேனும் சாத்தியமான சிக்கல்களை அடையாளம் காண்பதற்கும் தொடர்ச்சியான கண்காணிப்பு அவசியம். இது மாதிரியின் செயல்திறன் அளவீடுகளான துல்லியம், லாபம் மற்றும் இடர்-சரிசெய்யப்பட்ட வருமானம் போன்றவற்றைக் கண்காணிப்பதை உள்ளடக்கியது. இது தரவுத் தரம் மற்றும் சந்தை நிலைமைகள் போன்ற மாதிரியின் உள்ளீடுகளையும் கண்காணிப்பதை உள்ளடக்கியது.

உதாரணம்: ஒரு வர்த்தக நிறுவனம் அந்நிய செலாவணி சந்தையில் தானாக வர்த்தகங்களைச் செயல்படுத்த AI-உந்துதல் வர்த்தக அமைப்பை வரிசைப்படுத்தலாம். இந்த அமைப்பு தொடர்ந்து சந்தை நிலைமைகளைக் கண்காணித்து, AI மாதிரியின் கணிப்புகளின் அடிப்படையில் வர்த்தகங்களைச் செயல்படுத்தும். நிறுவனம் அதன் செயல்திறன் அளவீடுகளையும் கண்காணித்து, அது லாபகரமான வர்த்தகங்களை உருவாக்குகிறது மற்றும் இடரை திறம்பட நிர்வகிக்கிறது என்பதை உறுதி செய்யும்.

AI முதலீட்டிற்கான உலகளாவிய பரிசீலனைகள்

உலகளாவிய சந்தைகளுக்கான AI முதலீட்டு உத்திகளைக் கட்டமைக்கும்போது, பின்வரும் காரணிகளைக் கருத்தில் கொள்வது அவசியம்:

1. தரவு கிடைக்கும் தன்மை மற்றும் தரம்

வெவ்வேறு நாடுகள் மற்றும் சந்தைகளில் தரவு கிடைக்கும் தன்மை மற்றும் தரம் கணிசமாக வேறுபடலாம். சில வளர்ந்து வரும் சந்தைகளில், தரவு குறைவாகவோ அல்லது நம்பமுடியாததாகவோ இருக்கலாம். ஒரு குறிப்பிட்ட சந்தைக்கு AI முதலீட்டு உத்தியை உருவாக்குவதற்கு முன்பு தரவுத் தரம் மற்றும் கிடைக்கும் தன்மையை கவனமாக மதிப்பிடுவது முக்கியம். உதாரணமாக, வளர்ந்து வரும் சந்தைகளில் சிறிய மூலதனமயமாக்கல் பங்குகளுக்கு தரவு குறைவாகக் கிடைக்கலாம்.

2. சந்தை அமைப்பு மற்றும் ஒழுங்குமுறைகள்

சந்தை அமைப்பு மற்றும் ஒழுங்குமுறைகளும் வெவ்வேறு நாடுகளில் வேறுபடலாம். உதாரணமாக, சில சந்தைகளில் குறுகிய விற்பனை (short selling) அல்லது அதி-அதிர்வெண் வர்த்தகத்திற்கு (high-frequency trading) கட்டுப்பாடுகள் இருக்கலாம். ஒரு குறிப்பிட்ட சந்தையில் AI முதலீட்டு உத்தியை வரிசைப்படுத்துவதற்கு முன்பு சந்தை அமைப்பு மற்றும் ஒழுங்குமுறைகளைப் புரிந்துகொள்வது அவசியம்.

3. மொழி மற்றும் கலாச்சார வேறுபாடுகள்

மொழி மற்றும் கலாச்சார வேறுபாடுகளும் AI முதலீட்டு உத்திகளின் செயல்திறனைப் பாதிக்கலாம். உதாரணமாக, ஆங்கிலச் செய்திக் கட்டுரைகளில் பயிற்சி பெற்ற உணர்வுப் பகுப்பாய்வு மாதிரிகள் பிற மொழிகளில் உள்ள செய்திக் கட்டுரைகளில் சிறப்பாக செயல்படாமல் போகலாம். உலகளாவிய சந்தைகளுக்கான AI மாதிரிகளைக் கட்டமைக்கும்போது மொழி மற்றும் கலாச்சார வேறுபாடுகளைக் கருத்தில் கொள்வது அவசியம். NLP மாதிரிகள் வெவ்வேறு மொழிகளுக்கு ஏற்றவாறு முறையாகப் பயிற்சி அளிக்கப்பட வேண்டும்.

4. நாணய இடர்

உலகளாவிய சந்தைகளில் முதலீடு செய்வது நாணய இடரை உள்ளடக்கியது, இது மாற்று விகிதங்களில் ஏற்படும் மாற்றங்கள் முதலீட்டு வருமானத்தை எதிர்மறையாக பாதிக்கும் அபாயமாகும். சாத்தியமான நாணய ஏற்ற இறக்கங்களுக்கு எதிராகப் பாதுகாப்பதன் மூலம் நாணய இடரை நிர்வகிக்க AI மாதிரிகளைப் பயன்படுத்தலாம். வெவ்வேறு நாடுகளில் உள்ள சொத்து மதிப்பீட்டில் வெவ்வேறு பணவீக்க விகிதங்களின் தாக்கத்தையும் கருத்தில் கொள்ளுங்கள்.

5. புவிசார் அரசியல் இடர்

அரசியல் ஸ்திரத்தன்மை, வர்த்தகப் போர்கள் மற்றும் இராணுவ மோதல்கள் போன்ற புவிசார் அரசியல் நிகழ்வுகள் உலகளாவிய சந்தைகளில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தும். தொடர்புடைய தகவல்களுக்கு செய்தி ஊட்டங்கள் மற்றும் சமூக ஊடகங்களைக் கண்காணிப்பதன் மூலம் புவிசார் அரசியல் இடரை மதிப்பிடவும் நிர்வகிக்கவும் AI மாதிரிகளைப் பயன்படுத்தலாம். புவிசார் அரசியல் இடர் விரைவாக மாறக்கூடும் என்பதை அறிந்து கொள்ளுங்கள், இதனால் மாதிரிகள் விரைவாகத் தழுவ வேண்டியிருக்கும்.

AI முதலீட்டில் நெறிமுறைப் பரிசீலனைகள்

முதலீட்டில் AI-இன் பயன்பாடு பல நெறிமுறைப் பரிசீலனைகளை எழுப்புகிறது. AI முதலீட்டு உத்திகள் நியாயமானவை, வெளிப்படையானவை மற்றும் பொறுப்புக்கூறக்கூடியவை என்பதை உறுதி செய்வது முக்கியம். சில முக்கிய நெறிமுறைப் பரிசீலனைகள் பின்வருமாறு:

• சார்பு: AI மாதிரிகள் பக்கச்சார்பான தரவுகளில் பயிற்சி அளிக்கப்பட்டால், அவை பக்கச்சார்பாக இருக்கலாம். AI மாதிரிகளுக்குப் பயிற்சி அளிக்கப் பயன்படுத்தப்படும் தரவு பகுப்பாய்வு செய்யப்படும் மக்கள்தொகையைப் பிரதிநிதித்துவப்படுத்துகிறது என்பதை உறுதி செய்வதும், சாத்தியமான சார்புகளைத் தணிப்பதும் முக்கியம்.
• வெளிப்படைத்தன்மை: AI மாதிரிகள் சிக்கலானவையாகவும் புரிந்துகொள்வதற்குக் கடினமானவையாகவும் இருக்கலாம். AI மாதிரிகளை முடிந்தவரை வெளிப்படையானதாக மாற்றுவது முக்கியம், இதனால் முதலீட்டாளர்கள் அவை எவ்வாறு செயல்படுகின்றன மற்றும் அவற்றின் முடிவுகளைப் பாதிக்கும் காரணிகள் என்ன என்பதைப் புரிந்துகொள்ள முடியும்.
• பொறுப்புக்கூறல்: AI முதலீட்டு முடிவுகளுக்கு தெளிவான பொறுப்புக்கூறல் வரம்புகளை நிறுவுவது முக்கியம். ஒரு AI மாதிரி தவறு செய்தால், அந்தத் தவறுக்கான காரணத்தை அடையாளம் கண்டு சரிசெய்தல் நடவடிக்கைகளை எடுக்க முடிவது முக்கியம்.
• வேலை இடப்பெயர்ச்சி: AI மூலம் முதலீட்டு செயல்முறைகளை தானியக்கமாக்குவது நிதித்துறையில் வேலை இடப்பெயர்ச்சிக்கு வழிவகுக்கும். AI-இன் சமூக தாக்கத்தைக் கருத்தில் கொள்வதும், AI-ஆல் இடம்பெயர்ந்த தொழிலாளர்களுக்கு மறுபயிற்சி வாய்ப்புகளை வழங்குவதும் முக்கியம்.

AI முதலீட்டு உத்திகளின் எடுத்துக்காட்டுகள்

இன்று முதலீட்டு உத்திகளில் AI எவ்வாறு பயன்படுத்தப்படுகிறது என்பதற்கான சில எடுத்துக்காட்டுகள் இங்கே:

• வழிமுறை வர்த்தகம்: முன் வரையறுக்கப்பட்ட விதிகளின் அடிப்படையில் தானாக வர்த்தகங்களைச் செயல்படுத்த AI-ஐப் பயன்படுத்துதல். இது மிகக் குறுகிய கால சந்தை திறமையின்மைகளைப் பயன்படுத்தும் அதி-அதிர்வெண் வர்த்தக உத்திகளை உள்ளடக்கியிருக்கலாம்.
• உணர்வுப் பகுப்பாய்வு: முதலீட்டாளர் உணர்வுகளை அளவிடுவதற்கும் சந்தை நகர்வுகளைக் கணிப்பதற்கும் செய்தி கட்டுரைகள், சமூக ஊடக இடுகைகள் மற்றும் பிற உரை மூலங்களை பகுப்பாய்வு செய்ய AI-ஐப் பயன்படுத்துதல். உதாரணமாக, ஒரு நிறுவனத்தின் வருவாய் வெளியீட்டைச் சுற்றியுள்ள உணர்வுகளை அளவிட NLP-ஐப் பயன்படுத்துதல்.
• காரணி முதலீடு: மதிப்பு, வளர்ச்சி, வேகம் மற்றும் தரம் போன்ற பல்வேறு காரணிகளின் அடிப்படையில் பங்குகளை அடையாளம் கண்டு தேர்ந்தெடுக்க AI-ஐப் பயன்படுத்துதல். காரணிகளுக்கு இடையிலான சிக்கலான தொடர்புகளை அடையாளம் காண AI உதவ முடியும்.
• போர்ட்ஃபோலியோ மேம்படுத்தல்: முதலீட்டாளர் இடர் விருப்பத்தேர்வுகள் மற்றும் சந்தை நிலைமைகளின் அடிப்படையில் போர்ட்ஃபோலியோ ஒதுக்கீடுகளை மேம்படுத்த AI-ஐப் பயன்படுத்துதல். பாரம்பரிய மேம்படுத்தல் முறைகளை விட AI அதிக எண்ணிக்கையிலான சொத்துக்கள் மற்றும் கட்டுப்பாடுகளைக் கையாள முடியும்.
• மோசடி கண்டறிதல்: மோசடியான பரிவர்த்தனைகளைக் கண்டறிந்து நிதிக்குற்றங்களைத் தடுக்க AI-ஐப் பயன்படுத்துதல்.

முதலீட்டில் AI-இன் எதிர்காலம்

முதலீட்டின் எதிர்காலத்தில் AI ஒரு பெருகிய முறையில் முக்கிய பங்கு வகிக்கத் தயாராக உள்ளது. AI தொழில்நுட்பம் தொடர்ந்து வளர்ச்சியடைந்து வருவதால், இன்னும் அதிநவீன மற்றும் பயனுள்ள AI முதலீட்டு உத்திகள் வெளிவரும் என்று நாம் எதிர்பார்க்கலாம். சில சாத்தியமான எதிர்கால முன்னேற்றங்கள் பின்வருமாறு:

• மிகவும் அதிநவீன AI வழிமுறைகள்: குவாண்டம் இயந்திரக் கற்றல் போன்ற புதிய வழிமுறைகள் இன்னும் ಹೆಚ್ಚಿನ கணிப்பு சக்தியைத் திறக்கக்கூடும்.
• தரவின் அதிக கிடைக்கும் தன்மை: மாற்றுத் தரவு மூலங்களின் அதிகரித்து வரும் கிடைக்கும் தன்மை AI மாதிரிகளுக்குக் கற்றுக்கொள்ள அதிக தகவல்களை வழங்கும்.
• மேம்படுத்தப்பட்ட கணினி சக்தி: கணினி சக்தியில் ஏற்படும் முன்னேற்றங்கள் AI மாதிரிகளை பெரிய தரவுத்தொகுப்புகளைச் செயல்படுத்தவும் மேலும் சிக்கலான கணக்கீடுகளை இயக்கவும் உதவும்.
• நிறுவன முதலீட்டாளர்களால் AI-இன் அதிகரித்த தத்தெடுப்பு: AI மிகவும் பிரதானமாக மாறும்போது, ​​அதிக நிறுவன முதலீட்டாளர்கள் AI-உந்துதல் முதலீட்டு உத்திகளைத் தத்தெடுப்பார்கள்.

முடிவுரை

AI-ஆல் இயக்கப்படும் முதலீட்டு உத்திகளைக் கட்டமைப்பதற்கு நிதி, தரவு அறிவியல் மற்றும் மென்பொருள் பொறியியல் ஆகியவற்றில் நிபுணத்துவத்தை இணைக்கும் ஒரு பல்துறை அணுகுமுறை தேவைப்படுகிறது. இந்தக் கட்டுரையில் கோடிட்டுக் காட்டப்பட்டுள்ள முக்கிய கூறுகளை கவனமாகக் கருத்தில் கொண்டு, நெறிமுறைப் பரிசீலனைகளைக் கையாள்வதன் மூலம், முதலீட்டாளர்கள் உலகளாவிய சந்தைகளில் சிறந்த வருமானத்தை உருவாக்கக்கூடிய மிகவும் வலுவான மற்றும் பயனுள்ள முதலீட்டு உத்திகளைக் கட்டமைக்க AI-ஐப் பயன்படுத்தலாம். முதலீட்டு நிர்வாகத்தின் எதிர்காலம் மறுக்கமுடியாமல் செயற்கை நுண்ணறிவின் முன்னேற்றங்களுடன் பின்னிப் பிணைந்துள்ளது. இந்தத் தொழில்நுட்பங்களைத் தழுவி திறம்படச் செயல்படுத்தும் நிறுவனங்கள் வரும் ஆண்டுகளில் வெற்றிக்கு சிறந்த நிலையில் இருக்கும்.