செயற்கை நுண்ணறிவு-சார்ந்த முதலீட்டு உத்திகளை உருவாக்குதல்: ஒரு உலகளாவிய வழிகாட்டி

செயற்கை நுண்ணறிவு (AI) உலகெங்கிலும் உள்ள தொழில்களில் புரட்சியை ஏற்படுத்தி வருகிறது, மேலும் முதலீட்டு உலகமும் இதற்கு விதிவிலக்கல்ல. செயற்கை நுண்ணறிவு-சார்ந்த முதலீட்டு உத்திகள் அதிக வரவேற்பைப் பெற்று, சிறந்த வருமானம், குறைந்த இடர் மற்றும் அதிகரித்த செயல்திறனுக்கான வாய்ப்பை வழங்குகின்றன. இந்த வழிகாட்டி, உலகளாவிய சந்தைகளுக்கு செயற்கை நுண்ணறிவு-சார்ந்த முதலீட்டு உத்திகளை எவ்வாறு உருவாக்குவது மற்றும் செயல்படுத்துவது என்பது குறித்த விரிவான கண்ணோட்டத்தை வழங்குகிறது.

முதலீட்டில் செயற்கை நுண்ணறிவின் நிலப்பரப்பைப் புரிந்துகொள்ளுதல்

செயற்கை நுண்ணறிவு உத்திகளை உருவாக்கும் விவரங்களுக்குள் செல்வதற்கு முன், தற்போதைய நிலப்பரப்பையும், முதலீட்டுத் துறையில் செயற்கை நுண்ணறிவு பயன்படுத்தப்படும் பல்வேறு வழிகளையும் புரிந்துகொள்வது மிகவும் முக்கியம்.

முதலீட்டு நிர்வாகத்தில் AI-யின் முக்கியப் பயன்பாடுகள்:

• அல்காரிதமிக் வர்த்தகம்: AI அல்காரிதம்கள் முன்வரையறுக்கப்பட்ட விதிகள் மற்றும் சந்தை நிலைகளின் அடிப்படையில் வர்த்தகங்களைச் செயல்படுத்துகின்றன, இது பெரும்பாலும் மனித திறன்களுக்கு அப்பாற்பட்ட வேகத்தில் இயங்குகிறது. இதில் நிமிட விலை ஏற்ற இறக்கங்களைப் பயன்படுத்திக்கொள்ளும் உயர் அதிர்வெண் வர்த்தக (HFT) உத்திகளும் அடங்கும்.
• போர்ட்ஃபோலியோ மேம்படுத்தல்: AI மாதிரிகள் முதலீட்டாளர் விருப்பத்தேர்வுகள் மற்றும் சந்தை முன்னறிவிப்புகளின் அடிப்படையில் இடர் மற்றும் வருவாயைச் சமநிலைப்படுத்தி, உகந்த சொத்து ஒதுக்கீடுகளைக் கண்டறிய பரந்த அளவிலான தரவை பகுப்பாய்வு செய்ய முடியும்.
• இடர் மேலாண்மை: AI சாத்தியமான இடர்களைக் கண்டறிந்து மதிப்பிடலாம், முன்கூட்டியே எச்சரிக்கை சமிக்ஞைகளை வழங்கி, இழப்புகளைக் குறைக்க உதவுகிறது. இதில் கடன் இடர் பகுப்பாய்வு, மோசடி கண்டறிதல் மற்றும் சந்தை ஏற்ற இறக்க கணிப்பு ஆகியவை அடங்கும்.
• உணர்வுப் பகுப்பாய்வு: AI அல்காரிதம்கள் சந்தை உணர்வைக் கண்டறியவும் விலை நகர்வுகளைக் கணிக்கவும் செய்திக் கட்டுரைகள், சமூக ஊடக இடுகைகள் மற்றும் பிற ஆதாரங்களை பகுப்பாய்வு செய்ய முடியும்.
• மோசடி கண்டறிதல்: AI மாதிரிகள் மோசடிச் செயலைக் குறிக்கக்கூடிய அசாதாரண வடிவங்கள் மற்றும் முரண்பாடுகளைக் கண்டறியப் பயிற்றுவிக்கப்படுகின்றன.
• ரோபோ-ஆலோசகர்கள்: AI-இயங்கும் தளங்கள் தானியங்கு முதலீட்டு ஆலோசனைகளையும் போர்ட்ஃபோலியோ மேலாண்மை சேவைகளையும் வழங்குகின்றன, இது பெரும்பாலும் பாரம்பரிய நிதி ஆலோசகர்களை விட குறைந்த செலவில் கிடைக்கிறது.

AI முதலீட்டு உத்திகளின் கட்டுமானத் தொகுதிகள்

திறமையான AI முதலீட்டு உத்திகளை உருவாக்க தரவு, அல்காரிதம்கள் மற்றும் உள்கட்டமைப்பு ஆகியவற்றில் ஒரு வலுவான அடித்தளம் தேவை. முக்கிய கூறுகளின் முறிவு இங்கே:

1. தரவு கையகப்படுத்தல் மற்றும் தயாரிப்பு

தரவு என்பது எந்தவொரு AI அமைப்பின் உயிர்நாடியாகும். தரவின் தரம் மற்றும் அளவு உங்கள் AI மாதிரிகளின் செயல்திறனை நேரடியாக பாதிக்கிறது. கருத்தில் கொள்ள வேண்டியவை இங்கே:

• தரவு மூலங்கள்:
  • நிதித் தரவு வழங்குநர்கள்: Bloomberg, Refinitiv, FactSet ஆகியவை வரலாற்று மற்றும் நிகழ்நேர சந்தைத் தரவை வழங்குகின்றன.
  • மாற்றுத் தரவு: சமூக ஊடக உணர்வுகள், செயற்கைக்கோள் படங்கள், கிரெடிட் கார்டு பரிவர்த்தனைகள் மற்றும் வலைத் தரவுச் சுரண்டல் ஆகியவை தனித்துவமான நுண்ணறிவுகளை வழங்க முடியும். எடுத்துக்காட்டாக, சில்லறை விற்பனை நிலையங்களில் வாகன நிறுத்துமிட அடர்த்தியை பகுப்பாய்வு செய்யும் செயற்கைக்கோள் படங்கள், வருவாய் அறிவிப்புகளுக்கு முன்னர் நிறுவனத்தின் செயல்திறன் குறித்த நுண்ணறிவுகளை வழங்க முடியும்.
  • பொதுத் தரவு: அரசாங்க தரவுத்தளங்கள், பொருளாதார குறிகாட்டிகள் மற்றும் மத்திய வங்கி அறிக்கைகள் ஆகியவை பேரியப் பொருளாதார கண்ணோட்டங்களை வழங்குகின்றன.
• தரவு சுத்தம் மற்றும் முன்கூட்டிய செயலாக்கம்: மூலத் தரவு பெரும்பாலும் இரைச்சல் மற்றும் சீரற்றதாக இருக்கும். தரவைச் சுத்தம் செய்தல், மாற்றுதல் மற்றும் இயல்பாக்குதல் ஆகியவை முக்கியமான படிகள்.
  • விடுபட்ட மதிப்புகளைக் கையாளுதல்: புள்ளிவிவர முறைகள் அல்லது இயந்திர கற்றல் அல்காரிதம்களைப் பயன்படுத்தி விடுபட்ட தரவை நிரப்பவும்.
  • புறம்பானவைகளை அகற்றுதல்: மாதிரி முடிவுகளைத் திரிபுபடுத்தக்கூடிய தீவிர மதிப்புகளைக் கண்டறிந்து அகற்றவும்.
  • அம்சப் பொறியியல்: மாதிரி செயல்திறனை மேம்படுத்த ஏற்கனவே உள்ள தரவிலிருந்து புதிய அம்சங்களை உருவாக்கவும். எடுத்துக்காட்டாக, நகரும் சராசரிகள், ஏற்ற இறக்க அளவுகள் அல்லது தொடர்பு குணகங்களைக் கணக்கிடுங்கள்.
• தரவு சேமிப்பு: கிளவுட் அடிப்படையிலான தரவுக் கிடங்கு (எ.கா., Amazon S3, Google Cloud Storage, Azure Blob Storage) அல்லது ஒரு பிரத்யேக தரவுத்தள அமைப்பு போன்ற அளவிடக்கூடிய மற்றும் நம்பகமான தரவு சேமிப்பக தீர்வைத் தேர்வுசெய்யவும்.

2. அல்காரிதம் தேர்வு மற்றும் மாதிரி மேம்பாடு

அல்காரிதமின் தேர்வு குறிப்பிட்ட முதலீட்டு நோக்கம் மற்றும் தரவின் குணாதிசயங்களைப் பொறுத்தது. நிதியில் பொதுவாகப் பயன்படுத்தப்படும் சில AI அல்காரிதம்கள் இங்கே:

• பின்னடைவு மாதிரிகள் (Regression Models): பங்கு விலைகள் அல்லது பத்திர விளைச்சல் போன்ற தொடர்ச்சியான மதிப்புகளைக் கணிக்கின்றன. நேரியல் பின்னடைவு, பல்லுறுப்புக் கோப்பு பின்னடைவு மற்றும் ஆதரவு திசையன் பின்னடைவு (SVR) ஆகியவை பிரபலமான தேர்வுகள்.
• வகைப்படுத்தல் மாதிரிகள் (Classification Models): வாங்க/விற்க/வைத்திரு பரிந்துரைகள் அல்லது கடன் இடர் மதிப்பீடுகள் போன்ற வகைகளாகத் தரவை வகைப்படுத்துகின்றன. லாஜிஸ்டிக் பின்னடைவு, ஆதரவு திசையன் இயந்திரங்கள் (SVMs), மற்றும் முடிவு மரங்கள் பொதுவாகப் பயன்படுத்தப்படுகின்றன.
• நேரத் தொடர் பகுப்பாய்வு (Time Series Analysis): பங்கு விலைகள் அல்லது பொருளாதாரக் குறிகாட்டிகள் போன்ற காலப்போக்கில் சேகரிக்கப்பட்ட தரவுப் புள்ளிகளை பகுப்பாய்வு செய்கின்றன. ARIMA, அதிவேக மென்மையாக்கல், மற்றும் தொடர் நியூரல் நெட்வொர்க்குகள் (RNNs) ஆகியவை நேரத் தொடர் முன்கணிப்புக்கு ஏற்றவை.
• கொத்து அல்காரிதம்கள் (Clustering Algorithms): ஒரே மாதிரியான குணாதிசயங்களைக் கொண்ட பங்குகளின் கொத்துக்களை அடையாளம் காண்பது போன்ற ஒரே மாதிரியான தரவுப் புள்ளிகளை ஒன்றாகக் குழுவாக்குகின்றன. கே-மீன்ஸ் கொத்தாக்கம், படிநிலை கொத்தாக்கம், மற்றும் DBSCAN ஆகியவை பரவலாகப் பயன்படுத்தப்படுகின்றன.
• வலுவூட்டல் கற்றல் (Reinforcement Learning): நிதிச் சந்தையில் வர்த்தகம் செய்வது போன்ற ஒரு மாறும் சூழலில் முடிவுகளை எடுக்க முகவர்களுக்குப் பயிற்சி அளிக்கின்றன. Q-கற்றல் மற்றும் ஆழமான வலுவூட்டல் கற்றல் ஆகியவை அல்காரிதமிக் வர்த்தகத்தில் பயன்படுத்தப்படுகின்றன.
• நியூரல் நெட்வொர்க்குகள் (Neural Networks): மனித மூளையின் கட்டமைப்பால் ஈர்க்கப்பட்ட சிக்கலான அல்காரிதம்கள். ஆழமான கற்றல் மாதிரிகள், அதாவது கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNNs) மற்றும் தொடர் நியூரல் நெட்வொர்க்குகள் (RNNs) போன்றவை, தரவுகளில் உள்ள சிக்கலான வடிவங்களையும் உறவுகளையும் கற்றுக்கொள்ள முடியும். எடுத்துக்காட்டாக, ஒரு RNN செய்தி கட்டுரைகளை பகுப்பாய்வு செய்து, உணர்வுப் பகுப்பாய்வின் அடிப்படையில் பங்கு விலை நகர்வுகளைக் கணிக்கப் பயன்படுத்தப்படலாம்.

மாதிரி மதிப்பீடு மற்றும் சரிபார்ப்பு: பொருத்தமான அளவீடுகளைப் பயன்படுத்தி உங்கள் AI மாதிரிகளின் செயல்திறனை மதிப்பீடு செய்வது மிகவும் முக்கியம். பொதுவான அளவீடுகளில் துல்லியம், நுட்பம், நினைவு கூர்தல், F1-மதிப்பெண் (வகைப்படுத்தலுக்கு), மற்றும் சராசரி வர்க்க மூலப் பிழை (RMSE) அல்லது சராசரி முழுமையான பிழை (MAE) (பின்னடைவுக்கு) ஆகியவை அடங்கும். உங்கள் மாதிரி காணப்படாத தரவிற்கு நன்கு பொதுமைப்படுத்துகிறது என்பதை உறுதிப்படுத்த குறுக்கு சரிபார்ப்பு போன்ற நுட்பங்களைப் பயன்படுத்தவும்.

3. உள்கட்டமைப்பு மற்றும் தொழில்நுட்பம்

AI முதலீட்டு உத்திகளைச் செயல்படுத்த வலுவான உள்கட்டமைப்பு மற்றும் தொழில்நுட்பம் தேவை.

• கிளவுட் கம்ப்யூட்டிங்: கிளவுட் தளங்கள் (எ.கா., Amazon Web Services, Google Cloud Platform, Microsoft Azure) அளவிடக்கூடிய கணினி வளங்கள், தரவு சேமிப்பு மற்றும் இயந்திர கற்றல் கருவிகளை வழங்குகின்றன.
• நிரலாக்க மொழிகள்: TensorFlow, PyTorch, scikit-learn, மற்றும் pandas போன்ற நூலகங்களுடன் AI மேம்பாட்டிற்கான κυρίαρχ மொழி பைதான் ஆகும். R புள்ளிவிவர பகுப்பாய்வு மற்றும் தரவு காட்சிப்படுத்தலுக்கும் பிரபலமானது.
• வன்பொருள்: GPUகள் மற்றும் TPUகள் போன்ற உயர் செயல்திறன் கொண்ட கணினி (HPC) வளங்கள், மாதிரிப் பயிற்சி மற்றும் அனுமானத்தை விரைவுபடுத்தும்.
• API ஒருங்கிணைப்பு: உங்கள் AI மாதிரிகளை வர்த்தகத் தளங்கள் மற்றும் தரவு வழங்குநர்களுடன் APIகள் மூலம் ஒருங்கிணைக்கவும்.

ஒரு AI முதலீட்டு உத்தியை உருவாக்குதல்: ஒரு படிப்படியான வழிகாட்டி

ஒரு AI-சார்ந்த முதலீட்டு உத்தியை உருவாக்குவதற்கான படிப்படியான வழிகாட்டி இங்கே:

படி 1: உங்கள் முதலீட்டு நோக்கங்களை வரையறுக்கவும்

உங்கள் முதலீட்டு இலக்குகள், இடர் சகிப்புத்தன்மை மற்றும் முதலீட்டு கால அளவைத் தெளிவாக வரையறுக்கவும். நீங்கள் மூலதனப் பெருக்கம், வருமான உருவாக்கம் அல்லது இரண்டின் கலவையை நோக்கமாகக் கொண்டுள்ளீர்களா? உங்கள் அதிகபட்ச ஏற்றுக்கொள்ளக்கூடிய சரிவு என்ன? இது உங்கள் சொத்துக்கள், அல்காரிதம்கள் மற்றும் இடர் மேலாண்மை நுட்பங்களின் தேர்வை வழிநடத்தும்.

படி 2: தரவு சேகரிப்பு மற்றும் தயாரிப்பு

வரலாற்றுச் சந்தைத் தரவு, பொருளாதாரக் குறிகாட்டிகள் மற்றும் மாற்றுத் தரவு உள்ளிட்ட பல்வேறு ஆதாரங்களிலிருந்து தொடர்புடைய தரவைச் சேகரிக்கவும். தரவின் தரம் மற்றும் நிலைத்தன்மையை உறுதிசெய்ய அதை சுத்தம் செய்யவும், மாற்றவும் மற்றும் இயல்பாக்கவும்.

படி 3: அம்சப் பொறியியல்

உங்கள் AI மாதிரிகளின் முன்கணிப்பு சக்தியை மேம்படுத்த ஏற்கனவே உள்ள தரவிலிருந்து புதிய அம்சங்களை உருவாக்கவும். வெவ்வேறு அம்சக் கலவைகளைச் சோதித்து, மாதிரி செயல்திறனில் அவற்றின் தாக்கத்தை மதிப்பீடு செய்யவும்.

படி 4: அல்காரிதம் தேர்வு மற்றும் மாதிரிப் பயிற்சி

உங்கள் முதலீட்டு நோக்கங்கள் மற்றும் தரவின் குணாதிசயங்களின் அடிப்படையில் பொருத்தமான AI அல்காரிதம்களைத் தேர்வு செய்யவும். வரலாற்றுத் தரவைப் பயன்படுத்தி உங்கள் மாதிரிகளுக்குப் பயிற்சி அளித்து, பொருத்தமான அளவீடுகளைப் பயன்படுத்தி அவற்றின் செயல்திறனை மதிப்பீடு செய்யவும். வெவ்வேறு சந்தை நிலைகளில் உங்கள் உத்தியின் செயல்திறனை உருவகப்படுத்த பின்தோன்றல் போன்ற நுட்பங்களைப் பயன்படுத்துவதைக் கவனியுங்கள்.

படி 5: பின்தோன்றல் மற்றும் சரிபார்ப்பு

அதன் செயல்திறனை மதிப்பிடுவதற்கும் சாத்தியமான பலவீனங்களைக் கண்டறிவதற்கும் வரலாற்றுத் தரவைப் பயன்படுத்தி உங்கள் உத்தியை கடுமையாக பின்தோன்றல் சோதனை செய்யுங்கள். காணப்படாத தரவுகளுக்கு உங்கள் மாதிரியின் பொதுமைப்படுத்தும் திறனைச் சரிபார்க்க மாதிரிக்கு அப்பாற்பட்ட தரவைப் பயன்படுத்தவும். பின்தோன்றல் சோதனையில் எதிர்காலப் பார்வை சார்பு போன்ற சாத்தியமான சார்புகளைக் கருத்தில் கொண்டு, அவற்றைக் குறைக்க நடவடிக்கை எடுக்கவும். உதாரணமாக, உங்கள் பின்தோன்றல் சோதனையில் முடிவெடுக்க எதிர்காலத் தகவலைப் பயன்படுத்தவில்லை என்பதை உறுதிப்படுத்தவும்.

படி 6: இடர் மேலாண்மை

உங்கள் மூலதனத்தைப் பாதுகாக்க வலுவான இடர் மேலாண்மை நுட்பங்களைச் செயல்படுத்தவும். இதில் நிறுத்த-இழப்பு ஆணைகளை அமைப்பது, உங்கள் போர்ட்ஃபோலியோவை பன்முகப்படுத்துவது மற்றும் சந்தை ஏற்ற இறக்கங்களைக் கண்காணிப்பது ஆகியவை அடங்கும். மாறும் சந்தை நிலைமைகளுக்கு ஏற்ப இடர் அளவுருக்களை மாறும் வகையில் சரிசெய்ய AI பயன்படுத்தப்படலாம்.

படி 7: வரிசைப்படுத்தல் மற்றும் கண்காணிப்பு

உங்கள் AI உத்தியை ஒரு நேரடி வர்த்தகத் தளத்தில் வரிசைப்படுத்தி, அதன் செயல்திறனைத் தொடர்ந்து கண்காணிக்கவும். வருமானம், ஷார்ப் விகிதம் மற்றும் சரிவு போன்ற முக்கிய அளவீடுகளைக் கண்காணிக்கவும். அவற்றின் துல்லியத்தைப் பராமரிக்கவும் மாறும் சந்தை நிலைமைகளுக்கு ஏற்பவும் உங்கள் மாதிரிகளை புதிய தரவுகளுடன் தவறாமல் மீண்டும் பயிற்றுவிக்கவும். அதன் செயல்திறனைத் தொடர்ந்து மேம்படுத்த உங்கள் உத்தியின் வெவ்வேறு பதிப்புகளை A/B சோதனை செய்வதைக் கருத்தில் கொள்ளுங்கள்.

AI முதலீட்டு உத்திகளின் நடைமுறை எடுத்துக்காட்டுகள்

முதலீட்டு உத்திகளை உருவாக்க AI எவ்வாறு பயன்படுத்தப்படலாம் என்பதற்கான சில எடுத்துக்காட்டுகள் இங்கே:

1. உணர்வு அடிப்படையிலான பங்கு வர்த்தகம்

உத்தி: குறிப்பிட்ட பங்குகளுக்கான சந்தை உணர்வைக் கண்டறிய செய்தி கட்டுரைகள், சமூக ஊடகப் பதிவுகள் மற்றும் நிதி அறிக்கைகளைப் பகுப்பாய்வு செய்ய இயற்கை மொழி செயலாக்கத்தைப் (NLP) பயன்படுத்தவும். நேர்மறையான உணர்வைக் கொண்ட பங்குகளை வாங்கி, எதிர்மறையான உணர்வைக் கொண்ட பங்குகளை விற்கவும்.

தரவு மூலங்கள்: செய்தி APIகள் (எ.கா., Reuters, Bloomberg), Twitter API, நிதி செய்தி வலைத்தளங்கள்.

அல்காரிதம்கள்: VADER அல்லது BERT போன்ற டிரான்ஸ்பார்மர்கள் அடிப்படையிலான மாதிரிகள் போன்ற உணர்வு பகுப்பாய்வு மாதிரிகள்.

எடுத்துக்காட்டு: லண்டனில் உள்ள ஒரு ஹெட்ஜ் நிதி நிறுவனம், FTSE 100 இல் பட்டியலிடப்பட்டுள்ள நிறுவனங்கள் தொடர்பான Twitter ஊட்டங்களைப் பகுப்பாய்வு செய்ய AI-ஐப் பயன்படுத்துகிறது. ஒரு நிறுவனத்தின் மீதான ஒட்டுமொத்த உணர்வு குறிப்பிடத்தக்க நேர்மறையாக மாறினால், நிதியின் அல்காரிதம் தானாகவே அந்த நிறுவனத்தின் பங்குகளை வாங்குகிறது.

2. தானியங்கு போர்ட்ஃபோலியோ மறுசீரமைப்பு

உத்தி: மாறும் சந்தை நிலைகள் மற்றும் முதலீட்டாளர் விருப்பங்களின் அடிப்படையில் ஒரு போர்ட்ஃபோலியோவை மாறும் வகையில் மறுசீரமைக்க AI-ஐப் பயன்படுத்தவும். AI மாதிரி விரும்பிய இடர் சுயவிவரத்தைப் பராமரிக்கவும் வருமானத்தை அதிகரிக்கவும் சொத்து ஒதுக்கீடுகளைச் சரிசெய்ய முடியும்.

தரவு மூலங்கள்: வரலாற்றுச் சந்தைத் தரவு, பொருளாதார குறிகாட்டிகள், முதலீட்டாளர் இடர் விருப்பத்தேர்வுகள்.

அல்காரிதம்கள்: சராசரி-மாறுபாடு மேம்படுத்தல் அல்லது பிளாக்-லிட்டர்மேன் மாதிரி போன்ற போர்ட்ஃபோலியோ மேம்படுத்தல் அல்காரிதம்கள், சொத்து வருமானம் மற்றும் தொடர்புகளைக் கணிக்க இயந்திர கற்றல் மாதிரிகளுடன் இணைக்கப்பட்டுள்ளன.

எடுத்துக்காட்டு: சிங்கப்பூரில் உள்ள ஒரு ரோபோ-ஆலோசகர், வாடிக்கையாளர்களின் தனிப்பட்ட இடர் சுயவிவரங்கள் மற்றும் சந்தை நிலைகளின் அடிப்படையில் அவர்களின் போர்ட்ஃபோலியோக்களைத் தானாக மறுசீரமைக்க AI-ஐப் பயன்படுத்துகிறது. அல்காரிதம் சந்தை ஏற்ற இறக்கத்தைக் கண்காணித்து, இலக்கு இடர் அளவைப் பராமரிக்க சொத்து ஒதுக்கீடுகளைச் சரிசெய்கிறது.

3. உயர் அதிர்வெண் வர்த்தகம் (HFT)

உத்தி: நிதிச் சந்தைகளில் குறுகிய கால விலை வேறுபாடுகளைக் கண்டறிந்து சுரண்ட AI-ஐப் பயன்படுத்தவும். HFT அல்காரிதம்கள் மிக அதிக வேகத்தில் செயல்படுகின்றன, மில்லி விநாடிகளில் வர்த்தகங்களைச் செயல்படுத்துகின்றன.

தரவு மூலங்கள்: நிகழ்நேர சந்தைத் தரவு, ஆர்டர் புக் தரவு, செய்தி ஊட்டங்கள்.

அல்காரிதம்கள்: வலுவூட்டல் கற்றல், ஆழமான கற்றல் மற்றும் புள்ளிவிவர ஆர்பிட்ரேஜ் மாதிரிகள்.

எடுத்துக்காட்டு: சிகாகோவில் உள்ள ஒரு தனியுரிம வர்த்தக நிறுவனம், ஆர்டர் புக் தரவைப் பகுப்பாய்வு செய்து ஆர்பிட்ரேஜ் வாய்ப்புகளைக் கண்டறிய AI-ஐப் பயன்படுத்துகிறது. அல்காரிதம் மில்லி விநாடிகளில் வர்த்தகங்களைச் செயல்படுத்துகிறது, வெவ்வேறு பரிமாற்றங்களுக்கு இடையிலான நிலையற்ற விலை வேறுபாடுகளைப் பயன்படுத்திக் கொள்கிறது.

4. வளர்ந்து வரும் சந்தைகளுக்கான கடன் இடர் மதிப்பீடு

உத்தி: பாரம்பரிய கடன் மதிப்பீட்டு முறைகள் குறைவாக நம்பகமானதாக இருக்கும் வளர்ந்து வரும் சந்தைகளில் கடன் வாங்குபவர்களின் கடன் தகுதியை மதிப்பிடுவதற்கு ஒரு AI மாதிரியை உருவாக்கவும். மொபைல் போன் பயன்பாடு, சமூக ஊடக செயல்பாடு மற்றும் பயன்பாட்டு பில் கொடுப்பனவுகள் போன்ற மாற்றுத் தரவு மூலங்களைப் பயன்படுத்தவும்.

தரவு மூலங்கள்: மொபைல் போன் தரவு, சமூக ஊடக தரவு, பயன்பாட்டு பில் கட்டண வரலாறு, குறுநிதித் தரவு.

அல்காரிதம்கள்: வகைப்படுத்தல் மாதிரிகள் (எ.கா., லாஜிஸ்டிக் பின்னடைவு, ஆதரவு திசையன் இயந்திரங்கள்), குழு முறைகள் (எ.கா., ரேண்டம் ஃபாரஸ்ட்ஸ், கிரேடியன்ட் பூஸ்டிங்).

எடுத்துக்காட்டு: கென்யாவில் உள்ள ஒரு குறுநிதி நிறுவனம், பாரம்பரிய கடன் வரலாறு இல்லாத சிறு வணிக உரிமையாளர்களின் கடன் அபாயத்தை மதிப்பிட AI-ஐப் பயன்படுத்துகிறது. AI மாதிரி மொபைல் போன் தரவு மற்றும் சமூக ஊடகச் செயல்பாட்டைப் பகுப்பாய்வு செய்து கடன் திருப்பிச் செலுத்தும் சாத்தியக்கூறுகளைக் கணிக்கிறது, இது நிறுவனம் பரந்த அளவிலான கடன் வாங்குபவர்களுக்கு கடன் வழங்க அனுமதிக்கிறது.

சவால்கள் மற்றும் கருத்தாய்வுகள்

முதலீட்டு நிர்வாகத்தில் AI குறிப்பிடத்தக்க திறனை வழங்கும் அதே வேளையில், இது பல சவால்களையும் கருத்தாய்வுகளையும் முன்வைக்கிறது:

• தரவுத் தரம்: குப்பையை உள்ளே போட்டால், குப்பைதான் வெளியே வரும். உங்கள் தரவு துல்லியமானது, முழுமையானது மற்றும் நம்பகமானது என்பதை உறுதிப்படுத்தவும்.
• அதிகப் பொருத்தம் (Overfitting): உங்கள் மாதிரிகளை வரலாற்றுத் தரவுகளுடன் அதிகப் பொருத்துவதைத் தவிர்க்கவும். அதிகப் பொருத்தத்தைத் தடுக்க குறுக்கு சரிபார்ப்பு மற்றும் ஒழுங்குமுறைப்படுத்தல் போன்ற நுட்பங்களைப் பயன்படுத்தவும்.
• விளக்கத்திறன்: கருப்புப் பெட்டி மாதிரிகளை விளக்குவது கடினம், அவை ஏன் சில முடிவுகளை எடுக்கின்றன என்பதைப் புரிந்துகொள்வது சவாலானது. மாதிரி வெளிப்படைத்தன்மையை மேம்படுத்த விளக்கக்கூடிய AI (XAI) நுட்பங்களைப் பயன்படுத்துவதைக் கருத்தில் கொள்ளுங்கள்.
• ஒழுங்குமுறை இணக்கம்: உங்கள் AI முதலீட்டு உத்திகள் தரவு தனியுரிமை, சந்தை கையாளுதல் மற்றும் நுகர்வோர் பாதுகாப்பு தொடர்பான விதிமுறைகளுக்கு இணங்குவதை உறுதிப்படுத்தவும். வெவ்வேறு பிராந்தியங்களில் வெவ்வேறு விதிமுறைகள் உள்ளன, இதற்கு கவனமான பரிசீலனை தேவை. எடுத்துக்காட்டாக, ஐரோப்பாவில் உள்ள GDPR, தரவுப் பயன்பாட்டிற்கு குறிப்பிடத்தக்க தாக்கங்களைக் கொண்டுள்ளது.
• நெறிமுறைக் கருத்தாய்வுகள்: உங்கள் AI உத்திகளின் நெறிமுறை தாக்கங்களைப் பற்றி எச்சரிக்கையாக இருங்கள். சில குழுக்களுக்கு எதிராகப் பாகுபாடு காட்டக்கூடிய சார்புடைய தரவு அல்லது அல்காரிதம்களைப் பயன்படுத்துவதைத் தவிர்க்கவும். அல்காரிதமிக் சார்பு, AI அமைப்புகள் ஏற்கனவே உள்ள சமூக சார்புகளை நிலைநிறுத்தும் அல்லது பெருக்கும் ஒரு பெரிய கவலையாக உள்ளது.
• சந்தை ஏற்ற இறக்கம்: வரலாற்றுத் தரவுகளில் பயிற்சி பெற்ற AI மாதிரிகள் தீவிர சந்தை ஏற்ற இறக்கம் அல்லது எதிர்பாராத நிகழ்வுகளின் போது சிறப்பாகச் செயல்படாது. சாத்தியமான இழப்புகளைக் குறைக்க வலுவான இடர் மேலாண்மை நுட்பங்களைச் செயல்படுத்தவும். உதாரணமாக, கோவிட்-19 தொற்றுநோய், பல AI-சார்ந்த மாதிரிகளுக்கு சவால் விடுத்த குறிப்பிடத்தக்க சந்தை இடையூறுகளை ஏற்படுத்தியது.
• திறமை கையகப்படுத்தல்: AI முதலீட்டு உத்திகளை உருவாக்குவதற்கும் பராமரிப்பதற்கும் திறமையான தரவு விஞ்ஞானிகள், இயந்திர கற்றல் பொறியாளர்கள் மற்றும் நிதி ஆய்வாளர்கள் தேவை.
• கணக்கீட்டுச் செலவுகள்: AI மாதிரிகளைப் பயிற்றுவிப்பதும் வரிசைப்படுத்துவதும் கணக்கீட்டு ரீதியாக விலை உயர்ந்ததாக இருக்கும். செலவுகளை நிர்வகிக்க கிளவுட் கம்ப்யூட்டிங் வளங்களைப் பயன்படுத்துவதைக் கருத்தில் கொள்ளுங்கள்.
• விளக்கத்திறன் மற்றும் நம்பிக்கை: முதலீட்டாளர்கள் மற்றும் கட்டுப்பாட்டாளர்களுக்கு AI அமைப்புகள் எவ்வாறு முடிவெடுக்கின்றன என்பது பற்றிய தெளிவான புரிதல் தேவை. வெளிப்படைத்தன்மை இல்லாதது தத்தெடுப்பைத் தடுக்கலாம் மற்றும் ஒழுங்குமுறை கவலைகளை எழுப்பலாம்.

முதலீட்டில் AI-யின் எதிர்காலம்

முதலீட்டு நிர்வாகத்தின் எதிர்காலத்தில் AI பெருகிய முறையில் முக்கிய பங்கு வகிக்கத் தயாராக உள்ளது. AI தொழில்நுட்பம் தொடர்ந்து முன்னேறும்போது, இன்னும் அதிநவீன மற்றும் பயனுள்ள AI-சார்ந்த முதலீட்டு உத்திகளைக் காணலாம் என்று எதிர்பார்க்கலாம். சில சாத்தியமான எதிர்காலப் போக்குகள் இங்கே:

• மாற்றுத் தரவின் அதிகரித்த தத்தெடுப்பு: முதலீட்டுச் சந்தையில் ஒரு போட்டி நன்மையைப் பெற மாற்றுத் தரவு மூலங்கள் பெருகிய முறையில் முக்கியத்துவம் பெறும்.
• அதிகம் விளக்கக்கூடிய AI மாதிரிகளின் வளர்ச்சி: மாதிரி வெளிப்படைத்தன்மையை மேம்படுத்தவும் நம்பிக்கையை வளர்க்கவும் XAI நுட்பங்கள் பரவலாக ஏற்றுக்கொள்ளப்படும்.
• குவாண்டம் கம்ப்யூட்டிங்குடன் AI-யின் ஒருங்கிணைப்பு: குவாண்டம் கம்ப்யூட்டிங், அதிக சக்திவாய்ந்த மற்றும் திறமையான அல்காரிதம்களின் வளர்ச்சியை செயல்படுத்துவதன் மூலம் AI-இல் புரட்சியை ஏற்படுத்தக்கூடும்.
• தனிப்பயனாக்கப்பட்ட முதலீட்டு ஆலோசனை: தனிப்பட்ட முதலீட்டாளர் தேவைகள் மற்றும் விருப்பங்களுக்கு ஏற்ப தனிப்பயனாக்கப்பட்ட முதலீட்டு ஆலோசனைகளை வழங்க AI பயன்படுத்தப்படும்.
• பரவலாக்கப்பட்ட AI முதலீட்டு தளங்கள்: பிளாக்செயின் தொழில்நுட்பம், அதிக வெளிப்படையான மற்றும் அணுகக்கூடிய பரவலாக்கப்பட்ட AI முதலீட்டு தளங்களை உருவாக்கப் பயன்படுத்தப்படலாம்.

முடிவுரை

செயற்கை நுண்ணறிவு-சார்ந்த முதலீட்டு உத்திகளை உருவாக்குவது சிறந்த வருமானம், குறைந்த இடர் மற்றும் அதிகரித்த செயல்திறனுக்கான குறிப்பிடத்தக்க வாய்ப்புகளை வழங்குகிறது. முக்கிய கட்டுமானத் தொகுதிகளைப் புரிந்துகொள்வதன் மூலமும், ஒரு கட்டமைக்கப்பட்ட வளர்ச்சி செயல்முறையைப் பின்பற்றுவதன் மூலமும், அதனுடன் தொடர்புடைய சவால்களை எதிர்கொள்வதன் மூலமும், முதலீட்டாளர்கள் உலகளாவிய சந்தைகளில் தங்கள் நிதி இலக்குகளை அடைய AI-யின் சக்தியைப் பயன்படுத்தலாம். AI தொழில்நுட்பம் தொடர்ந்து வளர்ச்சியடைந்து வருவதால், அதை ஏற்றுக்கொள்பவர்கள் முதலீட்டு நிர்வாகத்தின் எதிர்காலத்தில் வெற்றிபெற நன்கு நிலைநிறுத்தப்படுவார்கள். AI-யின் சமீபத்திய முன்னேற்றங்களைப் பற்றிப் புதுப்பித்த நிலையில் இருக்கவும், அதற்கேற்ப உங்கள் உத்திகளை மாற்றியமைக்கவும் நினைவில் கொள்ளுங்கள். முதலீட்டு நிலப்பரப்பு தொடர்ந்து மாறிக்கொண்டே இருக்கிறது, வளைவுக்கு முன்னால் இருக்க தொடர்ச்சியான கற்றல் அவசியம்.