تسلط بر بازار ثروتمندان با ربات های هوشمندتر

مهنوش صالحی؛ ارزیاب اقتصادی

گسترش هوش مصنوعی در بازارهای سرمایه بهره‌وری و سرعت معاملات را افزایش داده، اما همزمان با تمرکز مزیت اطلاعاتی، تبانی ضمنی الگوریتم‌ها و شکنندگی بیشتر بازار، چالش‌های تازه‌ای برای سیاست‌گذاری ایجاد کرده است.

در این مبحث تأثیر هوش مصنوعی بر بازارهای سرمایه را بررسی می‌کند. تمرکز بر پیامدهای فراوانی داده‌های جایگزین و تکنیک‌های معاملاتی جدید است که اگرچه بهره‌وری را افزایش می‌دهند، اما خطرات جدیدی مانند همگرایی الگوریتمی، تشدید عدم تقارن اطلاعاتی، تبانی ضمنی و بی‌ثباتی سیستمیک را به همراه دارند.

همان طور که می دانیم،  دومین حوزه تحول هوش مصنوعی در بازارهای سرمایه قرار دارد، جایی که فراوانی داده‌ها و واسطه‌گری الگوریتمی، مکانیسم‌های کشف قیمت، بازارسازی و مدیریت دارایی را تغییر شکل داده‌اند.

گسترش داده‌های جایگزین – از تصاویر ماهواره‌ای و جریان‌های کارت اعتباری گرفته تا رسانه‌های اجتماعی و موقعیت جغرافیایی – منابع جدیدی از اطلاعات را خارج از افشای مالی سنتی ایجاد کرده است. مدل‌های هوش مصنوعی که بر روی این مجموعه داده‌های با ابعاد بالا آموزش دیده‌اند، سیگنال‌های پیش‌بینی‌کننده‌ای را استخراج می‌کنند که قبلاً غیرقابل دسترسی یا به دست آوردن آنها بسیار پرهزینه بود. هزینه نهایی تولید بینش مالی قابل اجرا به شدت کاهش یافته است و جایگاه مزیت اطلاعاتی را از دسترسی به پردازش تغییر داده است.

این تحول باعث افزایش بهره‌وری شده است. اختلاف قیمت خرید و فروش کاهش یافته، تأمین نقدینگی خودکارتر شده و دقت پیش‌بینی در سود، رویدادهای اعتباری و نوسانات بهبود یافته است. با این حال، این مزایا با خطرات جدیدی همراه است.

اولاً، استراتژی‌های معاملات الگوریتمی می‌توانند هنگام آموزش بر روی داده‌های همپوشانی، به سمت الگوهای مشابه همگرا شوند و خطر رفتار هماهنگ و سقوط ناگهانی را افزایش دهند. علاوه بر این، عوامل یادگیری تقویتی، که از طریق آزمون و خطا بهینه‌سازی می‌کنند، ممکن است استراتژی‌هایی را توسعه دهند که در حالت تعادل ناپایدار یا استثمارگرانه باشند.

دوم، هوش مصنوعی می‌تواند عدم تقارن اطلاعاتی را در بین شرکت‌کنندگان بازار تشدید کند. در حالی که افشاگری‌ها ظاهراً عمومی هستند، تنها کسانی که منابع محاسباتی کافی و پیچیدگی مدل دارند می‌توانند آنها را به طور مؤثر پردازش کنند. مطالعات تجربی نشان می‌دهد که تحلیلگران در مؤسسات مجهز به هوش مصنوعی، هنگامی که داده‌های جایگزین در دسترس قرار می‌گیرند، به طور قابل توجهی از همتایان خود پیشی می‌گیرند. در نتیجه، هوش مصنوعی ممکن است قدرت بازار را تقویت کرده و شکاف‌های مشارکت را افزایش دهد.

سوم، هوش مصنوعی اشکال جدیدی از تبانی ضمنی و ابهام استراتژیک را ممکن می‌سازد. الگوریتم‌های قیمت‌گذاری می‌توانند یاد بگیرند که بدون ارتباط صریح هماهنگ شوند، فشار رقابتی را کاهش داده و حاشیه سود را افزایش دهند. مرز بین قیمت‌گذاری پویای مشروع و تبانی الگوریتمی، به ویژه در بازارهایی که چند پلتفرم غالب برای هزاران کاربر شرایط تعیین می‌کنند، مبهم می‌شود. علاوه بر این، از آنجا که بسیاری از مدل‌های هوش مصنوعی غیرقابل تفسیر هستند، رفتار آنها می‌تواند تا پس از وقوع آسیب، از بررسی دقیق بازار و تشخیص نظارتی فرار کند.

در نهایت، مسابقه تسلیحاتی برای سرعت و استخراج سیگنال، سرمایه و استعداد را به سمت رقابت با حاصل جمع صفر سوق داده است. بازده اجتماعی کاهش چند میکروثانیه از زمان اجرا یا بهره‌برداری از ناهنجاری‌های داده‌های زودگذر محدود است، با این حال شرکت‌ها به شدت در چنین قابلیت‌هایی سرمایه‌گذاری می‌کنند زیرا بازده خصوصی بالا است. این عدم هماهنگی بین انگیزه‌های خصوصی و ارزش اجتماعی، سوالاتی را در مورد کارایی تخصیصی هوش مصنوعی در بازارهای مالی مطرح می‌کند.

واکنش‌های نظارتی احتمالی می‌تواند شامل معرفی مدارهای قطع‌کننده‌ی آگاه از تأخیر، الزامی کردن دسترسی عمومی به داده‌های قیمت‌گذاری پایه و الزام افشای معماری‌های مدل در زمینه‌های معاملاتی خاص باشد. طراحی و اثربخشی آنها به آزمایش دقیق، یادگیری بین حوزه‌های قضایی و گفتگوی مداوم بین فعالان بازار و نهادهای نظارتی بستگی دارد.

روی هم رفته، این تحولات به یک سیستم مالی اشاره دارند که در آن اطلاعات فراوان‌تر است اما به طور بالقوه توزیع ناهموارتری دارد؛ در آن تجارت سریع‌تر اما شکننده‌تر است؛ و در آن شفافیت از نظر فنی امکان‌پذیر اما از نظر عملی دست‌نیافتنی است. یک واکنش سیاستی باید فراتر از افشا باشد و به مسائلی مانند دسترسی به زیرساخت‌ها، قابلیت حسابرسی مدل و همسویی انگیزه‌ها بپردازد.

در آتی به تحول هوش مصنوعی در حاکمیت شرکتی خواهیم پرداخت.