پرونده امروز
هوش مصنوعی در مدیریت دارایی
در گذشته در پردازش اطلاعات، ارزیابی ریسک نکول یا رتبه اعتباری مشتریان استفاده از هوش مصنوعی دیده می‌شد اما نسبت به برهه فعلی گستردگی کمتری داشت. اما اکنون این ابزار در هر بخش صنعت ردپایی از خود به جا گذاشته است. به عنوان مثال هوش مصنوعی در بخش مدیریت دارایی و سبد، در سه مرحله نقش ایفا می‌کند. این سه مرحله شامل برنامه‌ریزی (planning)، اجرا(execution) و بازخورد (feedback) می‌شود. در مرحله برنامه‌ریزی، روش‌های کاهش بُعد، تحلیل خوشه‌ای، شبکه‌های پیچیده، تحلیل احساسات (sentiment analysis) و تحلیل متن برای انتخاب دارایی‌ها و پیش‌بینی بازده‌ها استفاده می‌شود.
در مرحله اجرا، استفاده از الگوریتم‌های یادگیری ماشین و یادگیری عمیق برای تعیین وزن‌ها، بهینه‌سازی پرتفوی، و مدل‌های یادگیری تقویتی (reinforcement learning) برای تصمیم‌گیری پویا در تخصیص دارایی‌ها کاربرد دارد. در مرحله بازخورد، موضوعات مربوط به شفافیت (explainability)، «جعبه‌سیاه» بودن مدل‌های هوش مصنوعی، ریسک‌های بازار، اثرات فناوری‌های هوش مصنوعی بر کارآیی بازار و مقررات مرتبط به کار برده می‌شود.
وب‌سایت‌های معتبر و نشریات مطرح دنیا نیز به این موضوع به‌کرات پرداخته‌اند. به عنوان مثال مقاله Artificial intelligence and investment management: Structure, strategy, and governance نوشته Charilaos Mertzanis که در نشریه International Review of Financial Analysis، جلد ۱۰۷ در سال ۲۰۲۵ منتشر شده، به اهمیت کاربردهای هوش مصنوعی در مدیریت سرمایه‌گذاری اشاره کرده است.
این مقاله توضیح می‌دهد که چگونه استفاده از الگوریتم‌ها و مدل‌های یادگیری ماشین، یادگیری عمیق و تحلیل داده‌های بزرگ توانسته بسیاری از فرآیندهای تحلیل مالی و تصمیم‌گیری سرمایه‌گذاری را متحول کند. در این چارچوب، صنعت مدیریت سرمایه‌گذاری نه‌تنها از نظر بهره‌وری و دقت، بلکه از نظر کیفیت تصمیم‌گیری و سرعت واکنش به شرایط بازار نیز ارتقا یافته است.
مقاله تاکید می‌کند که هوش مصنوعی، به‌ویژه در تحلیل داده‌های غیرساختاریافته مثل اخبار، گزارش‌های مالی و شبکه‌های اجتماعی به ابزار قدرتمندی برای درک احساسات بازار و پیش‌بینی رفتار سرمایه‌گذاران بدل شده است.
نویسنده با مرور ۱۷۸ مطالعه علمی منتشرشده در پایگاه اسکوپوس، تصویری جامع از وضعیت فعلی پژوهش‌ها ارائه می‌کند.
این تحقیقات نشان می‌دهند که هوش مصنوعی در حوزه‌هایی مانند پیش‌بینی بازده دارایی‌ها، مدیریت ریسک، کشف تقلب، بهینه‌سازی پرتفوی و ارائه مشاوره مالی خودکار رویکردهای نوینی به وجود آورده است. همچنین ترکیب الگوریتم‌های هوش مصنوعی با چارچوب‌های سنتی مالی توانسته دقت تخصیص دارایی‌ها را افزایش دهد و ریسک‌های پنهان را سریع‌تر شناسایی کند. به‌ویژه، مدل‌های یادگیری تقویتی برای اتخاذ تصمیم‌های پویا و مبتنی بر شرایط لحظه‌ای بازار اهمیت یافته‌اند.
با وجود این مزایا، این مقاله بر چالش‌ها و محدودیت‌های مهم نیز تمرکز دارد. یکی از این چالش‌ها مساله شفافیت و تبیین‌پذیری است. بسیاری از مدل‌های هوش مصنوعی مانند شبکه‌های عصبی پیچیده به شکل «جعبه‌سیاه» عمل می‌کنند و مشخص نیست دقیقا بر اساس چه منطق یا داده‌هایی تصمیم می‌گیرند. این موضوع نه‌تنها اعتماد سرمایه‌گذاران را کاهش می‌دهد، بلکه می‌تواند منجر به مشکلات قانونی و مسوولیتی شود.
از سوی دیگر، پیاده‌سازی هوش مصنوعی نیازمند زیرساخت‌های فناوری پیشرفته، داده‌های گسترده و نیروی انسانی متخصص است که فراهم‌کردن آن برای برخی نهادهای مالی دشوار است. این مقاله در بُعد مقررات‌گذاری و حکمرانی، هشدار می‌دهد که نبود قوانین کافی برای نظارت بر استفاده از هوش مصنوعی در بازارهای مالی می‌تواند ریسک سیستماتیک را افزایش دهد. الگوریتم‌هایی که هم‌زمان توسط تعداد زیادی فعال بازار استفاده شوند ممکن است نوسانات یا بحران‌های جدید ایجاد کنند.
بنابراین، نویسنده پیشنهاد می‌کند که سیاستگذاران چارچوب‌هایی برای تضمین شفافیت، اخلاق، پاسخ‌گویی و امنیت داده‌ها تدوین کنند. در نهایت، مقاله نتیجه‌گیری می‌کند که هوش مصنوعی آینده مدیریت سرمایه‌گذاری را شکل خواهد داد، اما این آینده تنها زمانی پایدار و قابل‌اعتماد خواهد بود که توسعه فناوری با نظارت و حکمرانی مناسب همراه شود.
یکی از مسائل مهمی که به وجود آمده این است که آیا هوش مصنوعی می‌تواند جایگزین مدیر پرتفو یا مشاور سرمایه‌گذار شود؟ یا صرفا در جایگاه یک ابزار و نقش مکمل عمل خواهد کرد؟ در پرونده امروز باشگاه اقتصاددانان، در گفت‌وگو با مدیران دارایی و کارشناس ارشد مدیریت ریسک به چالش‌ها، مزایا و نقش هوش مصنوعی در این صنعت پرداخته شده است.
