بررسی جی‌پی مورگان: هوش مصنوعی در سرمایه‌گذاری از انسان جلو زد؟

بانک جی‌پی‌ مورگان (J.P. Morgan) در یک مطالعه‌ی جدید، عملکرد ۸ ایجنت هوش مصنوعی را در مدیریت سبدی متشکل از سهام و اوراق قرضه بررسی کرده است. نتیجه‌ی اولیه‌ی این آزمایش توجه بسیاری از فعالان بازار را به خود جلب کرد؛ زیرا هر ۸ ایجنت توانستند در یک دوره‌ی تاریخی تقریباً ۲۰ ساله، از نظر بازدهی متناسب با ریسک، عملکرد بهتری نسبت به سبد سنتی ۶۰/۴۰ ثبت کنند.

با این ‌حال، نکته‌ی مهم‌تر از نتیجه‌ی آزمایش، هشدار خود جی‌پی‌ مورگان درباره‌ی آن است. تیم تحقیقاتی بانک تأکید کرده که سرمایه‌گذاران نباید عملکرد خوب این مدل‌ها در آزمایش‌های گذشته را به‌عنوان مدرکی قطعی برای موفقیت آن‌ها در آینده در نظر بگیرند. هیچ‌کدام از این ایجنت‌ها تاکنون پول واقعی مدیریت نکرده‌اند و تمام نتایج به‌دست‌آمده مربوط به بک‌تست یا آزمایش روی داده‌های تاریخی و گذشته‌ی بازار است.

به بیان دیگر، هوش مصنوعی در یک شبیه‌سازی توانسته است روش سنتی سرمایه‌گذاری را شکست دهد؛ اما هنوز مشخص نیست که در بازار واقعی نیز بتواند همین عملکرد را تکرار کند.

سبد ۶۰/۴۰ چیست و چرا اهمیت دارد؟

سبد ۶۰/۴۰ یکی از شناخته‌شده‌ترین روش‌های سرمایه‌گذاری در بازارهای مالی است. در این روش، ۶۰ درصد سرمایه به سهام و ۴۰ درصد باقی‌مانده به اوراق قرضه اختصاص پیدا می‌کند.

منطق اصلی این ترکیب نسبتاً ساده است. سهام معمولاً در بلندمدت بازدهی بیشتری ایجاد می‌کند، اما نوسان و ریسک آن نیز بالاتر است. در مقابل، اوراق قرضه معمولاً بازدهی پایین‌تری دارد، اما می‌تواند ثبات بیشتری به سبد سرمایه‌گذاری بدهد.

ترکیب این دو دارایی قرار است میان رشد سرمایه و کنترل ریسک تعادل ایجاد کند. زمانی که بازار سهام با افت مواجه می‌شود، انتظار می‌رود اوراق قرضه بخشی از زیان سبد را جبران کند. به همین دلیل، سبد ۶۰/۴۰ برای دهه‌ها یکی از الگوهای اصلی مورد استفاده‌ی صندوق‌های سرمایه‌گذاری، مدیران دارایی و سرمایه‌گذاران بلندمدت بوده است.

با این وجود، این روش در سال ۲۰۲۲ با یک چالش جدی مواجه شد. در آن سال، سهام و اوراق قرضه به‌طور هم‌زمان کاهش یافتند. افزایش تورم و رشد نرخ‌‌های بهره باعث شد رابطه‌ی سنتی میان این دو دارایی ضعیف شود و سرمایه‌گذاران نتوانند از اوراق قرضه به‌عنوان محافظی در برابر افت بازار سهام استفاده کنند.

پس از آن، بسیاری از سرمایه‌گذاران به دنبال روش‌هایی هوشمندتر و انعطاف‌پذیرتر برای تقسیم سرمایه میان دارایی‌های مختلف رفتند. آزمایش جی‌پی‌مورگان را نیز می‌توان بخشی از همین تلاش دانست.

جی‌پی‌ مورگان دقیقاً چه چیزی را آزمایش کرد؟

تیم استراتژی جی‌پی‌ مورگان ۸ ایجنت هوش مصنوعی طراحی کرد که می‌توانستند وضعیت اقتصاد و بازار را بررسی کنند و بر اساس شرایط موجود، وزن سهام و اوراق قرضه را در سبد تغییر دهند.

این ایجنت‌ها برخلاف سبد سنتی ۶۰/۴۰، مجبور نبودند همیشه ۶۰ درصد سرمایه را در سهام و ۴۰ درصد آن را در اوراق قرضه نگه دارند. آن‌ها می‌توانستند با توجه به وضعیت رشد اقتصادی، تورم و میزان ریسک بازار، ترکیب سبد را تغییر دهند.

برای مثال، زمانی که شرایط اقتصادی مناسب بود و احتمال رشد بازار سهام افزایش پیدا می‌کرد، ایجنت می‌توانست سهم بیشتری از سرمایه را به سهام اختصاص دهد. در مقابل، اگر چشم‌انداز اقتصادی ضعیف یا فضای بازار پرریسک تشخیص داده می‌شد، وزن سهام کاهش پیدا می‌کرد و سهم اوراق قرضه افزایش می‌یافت.

این مدل‌ها روی داده‌های مربوط به حدود دو دهه‌ی گذشته‌ی بازار آزمایش شدند. نتیجه نشان داد که هر ۸ ایجنت از نظر بازدهی متناسب با ریسک، عملکرد بهتری نسبت به سبد ثابت ۶۰/۴۰ داشتند.

ایجنت‌های هوش مصنوعی چگونه شرایط بازار را تشخیص می‌دادند؟

ساختار تصمیم‌گیری این ایجنت‌ها بر پایه‌ی تشخیص «رژیم اقتصادی» یا «وضعیت اقتصادی حاکم بر بازار» قرار داشت. هر مدل تلاش می‌کرد شرایط اقتصاد را بر اساس دو متغیر اصلی، یعنی رشد اقتصادی و تورم، در یکی از چهار وضعیت کلی قرار دهد.

1. وضعیت اول «گلدیلاکس» یا شرایط متعادل اقتصادی (Goldilocks) بود؛ یعنی زمانی که رشد اقتصادی مناسب است و تورم نیز در سطح کنترل‌شده‌ای قرار دارد. این وضعیت معمولاً برای بازار سهام مطلوب تلقی می‌شود.
2. وضعیت دوم «رشد همراه با تورم» یا Reflation بود. در این شرایط، رشد اقتصادی تقویت می‌شود، اما فشارهای تورمی نیز افزایش پیدا می‌کند.
3. وضعیت سوم «رکود تورمی» یا Stagflation بود؛ یعنی شرایطی که رشد اقتصادی ضعیف است، اما تورم همچنان در سطح بالایی قرار دارد. این وضعیت معمولاً برای بسیاری از دارایی‌ها دشوار و پرریسک است.
4. وضعیت چهارم نیز شرایط «ریسک‌گریزی» یا Risk-off بود. در چنین فضایی، سرمایه‌گذاران به دلیل افزایش نااطمینانی، نگرانی از رکود یا بروز بحران، از دارایی‌های پرریسک فاصله می‌گیرند.

هر ایجنت پس از تشخیص یکی از این چهار وضعیت، ترکیب سبد سرمایه‌گذاری را تنظیم می‌کرد. نکته‌ی مهم این است که مدل فقط به یک سؤال پاسخ نمی‌داد، بلکه یک فرایند تکرارشونده را اجرا می‌کرد: داده‌ها را می‌خواند، شرایط اقتصاد را تشخیص می‌داد، وزن دارایی‌ها را تعیین می‌کرد و سپس با دریافت اطلاعات جدید، این فرایند را دوباره انجام می‌داد.

این همان چیزی است که ایجنت هوش مصنوعی را از یک چت‌بات ساده متمایز می‌کند. چت‌بات معمولاً به یک درخواست پاسخ می‌دهد، اما ایجنت می‌تواند مجموعه‌ای از وظایف را به‌صورت پیوسته و بر اساس قوانین مشخص انجام دهد.

از مدل‌های عمومی استفاده شد

یکی از نکات مهم این آزمایش آن است که جی‌پی‌ مورگان برای ساخت این ایجنت‌ها از یک مدل هوش مصنوعی اختصاصی و بسیار پیچیده استفاده نکرد.

ایجنت‌ها بر پایه‌ی مدل‌های عمومی و آماده‌ی شرکت‌هایی مانند OpenAI و Anthropic ساخته شده بودند. جی‌پی‌مورگان در واقع مدل‌های عمومی را درون یک چارچوب مشخص قرار داده و مجموعه‌ای از قوانین و مراحل تصمیم‌گیری برای آن‌ها تعریف کرده بود.

این موضوع می‌تواند از خود نتیجه‌ی آزمایش نیز مهم‌تر باشد. اگر برای ساخت چنین سیستمی به یک مدل کاملاً اختصاصی و چندمیلیارددلاری نیاز نباشد، شرکت‌های کوچک‌تر، صندوق‌های سرمایه‌گذاری و مدیران دارایی نیز ممکن است بتوانند نمونه‌های مشابهی ایجاد کنند.

به عبارت دیگر، این فناوری ممکن است فقط در اختیار بانک‌های بزرگ باقی نماند. ترکیب مدل‌های عمومی هوش مصنوعی با داده‌های اقتصادی و قوانین مشخص می‌تواند امکان ساخت ابزارهای مدیریت سرمایه را برای مجموعه‌های بیشتری فراهم کند.

البته دسترسی آسان‌تر به این فناوری فقط فرصت ایجاد نمی‌کند و می‌تواند ریسک‌های تازه‌ای نیز به همراه داشته باشد.

نتیجه‌ی آزمایش چقدر بهتر بود؟

بر اساس داده‌های منتشرشده، بهترین ایجنت هوش مصنوعی به‌طور متوسط سالانه حدود ۰.۷ واحد درصد بازدهی بیشتری نسبت به سبد سنتی ۶۰/۴۰ ایجاد کرد. درعین‌حال، نوسان قیمت سبد آن نیز کمتر بود.

در نگاه اول، اختلاف ۰.۷ واحد درصد ممکن است رقم بزرگی به نظر نرسد. اما در سرمایه‌گذاری بلندمدت، اثر سود مرکب (Compound interest) می‌تواند همین اختلاف کوچک را به تفاوت قابل‌توجهی تبدیل کند. اثر سود مرکب یعنی سودی که علاوه بر سرمایه‌ی اولیه، روی سودهای قبلی نیز محاسبه می‌شود و در بلندمدت باعث رشد سریع‌تر سرمایه می‌شود.

برای نمونه، اگر یک سبد سرمایه‌گذاری طی ۲۰ سال به‌طور متوسط سالانه ۷ درصد بازدهی ایجاد کند، افزایش بازدهی سالانه به ۷.۷ درصد می‌تواند ارزش نهایی سرمایه را حدود ۱۴ درصد بیشتر کند.

معیار مهم دیگر در این آزمایش، نسبت شارپ (Sharpe ratio) بود. نسبت شارپ نشان می‌دهد یک سرمایه‌گذار در برابر ریسکی که پذیرفته، چه میزان بازدهی به دست آورده است. هرچه این نسبت بالاتر باشد، عملکرد سبد از نظر بازدهی متناسب با ریسک بهتر ارزیابی می‌شود.

نسبت شارپ ۸ ایجنت جی‌پی‌مورگان بین ۰.۷۴ تا ۰.۹۵ قرار داشت، درحالی‌که این رقم برای سبد ۶۰/۴۰ حدود ۰.۶۱ بود.

ایجنت‌ها همچنین توانستند مدل قانون‌محور قبلی خود جی‌پی‌مورگان را شکست دهند؛ مدلی که از قبل برای تحلیل رژیم‌های اقتصادی و ارائه‌ی توصیه‌های سرمایه‌گذاری به مشتریان مورد استفاده قرار می‌گرفت. بنابراین، مدل‌های هوش مصنوعی فقط با یک معیار ساده مقایسه نشدند، بلکه از یکی از ابزارهای تحلیلی داخلی خود بانک نیز عملکرد بهتری نشان دادند.

چرا خود جی‌پی‌ مورگان به نتیجه آزمایش اعتماد کامل ندارد؟

با وجود عملکرد ظاهراً قدرتمند ایجنت‌ها، تیم استراتژی جی‌پی‌ مورگان اعلام کرده که هنوز برای واگذاری تصمیم‌های مربوط به تخصیص دارایی به یک ایجنت هوش مصنوعی محتاط است.دلیل اصلی این احتیاط، ماهیت بک‌تست (Backtest) است.

بک‌تست به این معناست که یک استراتژی را روی اطلاعات گذشته‌ی بازار اجرا کنیم تا ببینیم در صورت استفاده از آن، چه نتیجه‌ای به دست می‌آمد. این روش برای ارزیابی اولیه‌ی استراتژی‌ها مفید است، اما نمی‌تواند عملکرد آینده را تضمین کند.

یکی از مهم‌ترین مشکلات بک‌تست، «بیش‌برازش» یا Overfitting است. اگر تعداد زیادی مدل، قانون و تنظیمات مختلف آزمایش شوند، ممکن است یکی از آن‌ها صرفاً بر اثر شانس عملکرد بسیار خوبی روی داده‌های گذشته نشان دهد.

چنین مدلی لزوماً منطق اقتصادی قدرتمندی ندارد. ممکن است فقط به‌طور تصادفی با شرایط همان دوره‌ی تاریخی هماهنگ شده باشد. زمانی که شرایط بازار تغییر کند، عملکرد آن نیز می‌تواند به‌شدت افت کند.

در حوزه‌ی هوش مصنوعی، خطر دیگری نیز وجود دارد. مدل‌های زبانی عمومی روی حجم بزرگی از متن‌های تاریخی آموزش دیده‌اند. بنابراین ممکن است اطلاعاتی درباره‌ی بحران مالی ۲۰۰۸، سقوط بازار در سال ۲۰۲۰ یا اتفاقات سال ۲۰۲۲ در داده‌های آموزشی آن‌ها وجود داشته باشد.

در این صورت، مدل هنگام تحلیل گذشته ممکن است به‌صورت مستقیم یا غیرمستقیم از نتیجه‌ی نهایی رویدادها اطلاع داشته باشد. این مسئله می‌تواند نوعی «سوگیری نگاه به آینده» یا Look-ahead Bias ایجاد کند و نتایج را بهتر از واقعیت نشان دهد.

در بازار واقعی، سرمایه‌گذار نتیجه‌ی آینده را نمی‌داند. بنابراین سیستمی که با آگاهی پنهان از اتفاقات تاریخی تصمیم می‌گیرد، ممکن است در بک‌تست عالی به نظر برسد، اما در آینده همان دقت را نداشته باشد.

هزینه‌هایی که در شبیه‌سازی دیده نمی‌شوند

مشکل دیگر به هزینه‌های اجرای استراتژی مربوط می‌شود. سبد ثابت ۶۰/۴۰ معمولاً به معاملات مداوم نیاز ندارد. سرمایه‌گذار می‌تواند ترکیب اصلی سبد را حفظ کند و فقط در فواصل زمانی مشخص آن را متعادل‌سازی کند.

اما یک ایجنت هوش مصنوعی که مرتباً شرایط اقتصادی را ارزیابی و ترکیب سبد را تغییر می‌دهد، ممکن است تعداد معاملات بیشتری انجام دهد. این معاملات هزینه دارند.

کارمزد صرافی یا کارگزار، اختلاف میان قیمت خرید و فروش، لغزش قیمت (Slippage)، مالیات و هزینه‌ی جابه‌جایی سرمایه می‌تواند بخشی از بازدهی را کاهش دهد.

موضوع دیگری نیز وجود دارد که در معاملات با پول واقعی اهمیت بیشتری پیدا می‌کند. زمانی که یک صندوق بزرگ سفارش خرید یا فروش سنگینی ثبت می‌کند، خود این سفارش می‌تواند قیمت بازار را تغییر دهد. اما در بک‌تست، معامله معمولاً بدون تأثیرگذاری بر بازار و با قیمت‌های ثبت‌شده‌ی تاریخی انجام می‌شود.

اگر برتری ایجنت فقط ۰.۷ واحد درصد در سال باشد، هزینه‌های معاملاتی و تأثیر سفارش‌ها بر قیمت می‌تواند بخش بزرگی از این مزیت را از بین ببرد.

خطر استراتژی یکسان مدل‌های هوش مصنوعی

استفاده‌ی گسترده از ایجنت‌های سرمایه‌گذاری یک ریسک مهم دیگر نیز ایجاد می‌کند: رفتار گله‌ای یا Herd Behavior.

اگر بانک‌ها، صندوق‌ها و شرکت‌های سرمایه‌گذاری مختلف از مدل‌های مشابه، داده‌های مشابه و قواعد مشابه استفاده کنند، ممکن است همه‌ی آن‌ها تقریباً در یک زمان به نتیجه‌ی یکسانی برسند.

برای مثال، اگر مدل‌ها شرایط بازار را پرریسک تشخیص دهند، ممکن است تعداد زیادی از صندوق‌ها هم‌زمان سهام خود را بفروشند و وارد اوراق قرضه یا دارایی‌های امن شوند.

این رفتار در شرایط عادی ممکن است منطقی به نظر برسد، اما در زمان بحران می‌تواند شدت سقوط بازار را افزایش دهد. فروش هم‌زمانِ تعداد زیادی از سرمایه‌گذاران بزرگ می‌تواند قیمت‌ها را با سرعت بیشتری کاهش دهد و موج تازه‌ای از فروش ایجاد کند.

بانک مرکزی انگلیس و هیئت ثبات مالی پیش‌تر درباره‌ی چنین خطری هشدار داده‌اند. از دید نهادهای ناظر، استفاده‌ی گسترده از مدل‌های مشترک می‌تواند همبستگی میان معاملات را افزایش دهد و بازار را در برابر شوک‌های ناگهانی آسیب‌پذیرتر کند.

اتکای زیاد به تعداد محدودی از شرکت‌های ارائه‌دهنده‌ی مدل هوش مصنوعی نیز می‌تواند ریسک تمرکز ایجاد کند. اگر بسیاری از مؤسسات مالی از مدل‌های یکسان OpenAI، Anthropic یا سایر شرکت‌ها استفاده کنند، یک خطا یا ضعف مشترک ممکن است هم‌زمان بر تصمیم تعداد زیادی از بازیگران بازار اثر بگذارد.

فاصله میان آزمایش و مدیریت پول واقعی

جی‌پی‌ مورگان تجربه‌ی گسترده‌ای در استفاده‌ی داخلی از هوش مصنوعی دارد. ابزار  LLM Suite  این بانک تنها طی ۸ ماه در اختیار حدود ۲۰۰ هزار کارمند قرار گرفت. از این ابزارها برای کارهایی مانند نوشتن، خلاصه‌سازی و پردازش اطلاعات استفاده می‌شود.

اما استفاده از هوش مصنوعی برای نوشتن یک گزارش با استفاده از آن برای مدیریت سرمایه تفاوت بزرگی دارد. اگر یک مدل در خلاصه‌سازی متن اشتباه کند، معمولاً می‌توان اشتباه آن را اصلاح کرد. اما اگر همان مدل شرایط بازار را نادرست تشخیص دهد و میلیاردها دلار سرمایه را در موقعیت اشتباهی قرار دهد، زیان آن می‌تواند واقعی و گسترده باشد.

به همین دلیل، جی‌پی‌ مورگان با وجود انتشار نتایج تحقیق، هنوز این ایجنت‌ها را به یک محصول سرمایه‌گذاری واقعی تبدیل نکرده است. بانک درواقع تحقیق را منتشر کرده، اما کنترل سرمایه‌‌ی مشتریان را به هوش مصنوعی نسپرده است.

این تصمیم نشان می‌دهد که خود جی‌پی‌ مورگان نیز فاصله‌ی زیادی میان موفقیت در محیط آزمایشگاهی و موفقیت در بازار واقعی می‌بیند.

آیا هوش مصنوعی، آینده‌ی مدیریت سرمایه است؟

نتایج این آزمایش نشان می‌دهد ایجنت‌های هوش مصنوعی می‌توانند در تحلیل شرایط اقتصادی، دسته‌بندی رژیم‌های بازار و تنظیم ترکیب سبد سرمایه‌گذاری نقش مهمی داشته باشند.

مزیت اصلی آن‌ها سرعت، توانایی پردازش حجم زیادی از داده و اجرای مداوم یک فرایند مشخص است. برخلاف انسان، ایجنت خسته نمی‌شود و می‌تواند در فواصل کوتاه، داده‌ها را دوباره بررسی کند.

با این حال، بازار مالی محیطی ثابت و قابل‌پیش‌بینی نیست. روابط اقتصادی تغییر می‌کنند، بحران‌های جدید به وجود می‌آیند و رویدادهایی اتفاق می‌افتند که مشابه‌ی دقیقی در داده‌های گذشته ندارند.

مدلی که روی بحران‌های قبلی آموزش دیده، ممکن است در برابر یک بحران کاملاً جدید رفتار مناسبی نداشته باشد. همچنین تشخیص درست شرایط اقتصادی فقط به داده‌های عددی وابسته نیست و گاهی به درک سیاست، رفتار سرمایه‌گذاران، تحولات ژئوپلیتیکی و تصمیم‌های غیرمنتظره دولت‌ها نیاز دارد.

احتمالاً در کوتاه‌مدت، ایجنت‌های هوش مصنوعی بیشتر به‌عنوان ابزار کمکی برای مدیران سرمایه مورد استفاده قرار خواهند گرفت، نه جایگزینی کامل برای آن‌ها. مدل می‌تواند داده‌ها را تحلیل و سناریوهای مختلف را ارائه کند، اما تصمیم نهایی همچنان با نظارت انسان اجرا شود.

جمع‌بندی

آزمایش جی‌پی‌ مورگان یکی از نشانه‌های مهم گسترش هوش مصنوعی از حوزه‌ی تولید متن و تحلیل اطلاعات به تصمیم‌گیری‌های مالی است.

۸ ایجنت ساخته‌شده توسط این بانک توانستند در بک‌تست‌های تقریباً ۲۰ ساله، از سبد سنتی ۶۰/۴۰ و حتی مدل قانون‌محور قبلی جی‌پی‌ مورگان بهتر عمل کنند. بهترین مدل سالانه حدود ۰.۷ واحد درصد بازدهی بیشتر، همراه با نوسان کمتر ایجاد کرد.

با این وجود، این نتایج هنوز به معنای پیروزی قطعی هوش مصنوعی در مدیریت سرمایه نیست. خطر بیش‌برازش، سوگیری نگاه به آینده، هزینه‌های معاملاتی، لغزش قیمت، رفتار گله‌ای و نبود سابقه‌ی واقعی از مهم‌ترین محدودیت‌های این آزمایش هستند. هیچ‌کدام از ایجنت‌ها تاکنون حتی یک دلار پول واقعی مدیریت نکرده‌اند.

بنابراین مهم‌ترین آزمون هنوز انجام نشده است. عملکرد واقعی و خارج از داده‌های تاریخی تنها معیاری است که می‌تواند موفقیت این مدل‌ها را اثبات کند. درحال‌حاضر می‌توان گفت ایجنت‌های هوش مصنوعی در شبیه‌سازی توانسته‌اند سبد ۶۰/۴۰ را شکست دهند؛ اما تا زمانی که وارد بازار واقعی نشوند و در دوره‌های مختلف اقتصادی عملکرد پایداری ثبت نکنند، روش سنتی همچنان جایگاه خود را حفظ خواهد کرد.

هوش مصنوعی آزمون گذشته را با موفقیت پشت سر گذاشته است؛ اما امتحان اصلی آن در آینده‌ی بازار برگزار می‌شود.

سلب مسئولیت:

مطالب منتشرشده صرفاً با هدف اطلاع‌رسانی تهیه شده و فاقد هرگونه وابستگی، جانبداری یا جهت‌گیری سیاسی و حزبی است و به‌هیچ‌وجه توصیه‌ای برای خرید، فروش یا نگهداری دارایی‌های مالی، سهام، ارزهای دیجیتال یا سایر ابزارهای سرمایه‌گذاری محسوب نمی‌شود. تصمیم‌گیری برای سرمایه‌گذاری بر عهده‌ی مخاطب است و توصیه می‌شود پیش از هر اقدامی، تحقیقات کافی انجام داده و در صورت نیاز با مشاور مالی متخصص مشورت کنید.