AI ಷೇರು ಮಾರುಕಟ್ಟೆಯನ್ನು ಊಹಿಸಬಹುದೇ?

ಪರಿಚಯ

ಪ್ರಪಂಚದಾದ್ಯಂತದ ಸಾಂಸ್ಥಿಕ ಮತ್ತು ಚಿಲ್ಲರೆ ಹೂಡಿಕೆದಾರರು ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆಯನ್ನು ಊಹಿಸುವುದು ಬಹಳ ಹಿಂದಿನಿಂದಲೂ ಬಯಸುವ ಆರ್ಥಿಕ "ಹೋಲಿ ಗ್ರೇಲ್" ಆಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ (ML) , ಈ ತಂತ್ರಜ್ಞಾನಗಳು ಅಂತಿಮವಾಗಿ ಸ್ಟಾಕ್ ಬೆಲೆಗಳನ್ನು ಮುನ್ಸೂಚಿಸುವ ರಹಸ್ಯವನ್ನು ಬಹಿರಂಗಪಡಿಸಿವೆಯೇ ಎಂದು ಹಲವರು ಆಶ್ಚರ್ಯ ಪಡುತ್ತಾರೆ. AI ಷೇರು ಮಾರುಕಟ್ಟೆಯನ್ನು ಊಹಿಸಬಹುದೇ? ಹಣಕಾಸು ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಮಾಡಬಹುದು ಮತ್ತು ಸಾಧ್ಯವಿಲ್ಲ ಎಂಬುದರ ಕುರಿತು ನಾವು ಪ್ರಚಾರದ ಬದಲು ಸಂಶೋಧನೆಯ ಆಧಾರದ ಮೇಲೆ ಪಕ್ಷಪಾತವಿಲ್ಲದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ

ದಕ್ಷ ಮಾರುಕಟ್ಟೆ ಕಲ್ಪನೆ (EMH) ಒತ್ತಿಹೇಳುತ್ತದೆ . EMH (ವಿಶೇಷವಾಗಿ ಅದರ "ಬಲವಾದ" ರೂಪದಲ್ಲಿ) ಸ್ಟಾಕ್ ಬೆಲೆಗಳು ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ಲಭ್ಯವಿರುವ ಎಲ್ಲಾ ಮಾಹಿತಿಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ ಎಂದು ಪ್ರತಿಪಾದಿಸುತ್ತದೆ, ಅಂದರೆ ಯಾವುದೇ ಹೂಡಿಕೆದಾರರು (ಒಳಗಿನವರು ಸಹ ಅಲ್ಲ) ಲಭ್ಯವಿರುವ ಮಾಹಿತಿಯ ಮೇಲೆ ವ್ಯಾಪಾರ ಮಾಡುವ ಮೂಲಕ ಸ್ಥಿರವಾಗಿ ಮಾರುಕಟ್ಟೆಯನ್ನು ಮೀರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ( ನರಮಂಡಲಗಳ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾ-ಚಾಲಿತ ಸ್ಟಾಕ್ ಮುನ್ಸೂಚನೆ ಮಾದರಿಗಳು: ಒಂದು ವಿಮರ್ಶೆ ). ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮಾರುಕಟ್ಟೆಗಳು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿದ್ದರೆ ಮತ್ತು ಬೆಲೆಗಳು ಯಾದೃಚ್ಛಿಕ ನಡಿಗೆಯಲ್ಲಿ , ಭವಿಷ್ಯದ ಬೆಲೆಗಳನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸುವುದು ಅಸಾಧ್ಯ. ಈ ಸಿದ್ಧಾಂತದ ಹೊರತಾಗಿಯೂ, ಮಾರುಕಟ್ಟೆಯನ್ನು ಸೋಲಿಸುವ ಆಮಿಷವು ಮುಂದುವರಿದ ಮುನ್ಸೂಚಕ ವಿಧಾನಗಳ ಬಗ್ಗೆ ವ್ಯಾಪಕವಾದ ಸಂಶೋಧನೆಯನ್ನು ಪ್ರೇರೇಪಿಸಿದೆ. AI ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯು ಈ ಅನ್ವೇಷಣೆಗೆ ಕೇಂದ್ರವಾಗಿದೆ, ಅಪಾರ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಮತ್ತು ಮಾನವರು ತಪ್ಪಿಸಿಕೊಳ್ಳಬಹುದಾದ ಸೂಕ್ಷ್ಮ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಧನ್ಯವಾದಗಳು ( ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವುದು... | FMP ).

ಈ ಶ್ವೇತಪತ್ರವು ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಗೆ ಬಳಸುವ AI ತಂತ್ರಗಳ ಸಮಗ್ರ ಅವಲೋಕನವನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಅವುಗಳ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ನಾವು ಜನಪ್ರಿಯ ಮಾದರಿಗಳ ಸೈದ್ಧಾಂತಿಕ ಅಡಿಪಾಯಗಳನ್ನು ಡೇಟಾ ಮತ್ತು ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮತ್ತು ಮಾರುಕಟ್ಟೆ ದಕ್ಷತೆ, ಡೇಟಾ ಶಬ್ದ ಮತ್ತು ಅನಿರೀಕ್ಷಿತ ಬಾಹ್ಯ ಘಟನೆಗಳಂತಹ ಅಂತಹ ವ್ಯವಸ್ಥೆಗಳು ಎದುರಿಸುತ್ತಿರುವ ಪ್ರಮುಖ ಮಿತಿಗಳು ಮತ್ತು ಸವಾಲುಗಳನ್ನು . ಇಲ್ಲಿಯವರೆಗೆ ಪಡೆದ ಮಿಶ್ರ ಫಲಿತಾಂಶಗಳನ್ನು ವಿವರಿಸಲು ನೈಜ-ಪ್ರಪಂಚದ ಅಧ್ಯಯನಗಳು ಮತ್ತು ಉದಾಹರಣೆಗಳನ್ನು ಸೇರಿಸಲಾಗಿದೆ. ಅಂತಿಮವಾಗಿ, ಹೂಡಿಕೆದಾರರು ಮತ್ತು ವೃತ್ತಿಪರರಿಗೆ ವಾಸ್ತವಿಕ ನಿರೀಕ್ಷೆಗಳೊಂದಿಗೆ ನಾವು ಮುಕ್ತಾಯಗೊಳಿಸುತ್ತೇವೆ: ಯಾವುದೇ ಅಲ್ಗಾರಿದಮ್ ಸಂಪೂರ್ಣವಾಗಿ ತೊಡೆದುಹಾಕಲು ಸಾಧ್ಯವಾಗದ ಅನಿರೀಕ್ಷಿತತೆಯ ಮಟ್ಟವನ್ನು ಹಣಕಾಸು ಮಾರುಕಟ್ಟೆಗಳು ಉಳಿಸಿಕೊಂಡಿವೆ ಎಂದು ಗುರುತಿಸುವಾಗ AI ಯ ಪ್ರಭಾವಶಾಲಿ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವುದು.

ಷೇರು ಮಾರುಕಟ್ಟೆ ಭವಿಷ್ಯವಾಣಿಯಲ್ಲಿ AI ನ ಸೈದ್ಧಾಂತಿಕ ಅಡಿಪಾಯಗಳು

ಆಧುನಿಕ AI-ಆಧಾರಿತ ಸ್ಟಾಕ್ ಭವಿಷ್ಯವು ಅಂಕಿಅಂಶಗಳು, ಹಣಕಾಸು ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನದಲ್ಲಿನ ದಶಕಗಳ ಸಂಶೋಧನೆಯ ಮೇಲೆ ನಿರ್ಮಿಸಲ್ಪಟ್ಟಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿಗಳಿಂದ ಅತ್ಯಾಧುನಿಕ AI ವರೆಗಿನ ವಿಧಾನಗಳ ವರ್ಣಪಟಲವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಉಪಯುಕ್ತವಾಗಿದೆ:

• ಸಾಂಪ್ರದಾಯಿಕ ಸಮಯ-ಸರಣಿ ಮಾದರಿಗಳು: ಆರಂಭಿಕ ಸ್ಟಾಕ್ ಮುನ್ಸೂಚನೆಯು ಹಿಂದಿನ ಬೆಲೆಗಳಲ್ಲಿನ ಮಾದರಿಗಳು ಭವಿಷ್ಯವನ್ನು ಯೋಜಿಸಬಹುದು ಎಂದು ಊಹಿಸುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ. ARIMA (ಆಟೋ-ರಿಗ್ರೆಸಿವ್ ಇಂಟಿಗ್ರೇಟೆಡ್ ಮೂವಿಂಗ್ ಆವರೇಜ್) ಮತ್ತು ARCH/GARCH ಸಮಯ-ಸರಣಿ ಡೇಟಾದಲ್ಲಿ ರೇಖೀಯ ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಚಂಚಲತೆಯ ಕ್ಲಸ್ಟರಿಂಗ್ ಅನ್ನು ಸೆರೆಹಿಡಿಯುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ ( ನರಮಂಡಲ ಜಾಲಗಳನ್ನು ಆಧರಿಸಿದ ಡೇಟಾ-ಚಾಲಿತ ಸ್ಟಾಕ್ ಮುನ್ಸೂಚನೆ ಮಾದರಿಗಳು: ಒಂದು ವಿಮರ್ಶೆ ). ಈ ಮಾದರಿಗಳು ಸ್ಥಿರತೆ ಮತ್ತು ರೇಖೀಯತೆಯ ಊಹೆಗಳ ಅಡಿಯಲ್ಲಿ ಐತಿಹಾಸಿಕ ಬೆಲೆ ಅನುಕ್ರಮಗಳನ್ನು ಮಾಡೆಲಿಂಗ್ ಮಾಡುವ ಮೂಲಕ ಭವಿಷ್ಯವಾಣಿಗೆ ಆಧಾರವನ್ನು ಒದಗಿಸುತ್ತವೆ. ಉಪಯುಕ್ತವಾಗಿದ್ದರೂ, ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ನೈಜ ಮಾರುಕಟ್ಟೆಗಳ ಸಂಕೀರ್ಣ, ರೇಖಾತ್ಮಕವಲ್ಲದ ಮಾದರಿಗಳೊಂದಿಗೆ ಹೋರಾಡುತ್ತವೆ, ಇದು ಆಚರಣೆಯಲ್ಲಿ ಸೀಮಿತ ಮುನ್ಸೂಚನೆ ನಿಖರತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ ( ನರಮಂಡಲ ಜಾಲಗಳನ್ನು ಆಧರಿಸಿದ ಡೇಟಾ-ಚಾಲಿತ ಸ್ಟಾಕ್ ಮುನ್ಸೂಚನೆ ಮಾದರಿಗಳು: ಒಂದು ವಿಮರ್ಶೆ ).

• ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳು: ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳು ಪೂರ್ವನಿರ್ಧರಿತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸೂತ್ರಗಳನ್ನು ಮೀರಿ ಡೇಟಾದಿಂದ ನೇರವಾಗಿ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುವ . ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳು (SVM) , ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯಗಳು ಮತ್ತು ಗ್ರೇಡಿಯಂಟ್ ಬೂಸ್ಟಿಂಗ್‌ನಂತಹ ಸ್ಟಾಕ್ ಭವಿಷ್ಯಕ್ಕೆ ಅನ್ವಯಿಸಲಾಗಿದೆ. ಅವು ತಾಂತ್ರಿಕ ಸೂಚಕಗಳಿಂದ (ಉದಾ, ಚಲಿಸುವ ಸರಾಸರಿಗಳು, ವ್ಯಾಪಾರದ ಪರಿಮಾಣ) ಮೂಲಭೂತ ಸೂಚಕಗಳವರೆಗೆ (ಉದಾ, ಗಳಿಕೆಗಳು, ಸ್ಥೂಲ ಆರ್ಥಿಕ ಡೇಟಾ) ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಇನ್‌ಪುಟ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸಂಯೋಜಿಸಬಹುದು ಮತ್ತು ಅವುಗಳ ನಡುವೆ ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು. ಉದಾಹರಣೆಗೆ, ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ ಅಥವಾ ಗ್ರೇಡಿಯಂಟ್ ಬೂಸ್ಟಿಂಗ್ ಮಾದರಿಯು ಡಜನ್ಗಟ್ಟಲೆ ಅಂಶಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಪರಿಗಣಿಸಬಹುದು, ಸರಳ ರೇಖೀಯ ಮಾದರಿಯು ತಪ್ಪಿಸಿಕೊಳ್ಳಬಹುದಾದ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ. ಈ ML ಮಾದರಿಗಳು ಡೇಟಾದಲ್ಲಿನ ಸಂಕೀರ್ಣ ಸಂಕೇತಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಮೂಲಕ ಮುನ್ಸೂಚಕ ನಿಖರತೆಯನ್ನು ಸಾಧಾರಣವಾಗಿ ಸುಧಾರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸಿವೆ ( ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವುದು... | FMP ). ಆದಾಗ್ಯೂ, ಅವುಗಳಿಗೆ ಎಚ್ಚರಿಕೆಯಿಂದ ಟ್ಯೂನಿಂಗ್ ಮತ್ತು ಅತಿಯಾದ ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ತಪ್ಪಿಸಲು ಸಾಕಷ್ಟು ಡೇಟಾ ಅಗತ್ಯವಿರುತ್ತದೆ (ಸಿಗ್ನಲ್‌ಗಿಂತ ಕಲಿಕೆಯ ಶಬ್ದ).

• ಆಳವಾದ ಕಲಿಕೆ (ನರ ​​ಜಾಲಗಳು): ಮಾನವ ಮೆದುಳಿನ ರಚನೆಯಿಂದ ಪ್ರೇರಿತವಾದ ಆಳವಾದ ನರ ಜಾಲಗಳು ಪುನರಾವರ್ತಿತ ನರ ಜಾಲಗಳು (RNN ಗಳು) ಮತ್ತು ಅವುಗಳ ರೂಪಾಂತರವಾದ ದೀರ್ಘ ಅಲ್ಪಾವಧಿಯ ಮೆಮೊರಿ (LSTM) ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ಸ್ಟಾಕ್ ಬೆಲೆ ಸಮಯ ಸರಣಿಯಂತಹ ಅನುಕ್ರಮ ದತ್ತಾಂಶಕ್ಕಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. LSTM ಗಳು ಹಿಂದಿನ ಮಾಹಿತಿಯ ಸ್ಮರಣೆಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ತಾತ್ಕಾಲಿಕ ಅವಲಂಬನೆಗಳನ್ನು ಸೆರೆಹಿಡಿಯಬಹುದು, ಇದು ಮಾದರಿ ಪ್ರವೃತ್ತಿಗಳು, ಚಕ್ರಗಳು ಅಥವಾ ಮಾರುಕಟ್ಟೆ ದತ್ತಾಂಶದಲ್ಲಿನ ಇತರ ಸಮಯ-ಅವಲಂಬಿತ ಮಾದರಿಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ. ಸಂಶೋಧನೆಯು LSTM ಗಳು ಮತ್ತು ಇತರ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಸಂಕೀರ್ಣ, ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂಬಂಧಗಳನ್ನು . ಇತರ ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳಲ್ಲಿ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು (CNN ಗಳು) (ಕೆಲವೊಮ್ಮೆ ತಾಂತ್ರಿಕ ಸೂಚಕ "ಚಿತ್ರಗಳು" ಅಥವಾ ಎನ್‌ಕೋಡ್ ಮಾಡಿದ ಅನುಕ್ರಮಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ), ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್‌ಗಳು (ವಿಭಿನ್ನ ಸಮಯದ ಹಂತಗಳು ಅಥವಾ ಡೇಟಾ ಮೂಲಗಳ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಅಳೆಯಲು ಗಮನ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಬಳಸುತ್ತವೆ), ಮತ್ತು ಗ್ರಾಫ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು (GNN ಗಳು) (ಮಾರುಕಟ್ಟೆ ಗ್ರಾಫ್‌ನಲ್ಲಿ ಸ್ಟಾಕ್‌ಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ಮಾದರಿ ಮಾಡಲು) ಸೇರಿವೆ. ಈ ಮುಂದುವರಿದ ನರ ಜಾಲಗಳು ಬೆಲೆ ದತ್ತಾಂಶವನ್ನು ಮಾತ್ರವಲ್ಲದೆ ಸುದ್ದಿ ಪಠ್ಯ, ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಭಾವನೆ ಮತ್ತು ಇನ್ನೂ ಹೆಚ್ಚಿನ ಪರ್ಯಾಯ ದತ್ತಾಂಶ ಮೂಲಗಳನ್ನು ಸಹ ಸೇವಿಸಬಹುದು, ಮಾರುಕಟ್ಟೆ ಚಲನೆಗಳನ್ನು ಮುನ್ಸೂಚಕವಾಗಿಸಬಹುದಾದ ಅಮೂರ್ತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಲಿಯಬಹುದು ( ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವುದು... | FMP ). ಆಳವಾದ ಕಲಿಕೆಯ ನಮ್ಯತೆಯು ವೆಚ್ಚದೊಂದಿಗೆ ಬರುತ್ತದೆ: ಅವು ಡೇಟಾ-ಹಸಿದ, ಕಂಪ್ಯೂಟೇಶನಲ್ ಆಗಿ ತೀವ್ರವಾಗಿರುತ್ತವೆ ಮತ್ತು ಕಡಿಮೆ ವ್ಯಾಖ್ಯಾನದೊಂದಿಗೆ "ಕಪ್ಪು ಪೆಟ್ಟಿಗೆಗಳು" ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ.

• ಬಲವರ್ಧನೆ ಕಲಿಕೆ: AI ಸ್ಟಾಕ್ ಭವಿಷ್ಯವಾಣಿಯಲ್ಲಿ ಮತ್ತೊಂದು ಗಡಿ ಬಲವರ್ಧನೆ ಕಲಿಕೆ (RL) , ಇಲ್ಲಿ ಗುರಿ ಬೆಲೆಗಳನ್ನು ಊಹಿಸುವುದು ಮಾತ್ರವಲ್ಲ, ಅತ್ಯುತ್ತಮ ವ್ಯಾಪಾರ ತಂತ್ರವನ್ನು ಕಲಿಯುವುದು. RL ಚೌಕಟ್ಟಿನಲ್ಲಿ, ಏಜೆಂಟ್ (AI ಮಾದರಿ) ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೂಲಕ (ಖರೀದಿ, ಮಾರಾಟ, ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುವಿಕೆ) ಮತ್ತು ಪ್ರತಿಫಲಗಳನ್ನು (ಲಾಭ ಅಥವಾ ನಷ್ಟಗಳು) ಪಡೆಯುವ ಮೂಲಕ ಪರಿಸರದೊಂದಿಗೆ (ಮಾರುಕಟ್ಟೆ) ಸಂವಹನ ನಡೆಸುತ್ತಾನೆ. ಕಾಲಾನಂತರದಲ್ಲಿ, ಏಜೆಂಟ್ ಸಂಚಿತ ಪ್ರತಿಫಲವನ್ನು ಹೆಚ್ಚಿಸುವ ನೀತಿಯನ್ನು ಕಲಿಯುತ್ತಾನೆ. ಡೀಪ್ ರೀಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ (DRL) ಮಾರುಕಟ್ಟೆಗಳ ದೊಡ್ಡ ರಾಜ್ಯ-ಸ್ಥಳವನ್ನು ನಿರ್ವಹಿಸಲು ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯೊಂದಿಗೆ ನರಮಂಡಲಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಹಣಕಾಸಿನಲ್ಲಿ RL ನ ಆಕರ್ಷಣೆಯೆಂದರೆ ನಿರ್ಧಾರಗಳ ಅನುಕ್ರಮವನ್ನು ಮತ್ತು ಹೂಡಿಕೆಯ ಲಾಭಕ್ಕಾಗಿ ನೇರವಾಗಿ ಅತ್ಯುತ್ತಮವಾಗಿಸುವ ಸಾಮರ್ಥ್ಯ, ಪ್ರತ್ಯೇಕವಾಗಿ ಬೆಲೆಗಳನ್ನು ಊಹಿಸುವ ಬದಲು. ಉದಾಹರಣೆಗೆ, ಬೆಲೆ ಸಂಕೇತಗಳ ಆಧಾರದ ಮೇಲೆ ಸ್ಥಾನಗಳನ್ನು ಪ್ರವೇಶಿಸಲು ಅಥವಾ ನಿರ್ಗಮಿಸಲು RL ಏಜೆಂಟ್ ಕಲಿಯಬಹುದು ಮತ್ತು ಮಾರುಕಟ್ಟೆ ಪರಿಸ್ಥಿತಿಗಳು ಬದಲಾದಂತೆ ಹೊಂದಿಕೊಳ್ಳಬಹುದು. ಗಮನಾರ್ಹವಾಗಿ, ಪರಿಮಾಣಾತ್ಮಕ ವ್ಯಾಪಾರ ಸ್ಪರ್ಧೆಗಳಲ್ಲಿ ಮತ್ತು ಕೆಲವು ಸ್ವಾಮ್ಯದ ವ್ಯಾಪಾರ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಸ್ಪರ್ಧಿಸುವ AI ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು RL ಅನ್ನು ಬಳಸಲಾಗಿದೆ. ಆದಾಗ್ಯೂ, RL ವಿಧಾನಗಳು ಗಮನಾರ್ಹ ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುತ್ತವೆ: ಅವುಗಳಿಗೆ ವ್ಯಾಪಕವಾದ ತರಬೇತಿಯ ಅಗತ್ಯವಿರುತ್ತದೆ (ವರ್ಷಗಳ ವ್ಯಾಪಾರವನ್ನು ಅನುಕರಿಸುವುದು), ಎಚ್ಚರಿಕೆಯಿಂದ ಟ್ಯೂನ್ ಮಾಡದಿದ್ದರೆ ಅಸ್ಥಿರತೆ ಅಥವಾ ವಿಭಿನ್ನ ನಡವಳಿಕೆಯಿಂದ ಬಳಲಬಹುದು ಮತ್ತು ಅವುಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯು ಊಹಿಸಲಾದ ಮಾರುಕಟ್ಟೆ ಪರಿಸರಕ್ಕೆ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ. ಹೆಚ್ಚಿನ ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚ ಮತ್ತು ಸ್ಥಿರತೆ ಸಮಸ್ಯೆಗಳಂತಹ . ಈ ಸವಾಲುಗಳ ಹೊರತಾಗಿಯೂ, RL ಒಂದು ಭರವಸೆಯ ವಿಧಾನವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಹೈಬ್ರಿಡ್ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ವ್ಯವಸ್ಥೆಯನ್ನು ರೂಪಿಸಲು ಇತರ ತಂತ್ರಗಳೊಂದಿಗೆ (ಉದಾ. ಬೆಲೆ ಮುನ್ಸೂಚನೆ ಮಾದರಿಗಳು ಮತ್ತು RL-ಆಧಾರಿತ ಹಂಚಿಕೆ ತಂತ್ರವನ್ನು ಬಳಸುವುದು) ಸಂಯೋಜಿಸಿದಾಗ ( ಡೀಪ್ ರೀಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಬಳಸಿ ಸ್ಟಾಕ್ ಮಾರ್ಕೆಟ್ ಪ್ರಿಡಿಕ್ಷನ್ ).

ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆ

ಮಾದರಿ ಪ್ರಕಾರ ಏನೇ ಇರಲಿ, ದತ್ತಾಂಶವು AI ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಯ ಬೆನ್ನೆಲುಬಾಗಿದೆ . ಮಾದರಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮಾದರಿಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಐತಿಹಾಸಿಕ ಮಾರುಕಟ್ಟೆ ದತ್ತಾಂಶ ಮತ್ತು ಇತರ ಸಂಬಂಧಿತ ಡೇಟಾಸೆಟ್‌ಗಳ ಮೇಲೆ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ. ಸಾಮಾನ್ಯ ದತ್ತಾಂಶ ಮೂಲಗಳು ಮತ್ತು ವೈಶಿಷ್ಟ್ಯಗಳು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿವೆ:

• ಐತಿಹಾಸಿಕ ಬೆಲೆಗಳು ಮತ್ತು ತಾಂತ್ರಿಕ ಸೂಚಕಗಳು: ಬಹುತೇಕ ಎಲ್ಲಾ ಮಾದರಿಗಳು ಹಿಂದಿನ ಸ್ಟಾಕ್ ಬೆಲೆಗಳನ್ನು (ಮುಕ್ತ, ಹೆಚ್ಚಿನ, ಕಡಿಮೆ, ಮುಕ್ತಾಯ) ಮತ್ತು ವ್ಯಾಪಾರದ ಪರಿಮಾಣಗಳನ್ನು ಬಳಸುತ್ತವೆ. ಇವುಗಳಿಂದ, ವಿಶ್ಲೇಷಕರು ಸಾಮಾನ್ಯವಾಗಿ ತಾಂತ್ರಿಕ ಸೂಚಕಗಳನ್ನು (ಚಲಿಸುವ ಸರಾಸರಿಗಳು, ಸಾಪೇಕ್ಷ ಶಕ್ತಿ ಸೂಚ್ಯಂಕ, MACD, ಇತ್ಯಾದಿ) ಇನ್‌ಪುಟ್‌ಗಳಾಗಿ ಪಡೆಯುತ್ತಾರೆ. ಈ ಸೂಚಕಗಳು ಮಾದರಿಯು ಬಳಸಿಕೊಳ್ಳಬಹುದಾದ ಪ್ರವೃತ್ತಿಗಳು ಅಥವಾ ಆವೇಗವನ್ನು ಹೈಲೈಟ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಮಾದರಿಯು ಮುಂದಿನ ದಿನದ ಬೆಲೆ ಚಲನೆಯನ್ನು ಊಹಿಸಲು ಕಳೆದ 10 ದಿನಗಳ ಬೆಲೆಗಳು ಮತ್ತು ಪರಿಮಾಣವನ್ನು ಇನ್‌ಪುಟ್‌ ಆಗಿ ತೆಗೆದುಕೊಳ್ಳಬಹುದು, ಜೊತೆಗೆ 10-ದಿನದ ಚಲಿಸುವ ಸರಾಸರಿ ಅಥವಾ ಚಂಚಲತೆಯ ಅಳತೆಗಳಂತಹ ಸೂಚಕಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು.

• ಮಾರುಕಟ್ಟೆ ಸೂಚ್ಯಂಕಗಳು ಮತ್ತು ಆರ್ಥಿಕ ದತ್ತಾಂಶ: ಅನೇಕ ಮಾದರಿಗಳು ಸೂಚ್ಯಂಕ ಮಟ್ಟಗಳು, ಬಡ್ಡಿದರಗಳು, ಹಣದುಬ್ಬರ, GDP ಬೆಳವಣಿಗೆ ಅಥವಾ ಇತರ ಆರ್ಥಿಕ ಸೂಚಕಗಳಂತಹ ವಿಶಾಲ ಮಾರುಕಟ್ಟೆ ಮಾಹಿತಿಯನ್ನು ಸಂಯೋಜಿಸುತ್ತವೆ. ಈ ಮ್ಯಾಕ್ರೋ ವೈಶಿಷ್ಟ್ಯಗಳು ವೈಯಕ್ತಿಕ ಸ್ಟಾಕ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಸಂದರ್ಭವನ್ನು (ಉದಾ, ಒಟ್ಟಾರೆ ಮಾರುಕಟ್ಟೆ ಭಾವನೆ ಅಥವಾ ಆರ್ಥಿಕ ಆರೋಗ್ಯ) ಒದಗಿಸುತ್ತವೆ.

• ಸುದ್ದಿ ಮತ್ತು ಭಾವನೆಗಳ ಡೇಟಾ: ಸುದ್ದಿ ಲೇಖನಗಳು, ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಫೀಡ್‌ಗಳು (ಟ್ವಿಟರ್, ಸ್ಟಾಕ್‌ಟ್ವಿಟ್ಸ್) ಮತ್ತು ಹಣಕಾಸು ವರದಿಗಳಂತಹ ರಚನೆಯಿಲ್ಲದ ಡೇಟಾವನ್ನು AI ವ್ಯವಸ್ಥೆಗಳು ಹೆಚ್ಚುತ್ತಿವೆ. BERT ನಂತಹ ಮುಂದುವರಿದ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ (NLP) ತಂತ್ರಗಳನ್ನು ಮಾರುಕಟ್ಟೆ ಭಾವನೆಯನ್ನು ಅಳೆಯಲು ಅಥವಾ ಸಂಬಂಧಿತ ಘಟನೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಬಳಸಲಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಸುದ್ದಿ ಭಾವನೆಯು ಕಂಪನಿ ಅಥವಾ ವಲಯಕ್ಕೆ ಇದ್ದಕ್ಕಿದ್ದಂತೆ ತೀವ್ರವಾಗಿ ನಕಾರಾತ್ಮಕವಾಗಿ ತಿರುಗಿದರೆ, AI ಮಾದರಿಯು ಸಂಬಂಧಿತ ಸ್ಟಾಕ್ ಬೆಲೆಗಳಲ್ಲಿ ಕುಸಿತವನ್ನು ಊಹಿಸಬಹುದು. ನೈಜ-ಸಮಯದ ಸುದ್ದಿ ಮತ್ತು ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಭಾವನೆಯನ್ನು , AI ಹೊಸ ಮಾಹಿತಿಗೆ ಮಾನವ ವ್ಯಾಪಾರಿಗಳಿಗಿಂತ ವೇಗವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಬಹುದು.

• ಪರ್ಯಾಯ ದತ್ತಾಂಶ: ಕೆಲವು ಅತ್ಯಾಧುನಿಕ ಹೆಡ್ಜ್ ಫಂಡ್‌ಗಳು ಮತ್ತು AI ಸಂಶೋಧಕರು ಭವಿಷ್ಯಸೂಚಕ ಒಳನೋಟಗಳನ್ನು ಪಡೆಯಲು ಪರ್ಯಾಯ ದತ್ತಾಂಶ ಮೂಲಗಳನ್ನು ಬಳಸುತ್ತಾರೆ - ಉಪಗ್ರಹ ಚಿತ್ರಣ (ಅಂಗಡಿ ಸಂಚಾರ ಅಥವಾ ಕೈಗಾರಿಕಾ ಚಟುವಟಿಕೆಗಾಗಿ), ಕ್ರೆಡಿಟ್ ಕಾರ್ಡ್ ವಹಿವಾಟು ಡೇಟಾ, ವೆಬ್ ಹುಡುಕಾಟ ಪ್ರವೃತ್ತಿಗಳು, ಇತ್ಯಾದಿ. ಈ ಸಾಂಪ್ರದಾಯಿಕವಲ್ಲದ ದತ್ತಾಂಶಗಳು ಕೆಲವೊಮ್ಮೆ ಸ್ಟಾಕ್ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಪ್ರಮುಖ ಸೂಚಕಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು, ಆದರೂ ಅವು ಮಾದರಿ ತರಬೇತಿಯಲ್ಲಿ ಸಂಕೀರ್ಣತೆಯನ್ನು ಪರಿಚಯಿಸುತ್ತವೆ.

ಸ್ಟಾಕ್ ಭವಿಷ್ಯಕ್ಕಾಗಿ AI ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು ಈ ಐತಿಹಾಸಿಕ ಡೇಟಾವನ್ನು ಅದಕ್ಕೆ ನೀಡುವುದು ಮತ್ತು ಭವಿಷ್ಯ ದೋಷವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮಾದರಿಯ ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ವಿಶಿಷ್ಟವಾಗಿ, ಡೇಟಾವನ್ನು ತರಬೇತಿ ಸೆಟ್ (ಉದಾ, ಮಾದರಿಗಳನ್ನು ಕಲಿಯಲು ಹಳೆಯ ಇತಿಹಾಸ) ಮತ್ತು ಪರೀಕ್ಷೆ/ಮೌಲ್ಯಮಾಪನ ಸೆಟ್ (ಕಾಣದ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಇತ್ತೀಚಿನ ಡೇಟಾ) ಎಂದು ವಿಂಗಡಿಸಲಾಗಿದೆ. ಮಾರುಕಟ್ಟೆ ಡೇಟಾದ ಅನುಕ್ರಮ ಸ್ವರೂಪವನ್ನು ನೀಡಿದರೆ, "ಭವಿಷ್ಯದತ್ತ ಇಣುಕುವುದನ್ನು" ತಪ್ಪಿಸಲು ಕಾಳಜಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ - ಉದಾಹರಣೆಗೆ, ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ಅವಧಿಯ ನಂತರದ ಅವಧಿಗಳ ಡೇಟಾದ ಮೇಲೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ, ಅವು ನೈಜ ವ್ಯಾಪಾರದಲ್ಲಿ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಅನುಕರಿಸಲು. ಕ್ರಾಸ್-ಮೌಲ್ಯಮಾಪನ ತಂತ್ರಗಳನ್ನು ಮಾದರಿಯು ಚೆನ್ನಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಕೇವಲ ಒಂದು ನಿರ್ದಿಷ್ಟ ಅವಧಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವುದಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಬಳಸಲಾಗುತ್ತದೆ.

ಇದಲ್ಲದೆ, ವೈದ್ಯರು ದತ್ತಾಂಶ ಗುಣಮಟ್ಟ ಮತ್ತು ಪೂರ್ವ-ಸಂಸ್ಕರಣೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಬೇಕು. ಕಾಣೆಯಾದ ದತ್ತಾಂಶ, ಹೊರವಲಯಗಳು (ಉದಾ. ಸ್ಟಾಕ್ ವಿಭಜನೆಗಳು ಅಥವಾ ಒಂದು-ಬಾರಿ ಘಟನೆಗಳಿಂದಾಗಿ ಹಠಾತ್ ಸ್ಪೈಕ್‌ಗಳು) ಮತ್ತು ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿನ ಆಡಳಿತ ಬದಲಾವಣೆಗಳು ಮಾದರಿ ತರಬೇತಿಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದು. ಸಾಮಾನ್ಯೀಕರಣ, ಡಿಟ್ರೆಂಡಿಂಗ್ ಅಥವಾ ಡಿ-ಸೀಸನಲೈಸಿಂಗ್‌ನಂತಹ ತಂತ್ರಗಳನ್ನು ಇನ್‌ಪುಟ್ ಡೇಟಾಗೆ ಅನ್ವಯಿಸಬಹುದು. ಕೆಲವು ಮುಂದುವರಿದ ವಿಧಾನಗಳು ಬೆಲೆ ಸರಣಿಯನ್ನು ಘಟಕಗಳಾಗಿ (ಟ್ರೆಂಡ್‌ಗಳು, ಚಕ್ರಗಳು, ಶಬ್ದ) ವಿಭಜಿಸುತ್ತವೆ ಮತ್ತು ಅವುಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮಾದರಿ ಮಾಡುತ್ತವೆ (ವ್ಯತ್ಯಾಸ ಮೋಡ್ ವಿಭಜನೆಯನ್ನು ನರಮಂಡಲಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಸಂಶೋಧನೆಯಲ್ಲಿ ಕಂಡುಬರುವಂತೆ ( ಡೀಪ್ ರೀಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಬಳಸಿ ಸ್ಟಾಕ್ ಮಾರ್ಕೆಟ್ ಪ್ರಿಡಿಕ್ಷನ್ )).

ವಿಭಿನ್ನ ಮಾದರಿಗಳು ವಿಭಿನ್ನ ತರಬೇತಿ ಅವಶ್ಯಕತೆಗಳನ್ನು ಹೊಂದಿವೆ: ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳಿಗೆ ಲಕ್ಷಾಂತರ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳು ಬೇಕಾಗಬಹುದು ಮತ್ತು GPU ವೇಗವರ್ಧನೆಯಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಬಹುದು, ಆದರೆ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್‌ನಂತಹ ಸರಳ ಮಾದರಿಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಸಣ್ಣ ಡೇಟಾಸೆಟ್‌ಗಳಿಂದ ಕಲಿಯಬಹುದು. ಬಲವರ್ಧನೆ ಕಲಿಕೆಯ ಮಾದರಿಗಳಿಗೆ ಸಂವಹನ ನಡೆಸಲು ಸಿಮ್ಯುಲೇಟರ್ ಅಥವಾ ಪರಿಸರದ ಅಗತ್ಯವಿರುತ್ತದೆ; ಕೆಲವೊಮ್ಮೆ ಐತಿಹಾಸಿಕ ಡೇಟಾವನ್ನು RL ಏಜೆಂಟ್‌ಗೆ ಮರುಪ್ಲೇ ಮಾಡಲಾಗುತ್ತದೆ ಅಥವಾ ಅನುಭವಗಳನ್ನು ರಚಿಸಲು ಮಾರುಕಟ್ಟೆ ಸಿಮ್ಯುಲೇಟರ್‌ಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.

ಅಂತಿಮವಾಗಿ, ಒಮ್ಮೆ ತರಬೇತಿ ಪಡೆದ ನಂತರ, ಈ ಮಾದರಿಗಳು ಒಂದು ಮುನ್ಸೂಚಕ ಕಾರ್ಯವನ್ನು ನೀಡುತ್ತವೆ - ಉದಾಹರಣೆಗೆ, ನಾಳೆಯ ಊಹಿಸಲಾದ ಬೆಲೆಯಾಗಿರಬಹುದು, ಸ್ಟಾಕ್ ಏರುವ ಸಂಭವನೀಯತೆ ಇರಬಹುದು ಅಥವಾ ಶಿಫಾರಸು ಮಾಡಲಾದ ಕ್ರಮವಾಗಿರಬಹುದು (ಖರೀದಿ/ಮಾರಾಟ). ನಿಜವಾದ ಹಣವನ್ನು ಅಪಾಯಕ್ಕೆ ಸಿಲುಕಿಸುವ ಮೊದಲು ಈ ಮುನ್ನೋಟಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ವ್ಯಾಪಾರ ತಂತ್ರದಲ್ಲಿ (ಸ್ಥಾನ ಗಾತ್ರ, ಅಪಾಯ ನಿರ್ವಹಣಾ ನಿಯಮಗಳು, ಇತ್ಯಾದಿಗಳೊಂದಿಗೆ) ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ.

ಮಿತಿಗಳು ಮತ್ತು ಸವಾಲುಗಳು

AI ಮಾದರಿಗಳು ನಂಬಲಾಗದಷ್ಟು ಅತ್ಯಾಧುನಿಕವಾಗಿದ್ದರೂ, ಷೇರು ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಯು ಅಂತರ್ಗತವಾಗಿ ಸವಾಲಿನ ಕೆಲಸವಾಗಿಯೇ ಉಳಿದಿದೆ . ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ AI ಖಚಿತವಾದ ಭವಿಷ್ಯ ಹೇಳುವವನಾಗುವುದನ್ನು ತಡೆಯುವ ಪ್ರಮುಖ ಮಿತಿಗಳು ಮತ್ತು ಅಡೆತಡೆಗಳು ಈ ಕೆಳಗಿನಂತಿವೆ:

• ಮಾರುಕಟ್ಟೆ ದಕ್ಷತೆ ಮತ್ತು ಯಾದೃಚ್ಛಿಕತೆ: ಮೊದಲೇ ಹೇಳಿದಂತೆ, ದಕ್ಷ ಮಾರುಕಟ್ಟೆ ಕಲ್ಪನೆಯು ಬೆಲೆಗಳು ಈಗಾಗಲೇ ತಿಳಿದಿರುವ ಮಾಹಿತಿಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ ಎಂದು ವಾದಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಯಾವುದೇ ಹೊಸ ಮಾಹಿತಿಯು ತಕ್ಷಣದ ಹೊಂದಾಣಿಕೆಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕ ಪರಿಭಾಷೆಯಲ್ಲಿ, ಇದರರ್ಥ ಬೆಲೆ ಬದಲಾವಣೆಗಳು ಹೆಚ್ಚಾಗಿ ಅನಿರೀಕ್ಷಿತ ಸುದ್ದಿ ಅಥವಾ ಯಾದೃಚ್ಛಿಕ ಏರಿಳಿತಗಳಿಂದ ನಡೆಸಲ್ಪಡುತ್ತವೆ. ವಾಸ್ತವವಾಗಿ, ದಶಕಗಳ ಸಂಶೋಧನೆಯು ಅಲ್ಪಾವಧಿಯ ಸ್ಟಾಕ್ ಬೆಲೆ ಚಲನೆಗಳು ಯಾದೃಚ್ಛಿಕ ನಡಿಗೆಯನ್ನು ಹೋಲುತ್ತವೆ ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ ( ನರಮಂಡಲ ಜಾಲಗಳ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾ-ಚಾಲಿತ ಸ್ಟಾಕ್ ಮುನ್ಸೂಚನೆ ಮಾದರಿಗಳು: ಒಂದು ವಿಮರ್ಶೆ ) - ನಿನ್ನೆಯ ಬೆಲೆಯು ನಾಳೆಯ ಮೇಲೆ ಕಡಿಮೆ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ, ಅವಕಾಶವು ಊಹಿಸುವುದಕ್ಕಿಂತ ಮೀರಿದೆ. ಸ್ಟಾಕ್ ಬೆಲೆಗಳು ಮೂಲಭೂತವಾಗಿ ಯಾದೃಚ್ಛಿಕ ಅಥವಾ "ದಕ್ಷ" ಆಗಿದ್ದರೆ, ಯಾವುದೇ ಅಲ್ಗಾರಿದಮ್ ಅವುಗಳನ್ನು ಹೆಚ್ಚಿನ ನಿಖರತೆಯೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿ ಊಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಒಂದು ಸಂಶೋಧನಾ ಅಧ್ಯಯನವು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳಿದಂತೆ, "ಯಾದೃಚ್ಛಿಕ ನಡಿಗೆ ಕಲ್ಪನೆ ಮತ್ತು ದಕ್ಷ ಮಾರುಕಟ್ಟೆ ಕಲ್ಪನೆಯು ಮೂಲಭೂತವಾಗಿ ಭವಿಷ್ಯದ ಸ್ಟಾಕ್ ಬೆಲೆಗಳನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ, ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಊಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂದು ಹೇಳುತ್ತದೆ" ( ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು S&P 500 ಸ್ಟಾಕ್‌ಗಳಿಗೆ ಸಾಪೇಕ್ಷ ಆದಾಯವನ್ನು ಮುನ್ಸೂಚಿಸುವುದು | ಹಣಕಾಸು ನಾವೀನ್ಯತೆ | ಪೂರ್ಣ ಪಠ್ಯ ). ಇದರರ್ಥ AI ಭವಿಷ್ಯವಾಣಿಗಳು ಯಾವಾಗಲೂ ನಿಷ್ಪ್ರಯೋಜಕವೆಂದು ಅರ್ಥವಲ್ಲ, ಆದರೆ ಇದು ಮೂಲಭೂತ ಮಿತಿಯನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ: ಮಾರುಕಟ್ಟೆಯ ಹೆಚ್ಚಿನ ಚಲನೆಯು ಕೇವಲ ಶಬ್ದವಾಗಿರಬಹುದು, ಅದು ಉತ್ತಮ ಮಾದರಿಯು ಸಹ ಮುಂಚಿತವಾಗಿ ಊಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.

• ಶಬ್ದ ಮತ್ತು ಅನಿರೀಕ್ಷಿತ ಬಾಹ್ಯ ಅಂಶಗಳು: ಸ್ಟಾಕ್ ಬೆಲೆಗಳು ಹಲವಾರು ಅಂಶಗಳಿಂದ ಪ್ರಭಾವಿತವಾಗಿವೆ, ಅವುಗಳಲ್ಲಿ ಹಲವು ಬಾಹ್ಯ ಮತ್ತು ಅನಿರೀಕ್ಷಿತ. ಭೌಗೋಳಿಕ ರಾಜಕೀಯ ಘಟನೆಗಳು (ಯುದ್ಧಗಳು, ಚುನಾವಣೆಗಳು, ನಿಯಂತ್ರಕ ಬದಲಾವಣೆಗಳು), ನೈಸರ್ಗಿಕ ವಿಕೋಪಗಳು, ಸಾಂಕ್ರಾಮಿಕ ರೋಗಗಳು, ಹಠಾತ್ ಕಾರ್ಪೊರೇಟ್ ಹಗರಣಗಳು ಅಥವಾ ವೈರಲ್ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ವದಂತಿಗಳು ಸಹ ಮಾರುಕಟ್ಟೆಗಳನ್ನು ಅನಿರೀಕ್ಷಿತವಾಗಿ ಚಲಿಸಬಹುದು. ಇವುಗಳು ಒಂದು ಮಾದರಿಯು ಪೂರ್ವ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಹೊಂದಲು ಸಾಧ್ಯವಾಗದ (ಏಕೆಂದರೆ ಅವು ಅಭೂತಪೂರ್ವವಾಗಿವೆ) ಅಥವಾ ಅಪರೂಪದ ಆಘಾತಗಳಾಗಿ ಸಂಭವಿಸುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, 2010–2019 ರ ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶದ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಯಾವುದೇ AI ಮಾದರಿಯು 2020 ರ ಆರಂಭದಲ್ಲಿ COVID-19 ಕುಸಿತ ಅಥವಾ ಅದರ ತ್ವರಿತ ಮರುಕಳಿಕೆಯನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ಊಹಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ. ಆಡಳಿತಗಳು ಬದಲಾದಾಗ ಅಥವಾ ಒಂದು ಏಕ ಘಟನೆಯು ಬೆಲೆಗಳನ್ನು ಹೆಚ್ಚಿಸಿದಾಗ ಹಣಕಾಸು AI ಮಾದರಿಗಳು ಹೆಣಗಾಡುತ್ತವೆ. ಒಂದು ಮೂಲ ಗಮನಿಸಿದಂತೆ, ಭೌಗೋಳಿಕ ರಾಜಕೀಯ ಘಟನೆಗಳು ಅಥವಾ ಹಠಾತ್ ಆರ್ಥಿಕ ದತ್ತಾಂಶ ಬಿಡುಗಡೆಗಳಂತಹ ಅಂಶಗಳು ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಬಹುತೇಕ ತಕ್ಷಣವೇ ಬಳಕೆಯಲ್ಲಿಲ್ಲದಂತೆ ಮಾಡಬಹುದು ( ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವುದು... | FMP ) ( ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವುದು... | FMP ). ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಅನಿರೀಕ್ಷಿತ ಸುದ್ದಿಗಳು ಯಾವಾಗಲೂ ಅಲ್ಗಾರಿದಮಿಕ್ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಅತಿಕ್ರಮಿಸಬಹುದು , ಕಡಿಮೆ ಮಾಡಲಾಗದ ಅನಿಶ್ಚಿತತೆಯ ಮಟ್ಟವನ್ನು ಚುಚ್ಚಬಹುದು.

• ಓವರ್‌ಫಿಟ್ಟಿಂಗ್ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣ: ಓವರ್‌ಫಿಟ್ಟಿಂಗ್‌ಗೆ ಗುರಿಯಾಗುತ್ತವೆ - ಅಂದರೆ ಅವು ಆಧಾರವಾಗಿರುವ ಸಾಮಾನ್ಯ ಮಾದರಿಗಳಿಗಿಂತ ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿನ "ಶಬ್ದ" ಅಥವಾ ವಿಲಕ್ಷಣಗಳನ್ನು ಚೆನ್ನಾಗಿ ಕಲಿಯಬಹುದು. ಓವರ್‌ಫಿಟ್ಟಿಂಗ್ ಮಾದರಿಯು ಐತಿಹಾಸಿಕ ಡೇಟಾದ ಮೇಲೆ ಅದ್ಭುತವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು (ಪ್ರಭಾವಶಾಲಿ ಬ್ಯಾಕ್‌ಟೆಸ್ಟ್ ಮಾಡಿದ ಆದಾಯ ಅಥವಾ ಹೆಚ್ಚಿನ ಇನ್-ಮಾದರಿ ನಿಖರತೆಯನ್ನು ಸಹ ತೋರಿಸುತ್ತದೆ) ಆದರೆ ನಂತರ ಹೊಸ ಡೇಟಾದಲ್ಲಿ ಶೋಚನೀಯವಾಗಿ ವಿಫಲಗೊಳ್ಳುತ್ತದೆ. ಇದು ಪರಿಮಾಣಾತ್ಮಕ ಹಣಕಾಸಿನಲ್ಲಿ ಸಾಮಾನ್ಯ ಅಪಾಯವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಸಂಕೀರ್ಣ ನರಮಂಡಲವು ಕಾಕತಾಳೀಯವಾಗಿ ಹಿಂದೆ ಇದ್ದ ನಕಲಿ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಎತ್ತಿಕೊಳ್ಳಬಹುದು (ಕಳೆದ 5 ವರ್ಷಗಳಲ್ಲಿ ರ್ಯಾಲಿಗಳಿಗೆ ಮುಂಚಿತವಾಗಿ ಸಂಭವಿಸಿದ ಸೂಚಕ ಕ್ರಾಸ್‌ಒವರ್‌ಗಳ ನಿರ್ದಿಷ್ಟ ಸಂಯೋಜನೆಯಂತೆ) ಆದರೆ ಆ ಸಂಬಂಧಗಳು ಮುಂದುವರಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ. ಪ್ರಾಯೋಗಿಕ ವಿವರಣೆ: ಕಳೆದ ವರ್ಷದ ಸ್ಟಾಕ್ ವಿಜೇತರು ಯಾವಾಗಲೂ ಮೇಲಕ್ಕೆ ಹೋಗುತ್ತಾರೆ ಎಂದು ಊಹಿಸುವ ಮಾದರಿಯನ್ನು ಒಬ್ಬರು ವಿನ್ಯಾಸಗೊಳಿಸಬಹುದು - ಅದು ಒಂದು ನಿರ್ದಿಷ್ಟ ಅವಧಿಗೆ ಹೊಂದಿಕೆಯಾಗಬಹುದು, ಆದರೆ ಮಾರುಕಟ್ಟೆ ಆಡಳಿತವು ಬದಲಾದರೆ, ಆ ಮಾದರಿಯು ಮುರಿಯುತ್ತದೆ. ಓವರ್‌ಫಿಟ್ಟಿಂಗ್ ಕಳಪೆ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ , ಅಂದರೆ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾಣುತ್ತಿದ್ದರೂ ಲೈವ್ ಟ್ರೇಡಿಂಗ್‌ನಲ್ಲಿ ಮಾದರಿಯ ಭವಿಷ್ಯವಾಣಿಗಳು ಯಾದೃಚ್ಛಿಕಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿಲ್ಲ. ಓವರ್‌ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ತಪ್ಪಿಸಲು ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆ, ಮಾದರಿ ಸಂಕೀರ್ಣತೆಯನ್ನು ನಿಯಂತ್ರಣದಲ್ಲಿಡುವುದು ಮತ್ತು ದೃಢವಾದ ಮೌಲ್ಯೀಕರಣವನ್ನು ಬಳಸುವುದು ಮುಂತಾದ ತಂತ್ರಗಳು ಬೇಕಾಗುತ್ತವೆ. ಆದಾಗ್ಯೂ, AI ಮಾದರಿಗಳಿಗೆ ಶಕ್ತಿಯನ್ನು ನೀಡುವ ಸಂಕೀರ್ಣತೆಯು ಅವುಗಳನ್ನು ಈ ಸಮಸ್ಯೆಗೆ ಗುರಿಯಾಗುವಂತೆ ಮಾಡುತ್ತದೆ.

• ಡೇಟಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಲಭ್ಯತೆ: "ಕಸ ಒಳಗೆ, ಕಸ ಹೊರಗೆ" ಎಂಬ ಗಾದೆ ಸ್ಟಾಕ್ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ AI ಗೆ ಬಲವಾಗಿ ಅನ್ವಯಿಸುತ್ತದೆ. ಡೇಟಾದ ಗುಣಮಟ್ಟ, ಪ್ರಮಾಣ ಮತ್ತು ಪ್ರಸ್ತುತತೆಯು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಐತಿಹಾಸಿಕ ಡೇಟಾ ಸಾಕಷ್ಟಿಲ್ಲದಿದ್ದರೆ (ಉದಾ., ಕೆಲವು ವರ್ಷಗಳ ಸ್ಟಾಕ್ ಬೆಲೆಗಳ ಮೇಲೆ ಆಳವಾದ ನೆಟ್‌ವರ್ಕ್‌ಗೆ ತರಬೇತಿ ನೀಡಲು ಪ್ರಯತ್ನಿಸುವುದು) ಅಥವಾ ಪ್ರತಿನಿಧಿಸದಿದ್ದರೆ (ಉದಾ., ಬೇರಿಶ್ ಸನ್ನಿವೇಶವನ್ನು ಊಹಿಸಲು ಹೆಚ್ಚಾಗಿ ಬುಲಿಶ್ ಅವಧಿಯ ಡೇಟಾವನ್ನು ಬಳಸುವುದು), ಮಾದರಿಯು ಚೆನ್ನಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸುವುದಿಲ್ಲ. ಡೇಟಾವನ್ನು ಸಹ ಪಕ್ಷಪಾತ ಅಥವಾ ಬದುಕುಳಿಯುವಿಕೆಗೆ ಒಳಪಟ್ಟಿರಬಹುದು (ಉದಾಹರಣೆಗೆ, ಸ್ಟಾಕ್ ಸೂಚ್ಯಂಕಗಳು ಸ್ವಾಭಾವಿಕವಾಗಿ ಕಾಲಾನಂತರದಲ್ಲಿ ಕಳಪೆ-ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕಂಪನಿಗಳನ್ನು ಕುಸಿಯುತ್ತವೆ, ಆದ್ದರಿಂದ ಐತಿಹಾಸಿಕ ಸೂಚ್ಯಂಕ ಡೇಟಾವನ್ನು ಮೇಲ್ಮುಖವಾಗಿ ಪಕ್ಷಪಾತ ಮಾಡಬಹುದು). ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವುದು ಮತ್ತು ಕ್ಯುರೇಟಿಂಗ್ ಮಾಡುವುದು ಕ್ಷುಲ್ಲಕವಲ್ಲದ ಕೆಲಸವಾಗಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಪರ್ಯಾಯ ಡೇಟಾ ಆವರ್ತನದ ಸಮಸ್ಯೆಯೂ ಇದೆ : ಹೆಚ್ಚಿನ ಆವರ್ತನ ವ್ಯಾಪಾರ ಮಾದರಿಗಳಿಗೆ ಟಿಕ್-ಬೈ-ಟಿಕ್ ಡೇಟಾ ಅಗತ್ಯವಿರುತ್ತದೆ, ಇದು ಪರಿಮಾಣದಲ್ಲಿ ದೊಡ್ಡದಾಗಿದೆ ಮತ್ತು ವಿಶೇಷ ಮೂಲಸೌಕರ್ಯದ ಅಗತ್ಯವಿರುತ್ತದೆ, ಆದರೆ ಕಡಿಮೆ ಆವರ್ತನ ಮಾದರಿಗಳು ದೈನಂದಿನ ಅಥವಾ ಸಾಪ್ತಾಹಿಕ ಡೇಟಾವನ್ನು ಬಳಸಬಹುದು. ದತ್ತಾಂಶವು ಸಮಯಕ್ಕೆ ಸರಿಯಾಗಿ ಜೋಡಿಸಲ್ಪಟ್ಟಿದೆಯೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು (ಉದಾ. ಅನುಗುಣವಾದ ಬೆಲೆ ದತ್ತಾಂಶದೊಂದಿಗೆ ಸುದ್ದಿ) ಮತ್ತು ಲುಕ್‌ಅಫ್ ಪಕ್ಷಪಾತದಿಂದ ಮುಕ್ತವಾಗಿದೆಯೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು ನಿರಂತರ ಸವಾಲಾಗಿದೆ.

• ಮಾದರಿ ಪಾರದರ್ಶಕತೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನ: ಅನೇಕ AI ಮಾದರಿಗಳು, ವಿಶೇಷವಾಗಿ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು, ಕಪ್ಪು ಪೆಟ್ಟಿಗೆಗಳಾಗಿ . ಅವು ಸುಲಭವಾಗಿ ವಿವರಿಸಬಹುದಾದ ಕಾರಣವಿಲ್ಲದೆ ಭವಿಷ್ಯವಾಣಿ ಅಥವಾ ವ್ಯಾಪಾರ ಸಂಕೇತವನ್ನು ಹೊರಹಾಕಬಹುದು. ಈ ಪಾರದರ್ಶಕತೆಯ ಕೊರತೆಯು ಹೂಡಿಕೆದಾರರಿಗೆ - ವಿಶೇಷವಾಗಿ ನಿರ್ಧಾರಗಳನ್ನು ಪಾಲುದಾರರಿಗೆ ಸಮರ್ಥಿಸಿಕೊಳ್ಳಬೇಕಾದ ಅಥವಾ ನಿಯಮಗಳನ್ನು ಪಾಲಿಸಬೇಕಾದ ಸಾಂಸ್ಥಿಕರಿಗೆ ಸಮಸ್ಯೆಯಾಗಬಹುದು. AI ಮಾದರಿಯು ಸ್ಟಾಕ್ ಕುಸಿಯುತ್ತದೆ ಎಂದು ಊಹಿಸಿದರೆ ಮತ್ತು ಮಾರಾಟವನ್ನು ಶಿಫಾರಸು ಮಾಡಿದರೆ, ಪೋರ್ಟ್ಫೋಲಿಯೋ ವ್ಯವಸ್ಥಾಪಕರು ತಾರ್ಕಿಕತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳದಿದ್ದರೆ ಹಿಂಜರಿಯಬಹುದು. AI ನಿರ್ಧಾರಗಳ ಅಪಾರದರ್ಶಕತೆಯು ಮಾದರಿಯ ನಿಖರತೆಯನ್ನು ಲೆಕ್ಕಿಸದೆ ನಂಬಿಕೆ ಮತ್ತು ಅಳವಡಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಈ ಸವಾಲು ಹಣಕಾಸುಗಾಗಿ ವಿವರಿಸಬಹುದಾದ AI ಬಗ್ಗೆ ಸಂಶೋಧನೆಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತಿದೆ, ಆದರೆ ಮಾದರಿ ಸಂಕೀರ್ಣತೆ/ನಿಖರತೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನದ ನಡುವೆ ಆಗಾಗ್ಗೆ ವ್ಯಾಪಾರ-ವಹಿವಾಟು ಇರುತ್ತದೆ ಎಂಬುದು ನಿಜ.

• ಹೊಂದಾಣಿಕೆಯ ಮಾರುಕಟ್ಟೆಗಳು ಮತ್ತು ಸ್ಪರ್ಧೆ: ಹೊಂದಾಣಿಕೆಯವು ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ . ಒಂದು ಮುನ್ಸೂಚಕ ಮಾದರಿಯನ್ನು (AI ಅಥವಾ ಯಾವುದೇ ವಿಧಾನದಿಂದ) ಕಂಡುಹಿಡಿದ ನಂತರ ಮತ್ತು ಅನೇಕ ವ್ಯಾಪಾರಿಗಳು ಬಳಸಿದ ನಂತರ, ಅದು ಕಾರ್ಯನಿರ್ವಹಿಸುವುದನ್ನು ನಿಲ್ಲಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಸಂಕೇತವು ಸ್ಟಾಕ್‌ನ ಏರಿಕೆಗೆ ಮುಂಚಿತವಾಗಿರುತ್ತದೆ ಎಂದು AI ಮಾದರಿಯು ಕಂಡುಕೊಂಡರೆ, ವ್ಯಾಪಾರಿಗಳು ಆ ಸಂಕೇತದ ಮೇಲೆ ಮೊದಲೇ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತಾರೆ, ಹೀಗಾಗಿ ಅವಕಾಶವನ್ನು ಕಸಿದುಕೊಳ್ಳುತ್ತಾರೆ. ಮೂಲಭೂತವಾಗಿ, ತಿಳಿದಿರುವ ತಂತ್ರಗಳನ್ನು ರದ್ದುಗೊಳಿಸಲು ಮಾರುಕಟ್ಟೆಗಳು ವಿಕಸನಗೊಳ್ಳಬಹುದು . ಇಂದು, ಅನೇಕ ವ್ಯಾಪಾರ ಸಂಸ್ಥೆಗಳು ಮತ್ತು ನಿಧಿಗಳು AI ಮತ್ತು ML ಅನ್ನು ಬಳಸುತ್ತವೆ. ಈ ಸ್ಪರ್ಧೆಯು ಯಾವುದೇ ಅಂಚು ಸಾಮಾನ್ಯವಾಗಿ ಚಿಕ್ಕದಾಗಿದೆ ಮತ್ತು ಅಲ್ಪಕಾಲಿಕವಾಗಿರುತ್ತದೆ ಎಂದರ್ಥ. ಇದರ ಪರಿಣಾಮವಾಗಿ ಬದಲಾಗುತ್ತಿರುವ ಮಾರುಕಟ್ಟೆ ಚಲನಶೀಲತೆಯನ್ನು ಮುಂದುವರಿಸಲು AI ಮಾದರಿಗಳಿಗೆ ನಿರಂತರ ಮರುತರಬೇತಿ ಮತ್ತು ನವೀಕರಣದ ಅಗತ್ಯವಿರಬಹುದು. ಹೆಚ್ಚು ದ್ರವ ಮತ್ತು ಪ್ರಬುದ್ಧ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ (US ಲಾರ್ಜ್-ಕ್ಯಾಪ್ ಸ್ಟಾಕ್‌ಗಳಂತೆ), ಹಲವಾರು ಅತ್ಯಾಧುನಿಕ ಆಟಗಾರರು ಒಂದೇ ರೀತಿಯ ಸಂಕೇತಗಳನ್ನು ಹುಡುಕುತ್ತಿದ್ದಾರೆ, ಇದು ಅಂಚನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು ತುಂಬಾ ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಕಡಿಮೆ ಪರಿಣಾಮಕಾರಿ ಮಾರುಕಟ್ಟೆಗಳು ಅಥವಾ ಸ್ಥಾಪಿತ ಸ್ವತ್ತುಗಳಲ್ಲಿ, AI ತಾತ್ಕಾಲಿಕ ಅಸಮರ್ಥತೆಯನ್ನು ಕಂಡುಕೊಳ್ಳಬಹುದು - ಆದರೆ ಆ ಮಾರುಕಟ್ಟೆಗಳು ಆಧುನೀಕರಿಸಿದಂತೆ, ಅಂತರವು ಮುಚ್ಚಬಹುದು. ಮಾರುಕಟ್ಟೆಗಳ ಈ ಕ್ರಿಯಾತ್ಮಕ ಸ್ವರೂಪವು ಒಂದು ಮೂಲಭೂತ ಸವಾಲಾಗಿದೆ: "ಆಟದ ನಿಯಮಗಳು" ಸ್ಥಿರವಾಗಿಲ್ಲ, ಆದ್ದರಿಂದ ಕಳೆದ ವರ್ಷ ಕೆಲಸ ಮಾಡಿದ ಮಾದರಿಯನ್ನು ಮುಂದಿನ ವರ್ಷ ಮರುಸೃಷ್ಟಿಸಬೇಕಾಗಬಹುದು.

• ನೈಜ-ಪ್ರಪಂಚದ ನಿರ್ಬಂಧಗಳು: ಒಂದು AI ಮಾದರಿಯು ಯೋಗ್ಯವಾದ ನಿಖರತೆಯೊಂದಿಗೆ ಬೆಲೆಗಳನ್ನು ಊಹಿಸಬಹುದಾದರೂ, ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಲಾಭವಾಗಿ ಪರಿವರ್ತಿಸುವುದು ಮತ್ತೊಂದು ಸವಾಲಾಗಿದೆ. ವ್ಯಾಪಾರವು ವಹಿವಾಟು ವೆಚ್ಚಗಳನ್ನು . ಒಂದು ಮಾದರಿಯು ಅನೇಕ ಸಣ್ಣ ಬೆಲೆ ಚಲನೆಗಳನ್ನು ಸರಿಯಾಗಿ ಊಹಿಸಬಹುದು, ಆದರೆ ಲಾಭಗಳನ್ನು ಶುಲ್ಕಗಳು ಮತ್ತು ವಹಿವಾಟುಗಳ ಮಾರುಕಟ್ಟೆ ಪ್ರಭಾವದಿಂದ ಅಳಿಸಿಹಾಕಬಹುದು. ಅಪಾಯ ನಿರ್ವಹಣೆಯೂ ಸಹ ನಿರ್ಣಾಯಕವಾಗಿದೆ - ಯಾವುದೇ ಮುನ್ಸೂಚನೆಯು 100% ಖಚಿತವಾಗಿಲ್ಲ, ಆದ್ದರಿಂದ ಯಾವುದೇ AI-ಚಾಲಿತ ತಂತ್ರವು ಸಂಭಾವ್ಯ ನಷ್ಟಗಳಿಗೆ (ಸ್ಟಾಪ್-ಲಾಸ್ ಆದೇಶಗಳು, ಪೋರ್ಟ್ಫೋಲಿಯೋ ವೈವಿಧ್ಯೀಕರಣ, ಇತ್ಯಾದಿಗಳ ಮೂಲಕ) ಕಾರಣವಾಗಿರಬೇಕು. ಸಂಸ್ಥೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ AI ಮುನ್ಸೂಚನೆಗಳನ್ನು ವಿಶಾಲವಾದ ಅಪಾಯದ ಚೌಕಟ್ಟಿನೊಳಗೆ ಸಂಯೋಜಿಸುತ್ತವೆ, ಇದರಿಂದಾಗಿ AI ತಪ್ಪಾಗಿರಬಹುದಾದ ಮುನ್ಸೂಚನೆಯ ಮೇಲೆ ಫಾರ್ಮ್ ಅನ್ನು ಪಣತೊಡುವುದಿಲ್ಲ. ಈ ಪ್ರಾಯೋಗಿಕ ಪರಿಗಣನೆಗಳು ಎಂದರೆ ನೈಜ-ಪ್ರಪಂಚದ ಘರ್ಷಣೆಗಳ ನಂತರ ಉಪಯುಕ್ತವಾಗಲು AI ನ ಸೈದ್ಧಾಂತಿಕ ಅಂಚು ಗಣನೀಯವಾಗಿರಬೇಕು.

ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, AI ಅಸಾಧಾರಣ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಿದೆ, ಆದರೆ ಈ ಮಿತಿಗಳು ಷೇರು ಮಾರುಕಟ್ಟೆ ಭಾಗಶಃ ಊಹಿಸಬಹುದಾದ, ಭಾಗಶಃ ಅನಿರೀಕ್ಷಿತ ವ್ಯವಸ್ಥೆಯಾಗಿ ಉಳಿಯುವುದನ್ನು . AI ಮಾದರಿಗಳು ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ಮತ್ತು ಸೂಕ್ಷ್ಮ ಮುನ್ಸೂಚಕ ಸಂಕೇತಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುವ ಮೂಲಕ ಹೂಡಿಕೆದಾರರ ಪರವಾಗಿ ಆಡ್ಸ್ ಅನ್ನು ಓರೆಯಾಗಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ಪರಿಣಾಮಕಾರಿ ಬೆಲೆ ನಿಗದಿ, ಗದ್ದಲದ ಡೇಟಾ, ಅನಿರೀಕ್ಷಿತ ಘಟನೆಗಳು ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ನಿರ್ಬಂಧಗಳ ಸಂಯೋಜನೆಯು ಅತ್ಯುತ್ತಮ AI ಸಹ ಕೆಲವೊಮ್ಮೆ ತಪ್ಪಾಗಿರುತ್ತದೆ - ಆಗಾಗ್ಗೆ ಅನಿರೀಕ್ಷಿತವಾಗಿ.

AI ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆ: ಪುರಾವೆಗಳು ಏನು ಹೇಳುತ್ತವೆ?

ಚರ್ಚಿಸಲಾದ ಪ್ರಗತಿಗಳು ಮತ್ತು ಸವಾಲುಗಳೆರಡನ್ನೂ ಗಮನಿಸಿದರೆ, ಸ್ಟಾಕ್ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ AI ಅನ್ನು ಅನ್ವಯಿಸುವ ಸಂಶೋಧನೆ ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ಪ್ರಯತ್ನಗಳಿಂದ ನಾವು ಏನು ಕಲಿತಿದ್ದೇವೆ? ಇಲ್ಲಿಯವರೆಗಿನ ಫಲಿತಾಂಶಗಳು ಮಿಶ್ರವಾಗಿದ್ದು, ಭರವಸೆಯ ಯಶಸ್ಸುಗಳು ಮತ್ತು ಗಂಭೀರ ವೈಫಲ್ಯಗಳನ್ನು :

• AI ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡುವ ಸಾಧ್ಯತೆಗಳ ನಿದರ್ಶನಗಳು: ಕೆಲವು ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ AI ಮಾದರಿಗಳು ಯಾದೃಚ್ಛಿಕ ಊಹೆಯನ್ನು ಮೀರಿಸಬಹುದು ಎಂದು ಹಲವಾರು ಅಧ್ಯಯನಗಳು ತೋರಿಸಿವೆ. ಉದಾಹರಣೆಗೆ, 2024 ರ ಅಧ್ಯಯನವು ವಿಯೆಟ್ನಾಮೀಸ್ ಷೇರು ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಷೇರು ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಸ್ಟಾಕ್ ಬೆಲೆ ಪ್ರವೃತ್ತಿಯನ್ನು ಊಹಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಅನ್ವಯಿಸುವುದು - ವಿಯೆಟ್ನಾಂನ ಪ್ರಕರಣ | ಮಾನವಿಕ ಮತ್ತು ಸಮಾಜ ವಿಜ್ಞಾನ ಸಂವಹನಗಳು ). ಆ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ (ಉದಯೋನ್ಮುಖ ಆರ್ಥಿಕತೆ), ಮಾದರಿಯು ಸ್ಥಿರವಾದ ಮಾದರಿಗಳನ್ನು ಸೆರೆಹಿಡಿಯಲು ಸಾಧ್ಯವಾಯಿತು ಎಂದು ಇದು ಸೂಚಿಸುತ್ತದೆ, ಬಹುಶಃ ಮಾರುಕಟ್ಟೆಯು LSTM ಕಲಿತ ಅಸಮರ್ಥತೆಗಳು ಅಥವಾ ಬಲವಾದ ತಾಂತ್ರಿಕ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಹೊಂದಿತ್ತು. 2024 ರಲ್ಲಿ ಮತ್ತೊಂದು ಅಧ್ಯಯನವು ವಿಶಾಲ ವ್ಯಾಪ್ತಿಯನ್ನು ಪಡೆದುಕೊಂಡಿತು: ಸಂಶೋಧಕರು ಎಲ್ಲಾ S&P 500 ಸ್ಟಾಕ್‌ಗಳಿಗೆ (ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಮಾರುಕಟ್ಟೆ) ಅಲ್ಪಾವಧಿಯ ಆದಾಯವನ್ನು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸಿದರು. ಅವರು ಅದನ್ನು ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಯಾಗಿ ರೂಪಿಸಿದರು - ಮುಂದಿನ 10 ದಿನಗಳಲ್ಲಿ ಸ್ಟಾಕ್ ಸೂಚ್ಯಂಕವನ್ನು 2% ರಷ್ಟು ಮೀರಿಸುತ್ತದೆಯೇ ಎಂದು ಊಹಿಸುವುದು - ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯಗಳು, SVM ಮತ್ತು LSTM ನಂತಹ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸಿ. ಫಲಿತಾಂಶ: LSTM ಮಾದರಿಯು ಇತರ ML ಮಾದರಿಗಳು ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ಬೇಸ್‌ಲೈನ್ ಎರಡನ್ನೂ ಮೀರಿಸಿದೆ , ಫಲಿತಾಂಶಗಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದ್ದು ಅದು ಕೇವಲ ಅದೃಷ್ಟವಲ್ಲ ಎಂದು ಸೂಚಿಸುತ್ತದೆ ( ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು S&P 500 ಸ್ಟಾಕ್‌ಗಳಿಗೆ ಸಾಪೇಕ್ಷ ಆದಾಯವನ್ನು ಮುನ್ಸೂಚಿಸುವುದು | ಹಣಕಾಸು ನಾವೀನ್ಯತೆ | ಪೂರ್ಣ ಪಠ್ಯ ಯಾದೃಚ್ಛಿಕ ನಡಿಗೆ ಊಹೆಯು ಸಂಭವನೀಯತೆಯು "ನಗಣ್ಯವಾಗಿ ಚಿಕ್ಕದಾಗಿದೆ" ಎಂದು ಲೇಖಕರು ತೀರ್ಮಾನಿಸಿದರು , ಇದು ಅವರ ML ಮಾದರಿಗಳು ನಿಜವಾದ ಮುನ್ಸೂಚಕ ಸಂಕೇತಗಳನ್ನು ಕಂಡುಕೊಂಡಿವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಈ ಉದಾಹರಣೆಗಳು AI ಸ್ಟಾಕ್ ಚಲನೆಗಳನ್ನು ಊಹಿಸುವಲ್ಲಿ (ಸಾಧಾರಣವಾಗಿದ್ದರೂ ಸಹ) ಒಂದು ಅಂಚನ್ನು ನೀಡುವ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್‌ಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದಾಗ.

• ಉದ್ಯಮದಲ್ಲಿ ಗಮನಾರ್ಹ ಬಳಕೆಯ ಸಂದರ್ಭಗಳು: ಶೈಕ್ಷಣಿಕ ಅಧ್ಯಯನಗಳ ಹೊರತಾಗಿ, ಹೆಡ್ಜ್ ಫಂಡ್‌ಗಳು ಮತ್ತು ಹಣಕಾಸು ಸಂಸ್ಥೆಗಳು ತಮ್ಮ ವ್ಯಾಪಾರ ಕಾರ್ಯಾಚರಣೆಗಳಲ್ಲಿ AI ಅನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಬಳಸುತ್ತಿರುವ ವರದಿಗಳಿವೆ. ಕೆಲವು ಹೈ-ಫ್ರೀಕ್ವೆನ್ಸಿ ಟ್ರೇಡಿಂಗ್ ಸಂಸ್ಥೆಗಳು ಸೆಕೆಂಡಿನ ಭಿನ್ನರಾಶಿಗಳಲ್ಲಿ ಮಾರುಕಟ್ಟೆ ಸೂಕ್ಷ್ಮ-ರಚನಾ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಿಸಲು AI ಅನ್ನು ಬಳಸುತ್ತವೆ. ದೊಡ್ಡ ಬ್ಯಾಂಕುಗಳು ಪೋರ್ಟ್‌ಫೋಲಿಯೋ ಹಂಚಿಕೆ ಮತ್ತು ಅಪಾಯದ ಮುನ್ಸೂಚನೆಗಾಗಿ , ಇದು ಯಾವಾಗಲೂ ಒಂದೇ ಸ್ಟಾಕ್‌ನ ಬೆಲೆಯನ್ನು ಊಹಿಸುವ ಬಗ್ಗೆ ಅಲ್ಲದಿದ್ದರೂ, ಮಾರುಕಟ್ಟೆಯ ಮುನ್ಸೂಚನೆಯ ಅಂಶಗಳನ್ನು (ಚಂಚಲತೆ ಅಥವಾ ಪರಸ್ಪರ ಸಂಬಂಧಗಳಂತೆ) ಒಳಗೊಂಡಿರುತ್ತದೆ. ವ್ಯಾಪಾರ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವ AI-ಚಾಲಿತ ನಿಧಿಗಳು (ಸಾಮಾನ್ಯವಾಗಿ "ಕ್ವಾಂಟ್ ಫಂಡ್‌ಗಳು" ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತವೆ) ಸಹ ಇವೆ - ಕೆಲವು ಕೆಲವು ಅವಧಿಗಳಿಗೆ ಮಾರುಕಟ್ಟೆಯನ್ನು ಮೀರಿಸಿವೆ, ಆದರೂ ಅವು ಮಾನವ ಮತ್ತು ಯಂತ್ರ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂಯೋಜನೆಯನ್ನು ಬಳಸುವುದರಿಂದ ಅದನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ AI ಗೆ ಕಾರಣವೆಂದು ಹೇಳುವುದು ಕಷ್ಟ. ಭಾವನೆ ವಿಶ್ಲೇಷಣೆ AI ಅನ್ನು ಬಳಸುವುದು ಕಾಂಕ್ರೀಟ್ ಅನ್ವಯವಾಗಿದೆ: ಉದಾಹರಣೆಗೆ, ಸ್ಟಾಕ್ ಬೆಲೆಗಳು ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಹೇಗೆ ಚಲಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಊಹಿಸಲು ಸುದ್ದಿ ಮತ್ತು ಟ್ವಿಟರ್ ಅನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುವುದು. ಅಂತಹ ಮಾದರಿಗಳು 100% ನಿಖರವಾಗಿಲ್ಲದಿರಬಹುದು, ಆದರೆ ಅವು ವ್ಯಾಪಾರಿಗಳಿಗೆ ಸುದ್ದಿಗಳಲ್ಲಿ ಬೆಲೆ ನಿಗದಿಪಡಿಸುವಲ್ಲಿ ಸ್ವಲ್ಪ ಮುನ್ನಡೆಯನ್ನು ನೀಡಬಹುದು. ಸಂಸ್ಥೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಯಶಸ್ವಿ AI ತಂತ್ರಗಳ ವಿವರಗಳನ್ನು ಬೌದ್ಧಿಕ ಆಸ್ತಿಯಾಗಿ ನಿಕಟವಾಗಿ ಕಾಪಾಡುತ್ತವೆ ಎಂಬುದು ಗಮನಿಸಬೇಕಾದ ಸಂಗತಿ, ಆದ್ದರಿಂದ ಸಾರ್ವಜನಿಕ ವಲಯದಲ್ಲಿನ ಪುರಾವೆಗಳು ವಿಳಂಬವಾಗುತ್ತವೆ ಅಥವಾ ಉಪಾಖ್ಯಾನವಾಗಿರುತ್ತವೆ.

• ಕಳಪೆ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ವೈಫಲ್ಯಗಳ ಪ್ರಕರಣಗಳು: ಪ್ರತಿಯೊಂದು ಯಶಸ್ಸಿನ ಕಥೆಗೂ, ಎಚ್ಚರಿಕೆಯ ಕಥೆಗಳಿವೆ. ಒಂದು ಮಾರುಕಟ್ಟೆ ಅಥವಾ ಕಾಲಮಿತಿಯಲ್ಲಿ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಪ್ರತಿಪಾದಿಸುವ ಅನೇಕ ಶೈಕ್ಷಣಿಕ ಅಧ್ಯಯನಗಳು ಸಾಮಾನ್ಯೀಕರಿಸಲು ವಿಫಲವಾಗಿವೆ. ಒಂದು ಗಮನಾರ್ಹ ಪ್ರಯೋಗವು US ಷೇರುಗಳಲ್ಲಿ ಯಶಸ್ವಿ ಭಾರತೀಯ ಷೇರು ಮಾರುಕಟ್ಟೆ ಭವಿಷ್ಯ ಅಧ್ಯಯನವನ್ನು (ತಾಂತ್ರಿಕ ಸೂಚಕಗಳಲ್ಲಿ ML ಬಳಸಿಕೊಂಡು ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಹೊಂದಿತ್ತು) ಪುನರಾವರ್ತಿಸಲು ಪ್ರಯತ್ನಿಸಿತು. ಪ್ರತಿಕೃತಿಯು ಯಾವುದೇ ಗಮನಾರ್ಹ ಮುನ್ಸೂಚಕ ಶಕ್ತಿಯನ್ನು - ವಾಸ್ತವವಾಗಿ, ಸ್ಟಾಕ್ ಮರುದಿನ ಏರುತ್ತದೆ ಎಂದು ಯಾವಾಗಲೂ ಊಹಿಸುವ ನಿಷ್ಕಪಟ ತಂತ್ರವು ಸಂಕೀರ್ಣ ML ಮಾದರಿಗಳನ್ನು ನಿಖರತೆಯಲ್ಲಿ ಮೀರಿಸಿದೆ. ಲೇಖಕರು ತಮ್ಮ ಫಲಿತಾಂಶಗಳು "ಯಾದೃಚ್ಛಿಕ ನಡಿಗೆ ಸಿದ್ಧಾಂತವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ" , ಅಂದರೆ ಸ್ಟಾಕ್ ಚಲನೆಗಳು ಮೂಲಭೂತವಾಗಿ ಅನಿರೀಕ್ಷಿತವಾಗಿದ್ದವು ಮತ್ತು ML ಮಾದರಿಗಳು ಸಹಾಯ ಮಾಡಲಿಲ್ಲ. ಫಲಿತಾಂಶಗಳು ಮಾರುಕಟ್ಟೆ ಮತ್ತು ಅವಧಿಗೆ ಅನುಗುಣವಾಗಿ ನಾಟಕೀಯವಾಗಿ ಬದಲಾಗಬಹುದು ಎಂದು ಇದು ಒತ್ತಿಹೇಳುತ್ತದೆ. ಅದೇ ರೀತಿ, ಹಲವಾರು ಕಾಗಲ್ ಸ್ಪರ್ಧೆಗಳು ಮತ್ತು ಕ್ವಾಂಟ್ ಸಂಶೋಧನಾ ಸ್ಪರ್ಧೆಗಳು ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಹಿಂದಿನ ಡೇಟಾವನ್ನು ಚೆನ್ನಾಗಿ ಹೊಂದಿಕೊಳ್ಳಬಹುದಾದರೂ, ಲೈವ್ ವ್ಯಾಪಾರದಲ್ಲಿ ಅವುಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯು ಹೊಸ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಎದುರಿಸಿದ ನಂತರ 50% ನಿಖರತೆಯ ಕಡೆಗೆ (ದಿಕ್ಕಿನ ಭವಿಷ್ಯಕ್ಕಾಗಿ) ಹಿಮ್ಮೆಟ್ಟುತ್ತದೆ ಎಂದು ತೋರಿಸಿವೆ. 2007 ರ ಕ್ವಾಂಟ್ ಫಂಡ್ ಕರಗುವಿಕೆ ಮತ್ತು 2020 ರ ಸಾಂಕ್ರಾಮಿಕ ಆಘಾತದ ಸಮಯದಲ್ಲಿ AI-ಚಾಲಿತ ನಿಧಿಗಳು ಎದುರಿಸಿದ ತೊಂದರೆಗಳಂತಹ ನಿದರ್ಶನಗಳು ಮಾರುಕಟ್ಟೆ ಆಡಳಿತ ಬದಲಾದಾಗ AI ಮಾದರಿಗಳು ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಕುಸಿಯಬಹುದು ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. ಬದುಕುಳಿಯುವ ಪಕ್ಷಪಾತವು ಗ್ರಹಿಕೆಗಳಲ್ಲಿಯೂ ಒಂದು ಅಂಶವಾಗಿದೆ - ವೈಫಲ್ಯಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿ AI ಯಶಸ್ಸಿನ ಬಗ್ಗೆ ನಾವು ಕೇಳುತ್ತೇವೆ, ಆದರೆ ಪರದೆಯ ಹಿಂದೆ, ಅನೇಕ ಮಾದರಿಗಳು ಮತ್ತು ನಿಧಿಗಳು ಸದ್ದಿಲ್ಲದೆ ವಿಫಲಗೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಅವುಗಳ ತಂತ್ರಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುವುದನ್ನು ನಿಲ್ಲಿಸುವುದರಿಂದ ಮುಚ್ಚಲ್ಪಡುತ್ತವೆ.

• ಮಾರುಕಟ್ಟೆಗಳಾದ್ಯಂತ ವ್ಯತ್ಯಾಸಗಳು: ಅಧ್ಯಯನಗಳಿಂದ ಆಸಕ್ತಿದಾಯಕ ಅವಲೋಕನವೆಂದರೆ AI ಯ ಪರಿಣಾಮಕಾರಿತ್ವವು ಮಾರುಕಟ್ಟೆಯ ಪರಿಪಕ್ವತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು . ತುಲನಾತ್ಮಕವಾಗಿ ಕಡಿಮೆ ಪರಿಣಾಮಕಾರಿ ಅಥವಾ ಉದಯೋನ್ಮುಖ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ, ಹೆಚ್ಚು ಶೋಷಣೆಗೆ ಒಳಪಡುವ ಮಾದರಿಗಳು ಇರಬಹುದು (ಕಡಿಮೆ ವಿಶ್ಲೇಷಕ ವ್ಯಾಪ್ತಿ, ದ್ರವ್ಯತೆ ನಿರ್ಬಂಧಗಳು ಅಥವಾ ನಡವಳಿಕೆಯ ಪಕ್ಷಪಾತಗಳಿಂದಾಗಿ), AI ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. 93% ನಿಖರತೆಯೊಂದಿಗೆ ವಿಯೆಟ್ನಾಂ ಮಾರುಕಟ್ಟೆ LSTM ಅಧ್ಯಯನವು ಇದಕ್ಕೆ ಉದಾಹರಣೆಯಾಗಿರಬಹುದು. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, US ನಂತಹ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ, ಆ ಮಾದರಿಗಳನ್ನು ತ್ವರಿತವಾಗಿ ತೆಗೆದುಹಾಕಬಹುದು. ವಿಯೆಟ್ನಾಂ ಪ್ರಕರಣ ಮತ್ತು US ಪ್ರತಿಕೃತಿ ಅಧ್ಯಯನದ ನಡುವಿನ ಮಿಶ್ರ ಫಲಿತಾಂಶಗಳು ಈ ವ್ಯತ್ಯಾಸವನ್ನು ಸೂಚಿಸುತ್ತವೆ. ಜಾಗತಿಕವಾಗಿ, ಇದರರ್ಥ AI ಪ್ರಸ್ತುತ ಕೆಲವು ಸ್ಥಾಪಿತ ಮಾರುಕಟ್ಟೆಗಳು ಅಥವಾ ಆಸ್ತಿ ವರ್ಗಗಳಲ್ಲಿ ಉತ್ತಮ ಮುನ್ಸೂಚಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ (ಉದಾಹರಣೆಗೆ, ಕೆಲವರು ಸರಕುಗಳ ಬೆಲೆಗಳನ್ನು ಅಥವಾ ಕ್ರಿಪ್ಟೋಕರೆನ್ಸಿ ಪ್ರವೃತ್ತಿಗಳನ್ನು ವಿಭಿನ್ನ ಯಶಸ್ಸಿನೊಂದಿಗೆ ಊಹಿಸಲು AI ಅನ್ನು ಅನ್ವಯಿಸಿದ್ದಾರೆ). ಕಾಲಾನಂತರದಲ್ಲಿ, ಎಲ್ಲಾ ಮಾರುಕಟ್ಟೆಗಳು ಹೆಚ್ಚಿನ ದಕ್ಷತೆಯತ್ತ ಸಾಗುತ್ತಿದ್ದಂತೆ, ಸುಲಭವಾದ ಮುನ್ಸೂಚಕ ಗೆಲುವುಗಳ ವಿಂಡೋ ಕಿರಿದಾಗುತ್ತದೆ.

• ನಿಖರತೆ vs. ಲಾಭದಾಯಕತೆ: ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯನ್ನು ಹೂಡಿಕೆ ಲಾಭದಾಯಕತೆಯಿಂದ ಪ್ರತ್ಯೇಕಿಸುವುದು ಸಹ ಮುಖ್ಯವಾಗಿದೆ . ಒಂದು ಮಾದರಿಯು ಸ್ಟಾಕ್‌ನ ದೈನಂದಿನ ಏರಿಳಿತದ ಚಲನೆಯನ್ನು ಊಹಿಸುವಲ್ಲಿ ಕೇವಲ 60% ನಿಖರವಾಗಿರಬಹುದು - ಅದು ತುಂಬಾ ಹೆಚ್ಚು ಧ್ವನಿಸುವುದಿಲ್ಲ - ಆದರೆ ಆ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಸ್ಮಾರ್ಟ್ ಟ್ರೇಡಿಂಗ್ ತಂತ್ರದಲ್ಲಿ ಬಳಸಿದರೆ, ಅವು ಸಾಕಷ್ಟು ಲಾಭದಾಯಕವಾಗಬಹುದು. ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ಒಂದು ಮಾದರಿಯು 90% ನಿಖರತೆಯನ್ನು ಹೆಮ್ಮೆಪಡಬಹುದು ಆದರೆ 10% ಬಾರಿ ಅದು ತಪ್ಪಾಗಿದ್ದರೆ ಅದು ದೊಡ್ಡ ಮಾರುಕಟ್ಟೆ ಚಲನೆಗಳೊಂದಿಗೆ (ಮತ್ತು ಆದ್ದರಿಂದ ದೊಡ್ಡ ನಷ್ಟಗಳು) ಹೊಂದಿಕೆಯಾದರೆ, ಅದು ಲಾಭದಾಯಕವಲ್ಲ. ಅನೇಕ AI ಸ್ಟಾಕ್ ಮುನ್ಸೂಚನೆ ಪ್ರಯತ್ನಗಳು ದಿಕ್ಕಿನ ನಿಖರತೆ ಅಥವಾ ದೋಷ ಕಡಿಮೆಗೊಳಿಸುವಿಕೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ, ಆದರೆ ಹೂಡಿಕೆದಾರರು ಅಪಾಯ-ಹೊಂದಾಣಿಕೆಯ ಆದಾಯದ ಬಗ್ಗೆ ಕಾಳಜಿ ವಹಿಸುತ್ತಾರೆ. ಹೀಗಾಗಿ, ಮೌಲ್ಯಮಾಪನಗಳು ಸಾಮಾನ್ಯವಾಗಿ ತೀಕ್ಷ್ಣ ಅನುಪಾತ, ಡ್ರಾಡೌನ್‌ಗಳು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಸ್ಥಿರತೆಯಂತಹ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ, ಕಚ್ಚಾ ಹಿಟ್ ದರ ಮಾತ್ರವಲ್ಲ. ಕೆಲವು AI ಮಾದರಿಗಳನ್ನು ಸ್ಥಾನಗಳು ಮತ್ತು ಅಪಾಯವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ವಹಿಸುವ ಅಲ್ಗಾರಿದಮಿಕ್ ವ್ಯಾಪಾರ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಸಂಯೋಜಿಸಲಾಗಿದೆ - ಅವುಗಳ ನೈಜ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸ್ವತಂತ್ರ ಮುನ್ಸೂಚನೆ ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಲೈವ್ ಟ್ರೇಡಿಂಗ್ ರಿಟರ್ನ್‌ಗಳಲ್ಲಿ ಅಳೆಯಲಾಗುತ್ತದೆ. ಇಲ್ಲಿಯವರೆಗೆ, ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಹಣವನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಮುದ್ರಿಸುವ ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತ "AI ವ್ಯಾಪಾರಿ" ವಾಸ್ತವಕ್ಕಿಂತ ಹೆಚ್ಚು ವೈಜ್ಞಾನಿಕ ಕಾದಂಬರಿಯಾಗಿದೆ, ಆದರೆ ಕಿರಿದಾದ ಅನ್ವಯಿಕೆಗಳು (ವ್ಯಾಪಾರಿಗಳು ಬೆಲೆ ಆಯ್ಕೆಗಳಿಗೆ ಬಳಸಬಹುದಾದ ಅಲ್ಪಾವಧಿಯ ಮಾರುಕಟ್ಟೆ ಚಂಚಲತೆಯನ್ನು ) ಹಣಕಾಸು ಪರಿಕರಗಳಲ್ಲಿ ಸ್ಥಾನ ಪಡೆದಿವೆ.

ಒಟ್ಟಾರೆಯಾಗಿ, ಪುರಾವೆಗಳು AI ಕೆಲವು ಮಾರುಕಟ್ಟೆ ಮಾದರಿಗಳನ್ನು ಉತ್ತಮ ನಿಖರತೆಯೊಂದಿಗೆ ಮುನ್ಸೂಚಿಸಬಹುದು ಮತ್ತು ಹಾಗೆ ಮಾಡುವುದರಿಂದ ವ್ಯಾಪಾರದ ಅಂಚನ್ನು ನೀಡಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಆ ಅಂಚು ಸಾಮಾನ್ಯವಾಗಿ ಚಿಕ್ಕದಾಗಿದೆ ಮತ್ತು ಅದನ್ನು ಲಾಭ ಮಾಡಿಕೊಳ್ಳಲು ಅತ್ಯಾಧುನಿಕ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ. ಯಾರಾದರೂ ಕೇಳಿದಾಗ, AI ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆಯನ್ನು ಊಹಿಸಬಹುದೇ? , ಪ್ರಸ್ತುತ ಪುರಾವೆಗಳ ಆಧಾರದ ಮೇಲೆ ಅತ್ಯಂತ ಪ್ರಾಮಾಣಿಕ ಉತ್ತರವೆಂದರೆ: AI ಕೆಲವೊಮ್ಮೆ ನಿರ್ದಿಷ್ಟ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆಯ ಅಂಶಗಳನ್ನು ಊಹಿಸಬಹುದು, ಆದರೆ ಎಲ್ಲಾ ಸಮಯದಲ್ಲೂ ಎಲ್ಲಾ ಸ್ಟಾಕ್‌ಗಳಿಗೆ ಸ್ಥಿರವಾಗಿ ಹಾಗೆ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ . ಯಶಸ್ಸುಗಳು ಭಾಗಶಃ ಮತ್ತು ಸಂದರ್ಭ-ಅವಲಂಬಿತವಾಗಿರುತ್ತವೆ.

ತೀರ್ಮಾನ: ಷೇರು ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ AI ಗಾಗಿ ವಾಸ್ತವಿಕ ನಿರೀಕ್ಷೆಗಳು

AI ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ನಿಸ್ಸಂದೇಹವಾಗಿ ಹಣಕಾಸಿನಲ್ಲಿ ಪ್ರಬಲ ಸಾಧನಗಳಾಗಿವೆ. ಬೃಹತ್ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಸಂಸ್ಕರಿಸುವಲ್ಲಿ, ಗುಪ್ತ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುವಲ್ಲಿ ಮತ್ತು ಹಾರಾಡುತ್ತ ತಂತ್ರಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವಲ್ಲಿ ಅವು ಶ್ರೇಷ್ಠವಾಗಿವೆ. ಷೇರು ಮಾರುಕಟ್ಟೆಯನ್ನು ಊಹಿಸುವ ಅನ್ವೇಷಣೆಯಲ್ಲಿ, AI ಸ್ಪಷ್ಟವಾದ ಆದರೆ ಸೀಮಿತ ವಿಜಯಗಳನ್ನು ನೀಡಿದೆ. ಹೂಡಿಕೆದಾರರು ಮತ್ತು ಸಂಸ್ಥೆಗಳು AI ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಲ್ಲಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ವಾಸ್ತವಿಕವಾಗಿ ನಿರೀಕ್ಷಿಸಬಹುದು - ಉದಾಹರಣೆಗೆ, ಮುನ್ಸೂಚಕ ಸಂಕೇತಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಮೂಲಕ, ಪೋರ್ಟ್‌ಫೋಲಿಯೊಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವ ಮೂಲಕ ಅಥವಾ ಅಪಾಯವನ್ನು ನಿರ್ವಹಿಸುವ ಮೂಲಕ - ಆದರೆ ಲಾಭವನ್ನು ಖಾತರಿಪಡಿಸುವ ಸ್ಫಟಿಕ ಚೆಂಡಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ.

AI ಏನು
ಮಾಡಬಹುದು : ಹೂಡಿಕೆಯಲ್ಲಿ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು AI ಸುಧಾರಿಸಬಹುದು. ಇದು ವರ್ಷಗಳ ಮಾರುಕಟ್ಟೆ ದತ್ತಾಂಶ, ಸುದ್ದಿ ಫೀಡ್‌ಗಳು ಮತ್ತು ಹಣಕಾಸು ವರದಿಗಳನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪರಿಶೀಲಿಸಬಹುದು, ಮಾನವರು ಕಡೆಗಣಿಸಬಹುದಾದ ಸೂಕ್ಷ್ಮ ಮಾದರಿಗಳು ಅಥವಾ ವೈಪರೀತ್ಯಗಳನ್ನು ಪತ್ತೆ ಮಾಡಬಹುದು ( ಸ್ಟಾಕ್ ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸುವುದು... | FMP ). ಇದು ನೂರಾರು ಅಸ್ಥಿರಗಳನ್ನು (ತಾಂತ್ರಿಕ, ಮೂಲಭೂತ, ಭಾವನೆ, ಇತ್ಯಾದಿ) ಒಗ್ಗಟ್ಟಿನ ಮುನ್ಸೂಚನೆಯಾಗಿ ಸಂಯೋಜಿಸಬಹುದು. ಅಲ್ಪಾವಧಿಯ ವ್ಯಾಪಾರದಲ್ಲಿ, AI ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಯಾದೃಚ್ಛಿಕ ನಿಖರತೆಗಿಂತ ಸ್ವಲ್ಪ ಉತ್ತಮವಾಗಿ ಒಂದು ಸ್ಟಾಕ್ ಇನ್ನೊಂದನ್ನು ಮೀರಿಸುತ್ತದೆ ಅಥವಾ ಮಾರುಕಟ್ಟೆಯು ಚಂಚಲತೆಯ ಉಲ್ಬಣವನ್ನು ಅನುಭವಿಸಲಿದೆ ಎಂದು ಊಹಿಸಬಹುದು. ಈ ಹೆಚ್ಚುತ್ತಿರುವ ಅಂಚುಗಳನ್ನು ಸರಿಯಾಗಿ ಬಳಸಿಕೊಂಡಾಗ, ನಿಜವಾದ ಆರ್ಥಿಕ ಲಾಭಗಳಾಗಿ ಅನುವಾದಿಸಬಹುದು. AI ಅಪಾಯ ನಿರ್ವಹಣೆಯಲ್ಲಿಯೂ - ಕುಸಿತದ ಮುಂಚಿನ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಗುರುತಿಸುವುದು ಅಥವಾ ಮುನ್ಸೂಚನೆಯ ವಿಶ್ವಾಸಾರ್ಹ ಮಟ್ಟವನ್ನು ಹೂಡಿಕೆದಾರರಿಗೆ ತಿಳಿಸುವುದು. AI ಯ ಮತ್ತೊಂದು ಪ್ರಾಯೋಗಿಕ ಪಾತ್ರವೆಂದರೆ ತಂತ್ರ ಯಾಂತ್ರೀಕರಣ : ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಹೆಚ್ಚಿನ ವೇಗ ಮತ್ತು ಆವರ್ತನದಲ್ಲಿ ವಹಿವಾಟುಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು, 24/7 ಘಟನೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಬಹುದು ಮತ್ತು ಶಿಸ್ತನ್ನು ಜಾರಿಗೊಳಿಸಬಹುದು (ಭಾವನಾತ್ಮಕ ವ್ಯಾಪಾರವಿಲ್ಲ), ಇದು ಬಾಷ್ಪಶೀಲ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ ಪ್ರಯೋಜನಕಾರಿಯಾಗಬಹುದು.

AI ಏನು
ಸಾಧ್ಯವಿಲ್ಲ (ಇನ್ನೂ): ಕೆಲವು ಮಾಧ್ಯಮಗಳಲ್ಲಿ ಪ್ರಚಾರದ ಹೊರತಾಗಿಯೂ, AI ಷೇರು ಮಾರುಕಟ್ಟೆಯನ್ನು ಸ್ಥಿರವಾಗಿ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಊಹಿಸಲು . ಮಾರುಕಟ್ಟೆಗಳು ಮಾನವ ನಡವಳಿಕೆ, ಯಾದೃಚ್ಛಿಕ ಘಟನೆಗಳು ಮತ್ತು ಯಾವುದೇ ಸ್ಥಿರ ಮಾದರಿಯನ್ನು ಧಿಕ್ಕರಿಸುವ ಸಂಕೀರ್ಣ ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್‌ಗಳಿಂದ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ. AI ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿವಾರಿಸುವುದಿಲ್ಲ; ಇದು ಸಂಭವನೀಯತೆಗಳಲ್ಲಿ ಮಾತ್ರ ವ್ಯವಹರಿಸುತ್ತದೆ. AI ನಾಳೆ ಷೇರು ಏರಿಕೆಯಾಗುವ 70% ಅವಕಾಶವನ್ನು ಸೂಚಿಸಬಹುದು - ಅಂದರೆ ಅದು ಆಗದಿರುವ 30% ಅವಕಾಶವನ್ನೂ ಸಹ ಸೂಚಿಸುತ್ತದೆ. ವಹಿವಾಟುಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುವುದು ಮತ್ತು ಕೆಟ್ಟ ಕರೆಗಳು ಅನಿವಾರ್ಯ. AI ತನ್ನ ತರಬೇತಿ ಡೇಟಾದ ಕ್ಷೇತ್ರದ ಹೊರಗೆ ಇರುವ ನಿಜವಾದ ನವೀನ ಘಟನೆಗಳನ್ನು (ಸಾಮಾನ್ಯವಾಗಿ "ಕಪ್ಪು ಹಂಸಗಳು" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ನಿರೀಕ್ಷಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಇದಲ್ಲದೆ, ಯಾವುದೇ ಯಶಸ್ವಿ ಮುನ್ಸೂಚಕ ಮಾದರಿಯು ಅದರ ಪ್ರಯೋಜನವನ್ನು ಕಳೆದುಕೊಳ್ಳುವ ಸ್ಪರ್ಧೆಯನ್ನು ಆಹ್ವಾನಿಸುತ್ತದೆ. ಮೂಲಭೂತವಾಗಿ, ಮಾರುಕಟ್ಟೆಯ ಭವಿಷ್ಯದ ಬಗ್ಗೆ ದೂರದೃಷ್ಟಿಯನ್ನು ಖಾತರಿಪಡಿಸುವ ಸ್ಫಟಿಕ ಚೆಂಡಿನ ಸಮಾನವಾದ AI ಇಲ್ಲ

ತಟಸ್ಥ, ವಾಸ್ತವಿಕ ದೃಷ್ಟಿಕೋನ:
ತಟಸ್ಥ ದೃಷ್ಟಿಕೋನದಿಂದ, AI ಅನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಮಾನವ ಒಳನೋಟಕ್ಕೆ ಬದಲಿಯಾಗಿ ಅಲ್ಲ, ಬದಲಾಗಿ ವರ್ಧನೆಯಾಗಿ ನೋಡಲಾಗುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಅನೇಕ ಸಾಂಸ್ಥಿಕ ಹೂಡಿಕೆದಾರರು ಮಾನವ ವಿಶ್ಲೇಷಕರು ಮತ್ತು ಪೋರ್ಟ್‌ಫೋಲಿಯೋ ವ್ಯವಸ್ಥಾಪಕರ ಇನ್‌ಪುಟ್‌ಗಳ ಜೊತೆಗೆ AI ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತಾರೆ. AI ಸಂಖ್ಯೆಗಳು ಮತ್ತು ಔಟ್‌ಪುಟ್ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಕ್ರಂಚ್ ಮಾಡಬಹುದು, ಆದರೆ ಮಾನವರು ಉದ್ದೇಶಗಳನ್ನು ಹೊಂದಿಸುತ್ತಾರೆ, ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸುತ್ತಾರೆ ಮತ್ತು ಸಂದರ್ಭಕ್ಕೆ ತಂತ್ರಗಳನ್ನು ಸರಿಹೊಂದಿಸುತ್ತಾರೆ (ಉದಾ, ಅನಿರೀಕ್ಷಿತ ಬಿಕ್ಕಟ್ಟಿನ ಸಮಯದಲ್ಲಿ ಮಾದರಿಯನ್ನು ಅತಿಕ್ರಮಿಸುತ್ತಾರೆ). AI-ಚಾಲಿತ ಪರಿಕರಗಳು ಅಥವಾ ಟ್ರೇಡಿಂಗ್ ಬಾಟ್‌ಗಳನ್ನು ಬಳಸುವ ಚಿಲ್ಲರೆ ಹೂಡಿಕೆದಾರರು ಜಾಗರೂಕರಾಗಿರಬೇಕು ಮತ್ತು ಉಪಕರಣದ ತರ್ಕ ಮತ್ತು ಮಿತಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು. AI ಶಿಫಾರಸನ್ನು ಕುರುಡಾಗಿ ಅನುಸರಿಸುವುದು ಅಪಾಯಕಾರಿ - ಒಬ್ಬರು ಅದನ್ನು ಅನೇಕ ಇನ್‌ಪುಟ್‌ಗಳಲ್ಲಿ ಒಂದು ಇನ್‌ಪುಟ್‌ನಂತೆ ಬಳಸಬೇಕು.

ವಾಸ್ತವಿಕ ನಿರೀಕ್ಷೆಗಳನ್ನು ಹೊಂದಿಸುವಾಗ, ಒಬ್ಬರು ಈ ತೀರ್ಮಾನಕ್ಕೆ ಬರಬಹುದು: AI ಒಂದು ಹಂತದವರೆಗೆ ಷೇರು ಮಾರುಕಟ್ಟೆಯನ್ನು ಊಹಿಸಬಹುದು, ಆದರೆ ಖಚಿತವಾಗಿ ಅಲ್ಲ ಮತ್ತು ದೋಷವಿಲ್ಲದೆ ಅಲ್ಲ . ಇದು ಸರಿಯಾದ ಕರೆ ಮಾಡುವ ಸಾಧ್ಯತೆಗಳನ್ನು ಹೆಚ್ಚಿಸಬಹುದು ದಕ್ಷತೆಯನ್ನು , ಇದು ಸ್ಪರ್ಧಾತ್ಮಕ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ ಲಾಭ ಮತ್ತು ನಷ್ಟದ ನಡುವಿನ ವ್ಯತ್ಯಾಸವಾಗಿರಬಹುದು. ಆದಾಗ್ಯೂ, ಇದು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ ಅಥವಾ ಷೇರು ಮಾರುಕಟ್ಟೆಗಳ ಅಂತರ್ಗತ ಚಂಚಲತೆ ಮತ್ತು ಅಪಾಯವನ್ನು ನಿವಾರಿಸುವುದಿಲ್ಲ. ಒಂದು ಪ್ರಕಟಣೆಯು ಗಮನಸೆಳೆದಂತೆ, ಪರಿಣಾಮಕಾರಿ ಅಲ್ಗಾರಿದಮ್‌ಗಳೊಂದಿಗೆ ಸಹ, ಮಾದರಿ ಮಾಹಿತಿಯ ಹೊರತಾಗಿ ಅಂಶಗಳಿಂದಾಗಿ "ಅಂತರ್ಗತವಾಗಿ ಅನಿರೀಕ್ಷಿತ" ಡೀಪ್ ರೀಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಬಳಸಿ ಸ್ಟಾಕ್ ಮಾರ್ಕೆಟ್ ಪ್ರಿಡಿಕ್ಷನ್ ).

ಮುಂದಿನ ಹಾದಿ:
ಭವಿಷ್ಯದಲ್ಲಿ, ಷೇರು ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ AI ಪಾತ್ರವು ಬೆಳೆಯುವ ಸಾಧ್ಯತೆಯಿದೆ. ನಡೆಯುತ್ತಿರುವ ಸಂಶೋಧನೆಯು ಕೆಲವು ಮಿತಿಗಳನ್ನು ಪರಿಹರಿಸುತ್ತಿದೆ (ಉದಾಹರಣೆಗೆ, ಆಡಳಿತ ಬದಲಾವಣೆಗಳಿಗೆ ಕಾರಣವಾಗುವ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು, ಅಥವಾ ಡೇಟಾ-ಚಾಲಿತ ಮತ್ತು ಈವೆಂಟ್-ಚಾಲಿತ ವಿಶ್ಲೇಷಣೆ ಎರಡನ್ನೂ ಒಳಗೊಂಡಿರುವ ಹೈಬ್ರಿಡ್ ವ್ಯವಸ್ಥೆಗಳು). ಬಲವರ್ಧನೆಯ ಕಲಿಕಾ ಏಜೆಂಟ್‌ಗಳಲ್ಲಿಯೂ . ಇದಲ್ಲದೆ, ವರ್ತನೆಯ ಹಣಕಾಸು ಅಥವಾ ನೆಟ್‌ವರ್ಕ್ ವಿಶ್ಲೇಷಣೆಯ ತಂತ್ರಗಳೊಂದಿಗೆ AI ಅನ್ನು ಸಂಯೋಜಿಸುವುದರಿಂದ ಮಾರುಕಟ್ಟೆ ಡೈನಾಮಿಕ್ಸ್‌ನ ಉತ್ಕೃಷ್ಟ ಮಾದರಿಗಳನ್ನು ಪಡೆಯಬಹುದು. ಅದೇನೇ ಇದ್ದರೂ, ಅತ್ಯಂತ ಮುಂದುವರಿದ ಭವಿಷ್ಯದ AI ಸಹ ಸಂಭವನೀಯತೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯ ಮಿತಿಯೊಳಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

"AI ಷೇರು ಮಾರುಕಟ್ಟೆಯನ್ನು ಊಹಿಸಬಹುದೇ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಸರಳವಾದ ಹೌದು ಅಥವಾ ಇಲ್ಲ ಎಂಬ ಉತ್ತರವಿಲ್ಲ. ಅತ್ಯಂತ ನಿಖರವಾದ ಉತ್ತರವೆಂದರೆ: AI ಷೇರು ಮಾರುಕಟ್ಟೆಯನ್ನು ಊಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಆದರೆ ಅದು ದೋಷರಹಿತವಲ್ಲ. ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಬಳಸಿದಾಗ, ಮುನ್ಸೂಚನೆ ಮತ್ತು ವ್ಯಾಪಾರ ತಂತ್ರಗಳನ್ನು ಹೆಚ್ಚಿಸುವ ಪ್ರಬಲ ಸಾಧನಗಳನ್ನು ಇದು ನೀಡುತ್ತದೆ, ಆದರೆ ಇದು ಮಾರುಕಟ್ಟೆಗಳ ಮೂಲಭೂತ ಅನಿರೀಕ್ಷಿತತೆಯನ್ನು ತೆಗೆದುಹಾಕುವುದಿಲ್ಲ. ಹೂಡಿಕೆದಾರರು AI ಅನ್ನು ಅದರ ಸಾಮರ್ಥ್ಯಗಳಿಗಾಗಿ - ಡೇಟಾ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಮಾದರಿ ಗುರುತಿಸುವಿಕೆಗಾಗಿ - ಅಳವಡಿಸಿಕೊಳ್ಳಬೇಕು ಮತ್ತು ಅದರ ದೌರ್ಬಲ್ಯಗಳ ಬಗ್ಗೆ ತಿಳಿದಿರಬೇಕು. ಹಾಗೆ ಮಾಡುವಾಗ, ಒಬ್ಬರು ಎರಡೂ ಪ್ರಪಂಚಗಳಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾದವುಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು: ಮಾನವ ತೀರ್ಪು ಮತ್ತು ಯಂತ್ರ ಬುದ್ಧಿಮತ್ತೆ ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡುವುದು. ಷೇರು ಮಾರುಕಟ್ಟೆ ಎಂದಿಗೂ 100% ಊಹಿಸಬಹುದಾದದ್ದಲ್ಲ, ಆದರೆ ವಾಸ್ತವಿಕ ನಿರೀಕ್ಷೆಗಳು ಮತ್ತು AI ನ ವಿವೇಚನಾಯುಕ್ತ ಬಳಕೆಯೊಂದಿಗೆ, ಮಾರುಕಟ್ಟೆ ಭಾಗವಹಿಸುವವರು ನಿರಂತರವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತಿರುವ ಆರ್ಥಿಕ ಭೂದೃಶ್ಯದಲ್ಲಿ ಉತ್ತಮ-ಮಾಹಿತಿ, ಹೆಚ್ಚು ಶಿಸ್ತಿನ ಹೂಡಿಕೆ ನಿರ್ಧಾರಗಳಿಗಾಗಿ ಶ್ರಮಿಸಬಹುದು.

ಇದರ ನಂತರ ನೀವು ಓದಲು ಇಷ್ಟಪಡಬಹುದಾದ ಶ್ವೇತಪತ್ರಗಳು:

🔗 AI ಬದಲಾಯಿಸಲಾಗದ ಉದ್ಯೋಗಗಳು - ಮತ್ತು AI ಯಾವ ಉದ್ಯೋಗಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ?
AI ಜಾಗತಿಕ ಉದ್ಯೋಗವನ್ನು ಮರುರೂಪಿಸುವುದರಿಂದ ಯಾವ ವೃತ್ತಿಗಳು ಭವಿಷ್ಯಕ್ಕೆ ನಿರೋಧಕವಾಗಿವೆ ಮತ್ತು ಯಾವವು ಹೆಚ್ಚು ಅಪಾಯದಲ್ಲಿದೆ ಎಂಬುದನ್ನು ಕಂಡುಕೊಳ್ಳಿ.

🔗 ಮಾನವ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ ಉತ್ಪಾದಕ AI ಏನು ಮಾಡಬಹುದು?
ಪ್ರಾಯೋಗಿಕ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಉತ್ಪಾದಕ AI ನ ಪ್ರಸ್ತುತ ಮಿತಿಗಳು ಮತ್ತು ಸ್ವಾಯತ್ತ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ.

🔗 ಸೈಬರ್ ಭದ್ರತೆಯಲ್ಲಿ ಜನರೇಟಿವ್ AI ಅನ್ನು ಹೇಗೆ ಬಳಸಬಹುದು?
AI ಬೆದರಿಕೆಗಳ ವಿರುದ್ಧ ಹೇಗೆ ರಕ್ಷಿಸುತ್ತಿದೆ ಮತ್ತು ಮುನ್ಸೂಚಕ ಮತ್ತು ಸ್ವಾಯತ್ತ ಪರಿಕರಗಳೊಂದಿಗೆ ಸೈಬರ್ ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವವನ್ನು ಹೇಗೆ ಹೆಚ್ಚಿಸುತ್ತಿದೆ ಎಂಬುದನ್ನು ತಿಳಿಯಿರಿ.