آینده روشن بورس با هوش مصنوعی - اخبار مشروح

به گزارش خبرنگار حوزه علم، فناوری و دانش بنیان گروه دانشگاه خبرگزاری خبرنگاران، هوش مصنوعی در ابعاد مختلف زندگی روزمره ما به کار می رود. به عنوان مثال می توان به سیری و الکسا برای حل مشکل ساده مان یا صرفاً سرگرمی نگاه کنیم، فید فیس بوک که محتوا را بر اساس علایق شما تنظیم می نماید، نمونه دیگری از به کارگیری هوش مصنوعی در زندگی روزمره است. چت روبات ها در وب سایت ها برای پرسش و پاسخ عالی هستند و بدون حضور نیروی انسانی، به پرسش ها پاسخ می دهند.

یکی از حوزه هایی که خصوصاً در ماه های اخیر موردتوجه فعالان غیرحرفه ای اقتصادی قرار گرفته است، سرمایه گذاری در بازار بورس است. افراد در کوشش اند با خریدوفروش سهام شرکت های مختلف، سرمایه خود را ارتقاء دهند. بازار بورس نیازمند نوعی سواد اقتصادی است که متأسفانه هنوز در بین تعداد زیادی از افراد ترویج نیافته است. یکی از فناوری هایی که قابل پیش بینی است که به زودی و به سرعت در ایران پیروز گردد، هوش مصنوعی خواهد بود. این فناوری قادر است عطف به سوابق و الگوهای اقتصادی، نسبت به آنچه در آینده رخ خواهد داد به یک پیش بینی برسد و هرچند این پیش بینی، قطعی نخواهد بود اما به طور قابل اعتمادی می توان فرض را بر این گذاشت که در اکثریت مواقع درست عمل خواهد نمود. اما هوش مصنوعی چطور می تواند به چنین آگاهی برسد؟

یادگیری ماشین

هنگامی که بتوانیم به دستگاه های کامپیوتری چیزی را بیاموزیم، درواقع فرایند یادگیری ماشین رخ داده است. برای مثال هنگامی که یک دستگاه با یک پرتقال روبرو شد، بدون اینکه به آن مستقیماً گفته گردد که یک پرتقال دیده است، از روی کروی بودن، گِرد بودن و نارنجی بودن پی به ماهیت آن ببرد. برای هوش مصنوعی دو نوع یادگیری ماشین عمده وجود دارد؛ یادگیری نظارت شده و بدون نظارت.

یادگیری نظارت شده زمانی اتفاق می افتد که یک ناظر برای هدایت یادگیری ماشین وجود داشته باشد، یعنی متغیرهای ورودی و خروجی در کنار هم تهیه و عملاً نقشه برداری شوند. از سوی دیگر، یادگیری بدون نظارت، جایی است که به هوش مصنوعی اطلاعاتی داده می گردد که مرتب نشده است.

یادگیری نظارت شده

وقتی از یادگیری نظارت شده استفاده می کنیم که اطلاعات با ورودی همراه باشند و بخشی از فرایند یادگیری ماشین به وسیله این ورودی ها رقم بخورد. بنابراین در یادگیری نظارت شده متغیرهای ورودی و خروجی تعیین هستند و هوش مصنوعی براساس این داده های اولیه کار می نماید.

علاوه بر این، باید یک پایگاه داده بزرگ پاسخ دهی (به عنوان مثال بانک اطلاعاتی توئیتر) وجود داشته باشد که از قبل داده هایی را برای تمایز بین پست های خوب یا بد در نظر بگیرد. یادگیری نظارت شده همچنین در پردازش زبان خوب عمل می نماید زیرا جواب ها کاملاً صریح هستند و هوش مصنوعی می تواند به راحتی جواب های صحیح یا غلط را تشخیص دهد.

یادگیری بدون نظارت

از سوی دیگر، یادگیری بدون نظارت، جایی است که به هوش مصنوعی اطلاعاتی داده می گردد که مرتب نشده اند. دراینجا هیچ ناظری وجود ندارد و این هوش مصنوعی می تواند بدون هدایت بر روی اطلاعات کار کند. یادگیری بدون نظارت بهترین راه برای شناخت الگوها است. به عنوان مثال، شبکه های عصبی مجموعه ای از الگوریتم ها هستند که عملکرد نورون ها را در مغز انسان تقلید می نمایند تا الگوها را تشخیص دهند.

چنین الگوی شناختی توسط هوش مصنوعی برای یادگیری بازی ها نیز استفاده می گردد، برای مثال هوش مصنوعی آی بی ام بدین طریق توانست خبره ترین بازیکنان شطرنج یعنی گری کاسپاروف را شکست دهد. یا به یاری توانایی یادگیری هوش مصنوعی در بازی GO، در رقابت بین هوش مصنوعی شرکت گوگل یعنی AlphaGo و فردی به نام لی سدول بازیکن سرشناس کره ای که 18 بار قهرمانی جهانی این بازی را در کارنامه داشت، در مارس 2016، هوش مصنوعی پیروز رقابت بود. این قابلیت هوش مصنوعی به سرعت نشان داد که این فناوری بر اساس انجام عمل یادگیری می تواند خوب عمل کند و امکان پیشرفت در طول جهت برایش فراهم گردد.

اگرچه یادگیری بدون نظارت نسبت به یادگیری نظارت شده نسبتاً بیشتر طول می کشد تا کارش را انجام دهد، اما این تکنیک به هوش مصنوعی اجازه می دهد تا بسیاری از آموزش ها را برای حل مشکل به وسیله تست و خطا یاد بگیرد، و این قابلیت به آن اجازه می دهد تا بهترین و کارآمدترین راه را برای حل یک مشکل خاص انتخاب کند.

از این صحبت ها می توانیم نتیجه بگیریم استفاده از یادگیری بدون نظارت برای تجارت سودمندتر خواهد بود زیرا هیچ پاسخ صحیحی یا غلط در تجارت وجود ندارد و تعداد بی شماری از احتمالات و جایگشت ها در بازار تجارت وجود دارد. دو روش برای تحلیل بازار معاملات وجود دارد؛ تجزیه وتحلیل بنیادی و تجزیه وتحلیل فنی. در اینجا به تجزیه وتحلیل فنی خواهیم پرداخت.

تجزیه وتحلیل فنی

تجزیه وتحلیل فنی به معنی پیش بینی قیمت آینده بازار بر اساس الگوهای قبلی بازار است. یک مثال شاخص ساده ای همچون میانگین حرکت نمایی (EMA) برای پیش بینی فرایندهای آینده است که در تصویر نشان داده شده است. با استفاده از EMA، سرمایه گذاران قادر به پیش بینی زمان مناسب برای فروش یا خرید سهام خواهند بود. ما می توانیم سهام را در نقطه 2 بخریم و وقتی قیمت بالاتر از 3 یا 4 رفت، آن را بفروشیم.

چرا از خبرنگارانلیز فنی استفاده می کنیم؟ این امر به این دلیل است که ما می توانیم پیش بینی کنیم که چگونه افراد بر اساس رفتارهای خود به وسیله برنامه نویسی زبان شناسی عصبی (NLP) فکر می نمایند. با توجه به رفتارهای قبلی افراد که منجر به الگوی خاصی از فرایند بازار می گردد، برای هوش مصنوعی امکان استفاده از این داده های تاریخی موجود فراهم شده است تا پیش بینی های دقیق تری برای قیمت های بازار آینده انجام دهند.

اگر واقعیت متفاوت از آب درآمد، هوش مصنوعی قادر خواهد بود این کار را به عنوان یک فرایند تست و خطا در نظر بگیرد و خود بیاموزد که در آینده نیز پیش بینی های دقیق تری انجام دهد.

به عنوان نمونه ای از شاخص پیچیده تر در این حوزه می توان به ابر ایچی موکو (یک روش تجزیه وتحلیل ژاپنی برای استفاده در بازارهای اقتصادی و سرمایه است) اشاره نمود. اساساً، ابر بسته به موقعیت مکانی قیمت در رابطه با ابر، فرایند را پیش بینی می نماید. اطلاعات موجود در خصوص ابر ایچی موکو نشان دهنده رفتارهای افراد است و به ما می گوید که چه زمانی باید سهام را بفروشیم یا بخریم.

با استفاده از تجزیه وتحلیل فنی، می توانیم مدل هوش مصنوعی را برای استفاده از قیمت های گذشته بازار آموزش دهیم تا به یاری یک مدل ریاضی و احتمالات، قیمت های آینده را با دقت بیشتری بتوان پیش بینی کرد.

پژوهشگران و توسعه دهندگان هوش مصنوعی، داده های تاریخیِ بازار تجارت را به عنوان یک پایگاه داده ها، در کنار توابع ریاضی با استفاده از زبان برنامه نویسی پایتون وارد فرایند یادگیری ماشین می نمایند. پایتون یک زبان برنامه نویسی است که می تواند برای اهداف گوناگون مانند توسعه وب و توسعه نرم افزار استفاده گردد. پس از فراوری برنامه باید اجازه داد تا داده ها پردازش شوند و شبکه عصبی هوش مصنوعی، آن را در مراحل مختلف بگذراند. به این ترتیب می توانیم از هوش مصنوعی استفاده کنیم تا به ما یاری کند در بازار سهام سرمایه گذاری کند.

4112/