Не трябва да се изненадваме, че изкуственият интелект (ИИ) се справя по-добре средно от анализаторите на акции в прогнозирането на печалби. Или че стратегиите, базирани на правила, предлагат по-добри финансови съвети в сравнение с личен банкер. Още преди скорошните постижения в генеративната ИИ имаше доказани предимства от систематичното инвестиране. Въпреки че тези техники може би не намират редките топ акции или пазарни повратни точки, които носят над средните възвръщаемости, те все пак имат доказана стойност.
Развитията в областта на изкуствения интелект (ИИ) обаче показват, че можем да надхвърлим препоръките, основаващи се на правила. Макроикономиката, счетоводството и статистиката са трите стълба на инвестирането. Големите езикови модели постигат върхови резултати в напреднали изпити по тези предмети. Освен това знаем, че големите езикови модели могат да обобщят много повече контекст и колективна мъдрост, отколкото човек, което може да бъде много полезно за макроикономическите стратегии. Така че, ако изкуственият интелект може да помага при финансови решения, защо е толкова трудно за анализаторите или портфолио мениджърите да приемат тази промяна?
Някои указания откриваме в работата на специалиста по данни Сезар Идалго относно това как хората оценяват машините. Когато използваме програма, ние се фокусираме върху представянето на инструмента. Всяка прогноза грешка на тази програма ще доведе до загуба на доверие на нашия финансов специалист. В повечето случаи е без значение дали алгоритъмът е средно по-добър от човека. Нашият финансов съветник ще разчита на своята интуиция и опит.
Изследването на Идалго показва, че оценяваме човешките консултации по различен начин. Гледаме отвъд представянето и отчитаме намеренията на човека, който ни консултира. Когато разчитаме на частен банкер или поверяваме парите си на фонд мениджър, приемаме сходство с нашите цели, особено ако договорът включва такси, зависещи от представянето. Когато включим тези намерения в нашето мислено уравнение, сме по-толерантни към лошите резултати.
Човешкото консултиране може по-често да се проваля и въпреки това се счита за ценно, особено когато има история, която обяснява резултата. По думите на Идалго очакваме от машините рационалност, а от хората човечност.
Ние също се противопоставяме на получаването на информация, която противоречи на нашия опит. В експерименти с радиолози, използващи изкуствен интелект, беше неясно как те включват мненията на алгоритъма в своите прогнози. Работата отнемаше повече време и ефективността на комбинираната диагностика беше под въпрос.
Ако това важи за рентгенолозите, то трябва да е още по-трудно за всеки, който работи на финансовите пазари. Макростратегията може да е най-трудната област за интегриране на изкуствения интелект. Първо, защото пазарът, подобно на времето, не е стационарен, което означава, че той никога няма да реагира по същия начин на напр. данни за инфлацията или заетостта, да не говорим за евентуалното завръщане на Доналд Тръмп в Белия дом. Освен това, всеки стратег има силни начални убеждения – или „идентичност“ като винаги оптимистичен или песимистичен – които влияят на неговите преценки. Много е трудно да избягаш от разказите, които клиентите очакват от теб.
Накрая копнеем за контрол. Има радикална разлика между модел, създаден с електронна таблица от налични данни, и например ChatGPT. Въз основа на нашия опит и интуиция решаваме за формата и компонентите на първия, но не и на втория. И в повечето случаи дори не знаем как LLM е достигнал до даден отговор. Затова е разбираемо, че нашият финансов съветник се чувства неудобно да използва прогноза, която не е негова собствена.
Има някои съображения, които трябва да се вземат предвид. Трябва да позволим на хората да настроят някои параметри на модела. С други думи, трябва да позволим на специалистите да приемат препоръките на изкуствения интелект, сякаш са техни собствени. В най-добрия случай моделът може да се подобри, когато експертът добави контекст, до който моделът може да няма достъп. Това могат да бъдат лични обстоятелства на клиента или други трудни за количествено определяне фактори и ограничения. Алтернативно, бихме могли да приемем спад в производителността, ако това кара повече хора да приемат прозренията поради човешкия фактор. Това може да бъде разумен компромис в области като консултации по управление на активи.
Накрая трябва да се опитаме да направим изкуствения интелект по-разбираем. Това е оправдано очакване, тъй като изискванията за проверка и спазване на правилата нарастват. Освен това някои от водещите модели интегрират логиката „Chain of Thought“, която кодира експертното знание в суров модел. По този начин не само виждаме подобрения в производителността, но и имаме някои правила, на които повечето експерти могат да се доверят. Никой не иска да изглежда като глупав робот, който само повтаря съветите на черна кутия. Доверието и преценката са решаващи характеристики в отношенията с клиентите. В крайна сметка очакваме хората да останат човечни.
