Nem kellene meglepődnünk azon, hogy a mesterséges intelligencia (MI) átlagosan jobban teljesít a nyereség előrejelzésében, mint a részvényelemzők. Vagy azon, hogy a szabályalapú stratégiák átlagosan jobb pénzügyi tanácsot nyújtanak, mint egy személyes bankár. Már a generatív MI legújabb fejlesztései előtt is bizonyított előnyei voltak a rendszeres befektetésnek. Bár ezek a technikák talán nem találják meg a ritka kiemelkedő részvényeket vagy piaci fordulópontokat, amelyek átlagon felüli hozamot hoznak, mégis bizonyított értékkel bírnak.
A mesterséges intelligencia fejlődése azt mutatja, hogy túl tudunk lépni a szabályalapú ajánlásokon. A makroökonómia, a számvitel és a statisztika a befektetés három alappillére. A nagy nyelvi modellek ezeken a területeken végzett haladó szintű vizsgákon kiváló eredményeket érnek el. Emellett tudjuk, hogy az LLM-ek sokkal több kontextust és kollektív bölcsességet tudnak összefoglalni, mint egy ember, ami nagyon hasznos lehet a makroökonómiai stratégiák szempontjából. Tehát ha a mesterséges intelligencia segíthet a pénzügyi döntésekben, miért olyan nehéz az elemzőknek vagy portfóliómenedzsereknek elfogadni ezt a változást?
Néhány útmutatást találunk César Hidalgo adatkutató munkájában arról, hogyan ítélik meg az emberek a gépeket. Ha egy programot használunk, a szerszám teljesítményére koncentrálunk. Ennek a programnak minden előrejelzési hibája azt fogja eredményezni, hogy pénzügyi szakértőnk elveszíti a bizalmát. A legtöbb esetben nem számít, ha az algoritmus átlagban jobb, mint az ember. Pénzügyi tanácsadónk az intuíciójára és tapasztalatára fog hagyatkozni.
Hidalgos kutatása azt mutatja, hogy az emberi tanácsokat másképp értékeljük. Nemcsak a teljesítményre figyelünk, hanem figyelembe vesszük a tanácsadó szándékait is. Amikor kapcsolatba lépünk egy privát bankárral vagy pénzünket egy alapkezelőre bízzuk, feltételezzük, hogy céljaink megegyeznek, különösen akkor, ha a szerződés teljesítményfüggő díjakat tartalmaz. Ha ezt a szándékot beépítjük a mentális egyenletünkbe, toleránsabbak vagyunk egy rossz hozammal szemben.
Az emberi tanácsadás így gyakrabban kudarcot vallhat, mégis értékesnek tekintik, különösen, ha van egy történet, amely megmagyarázza az eredményt. Hidalgó szavaival élve, a gépektől racionalitást, az emberektől emberséget várunk el.
Az információk befogadásának ellenállása, amelyek ellentmondanak tapasztalatainknak. Radiológusokkal végzett kísérletekben, akik mesterséges intelligenciát használtak, nem volt világos, hogyan vették figyelembe az algoritmus nézeteit előrejelzéseikben. A munka tovább tartott, és a kombinált diagnosztika hatékonysága kétséges volt.
Ha ez igaz a radiológusokra, akkor azok számára, akik a pénzpiacokon dolgoznak, még nehezebbnek kell lennie. A makrostratégia talán a legnehezebb terület, ahol az MI-t integrálni lehet. Először is azért, mert a piac, akárcsak az időjárás, nem állandó, ami azt jelenti, hogy soha nem fog pontosan ugyanúgy reagálni például az inflációs vagy foglalkoztatási adatokra, nem is beszélve Donald Trump esetleges visszatéréséről a Fehér Házba. Ráadásul minden stratéga erős kezdeti meggyőződésekkel rendelkezik – vagyis mindig optimista vagy pesszimista "identitással" –, amelyek befolyásolják ítéletét. Nagyon nehéz elmenekülni azoktól a narratíváktól, amelyeket az ügyfelek várnak el tőle.
Végül pedig vágyunk a kontrollra. Óriási különbség van egy elérhető adatokból készített táblázatkezelő modell és pl. a ChatGPT között. Tapasztalatunk és intuícióink alapján döntünk az előbbi formájáról és összetevőiről, de nem az utóbbiról. És a legtöbb esetben azt sem tudjuk, hogy a LLM hogyan jutott egy adott válaszra. Érthető tehát, hogy pénzügyi tanácsadónk kényelmetlenül érzi magát, ha olyan előrejelzést kellene használnia, amely nem a sajátja.
Es gibt einige Überlegungen, die man in Betracht ziehen sollte. Wir sollten Menschen erlauben, einige Parameter des Modells anzupassen. Mit anderen Worten, wir müssen den Fachleuten erlauben, die KI-Empfehlungen so anzunehmen, als wären sie ihre eigenen. Im besten Fall kann das Modell verbessert werden, wenn der Experte Kontext hinzufügt, der dem Modell möglicherweise nicht zugänglich ist. Das könnten private Umstände des Kunden oder andere schwer quantifizierbare Faktoren und Einschränkungen sein. Alternativ könnten wir einen Performance-Einbruch akzeptieren, wenn dadurch mehr Menschen die Erkenntnisse wegen des menschlichen Touches akzeptieren. Dies könnte ein vernünftiger Kompromiss in Bereichen wie der Vermögensverwaltungsberatung sein.
Néhány megfontolást figyelembe kell venni. Lehetővé kell tennünk az emberek számára, hogy a modell bizonyos paramétereit módosítsák. Más szavakkal, engednünk kell, hogy a szakemberek úgy fogadják el a MI-ajánlásokat, mintha azok a sajátjuk lennének. A legjobb esetben a modellt javíthatjuk, ha a szakértő hozzáad olyan kontextust, amelyhez a modell esetleg nem fér hozzá. Ez lehet a kliens magánéleti körülményei vagy más nehezen számszerűsíthető tényezők és korlátok. Alternatívaként elfogadhatunk egy teljesítménycsökkenést, ha ennek következtében több ember fogadja el az eredményeket az emberi érintés miatt. Ez ésszerű kompromisszum lehet olyan területeken, mint a vagyonkezelési tanácsadás.
Végül meg kell próbálnunk érthetőbbé tenni a mesterséges intelligenciát. Ez jogos elvárás, mivel a vizsgálati és megfelelőségi követelmények egyre bővülnek. Ezen túlmenően, néhány vezető modell "Gondolat láncolata" logikát integrál, amely a szakértői tudást nyers modellbe kódolja. Ilyen módon nemcsak teljesítménybeli javulásokat látunk, hanem néhány szabály is kialakul, amelyekben a legtöbb szakértő megbízik. Senki sem akar úgy kinézni, mintha egy buta robot lenne, aki csak egy fekete doboz tanácsát ismételgeti. A bizalom és az ítélőképesség kulcsfontosságú jellemzők egy ügyfélkapcsolatban. Végül azt várjuk, hogy az emberek emberek maradjanak.
