কৃত্রিম বুদ্ধিমত্তা (AI) এখন ঘনিষ্ঠভাবে মিলেছে বা এমনকি মানুষকে ছাড়িয়ে গেছে যা আগে অপ্রাপ্য এলাকা হিসাবে বিবেচিত হত। এর মধ্যে রয়েছে দাবা, আর্কেড গেম, গো, স্ব-চালিত গাড়ি, প্রোটিন ভাঁজ এবং আরও অনেক কিছু। এই দ্রুত প্রযুক্তিগত অগ্রগতি আর্থিক পরিষেবা শিল্পের উপরও ব্যাপক প্রভাব ফেলেছে। সেক্টরের আরও বেশি সংখ্যক সিইও ঘোষণা করেন (স্পষ্টভাবে বা অন্তর্নিহিতভাবে) যে তারা “ব্যাংকিং লাইসেন্স সহ প্রযুক্তি সংস্থাগুলি” চালান।
আর্থিক প্রযুক্তি শিল্পের (ফিনটেক) একটি দ্রুত উত্থান এবং বৃদ্ধিও রয়েছে, যেখানে প্রযুক্তি স্টার্টআপগুলি খুচরা ব্যাঙ্কিং, পেনশনের মতো ক্ষেত্রে প্রতিষ্ঠিত আর্থিক প্রতিষ্ঠানগুলিকে ক্রমবর্ধমানভাবে চ্যালেঞ্জ করে। বা ব্যক্তিগত বিনিয়োগ। যেমন, সাইবার নিরাপত্তা, অ্যান্টি-মানি লন্ডারিং, আপনার ক্লায়েন্ট চেক বা চ্যাটবট-এর মতো দৃশ্যের পিছনের প্রক্রিয়াগুলিতে AI প্রায়ই উপস্থিত হয়।
অনেক সফল মামলার মধ্যে, একটি স্পষ্টভাবে অনুপস্থিত বলে মনে হচ্ছে: এআই আর্থিক বাজারে অর্থ উপার্জন করছে। যদিও সাধারণ অ্যালগরিদমগুলি সাধারণত ব্যবসায়ীরা ব্যবহার করেন, মেশিন লার্নিং বা এআই অ্যালগরিদমগুলি বিনিয়োগের সিদ্ধান্ত নেওয়ার ক্ষেত্রে অনেক কম সাধারণ। কিন্তু যেহেতু মেশিন লার্নিং বিশাল ডেটা সেট বিশ্লেষণ এবং সেগুলির মধ্যে প্যাটার্ন খোঁজার উপর ভিত্তি করে, এবং আর্থিক বাজারগুলি প্রচুর পরিমাণে ডেটা তৈরি করে, এটি একটি সুস্পষ্ট মিল বলে মনে হবে। ইন্টারন্যাশনাল জার্নাল অফ ডেটা সায়েন্স অ্যান্ড অ্যানালিটিক্স-এ প্রকাশিত একটি নতুন গবেষণায়, অর্থ উপার্জনের ক্ষেত্রে এআই মানুষের চেয়ে ভাল কিনা তা নিয়ে আমরা কিছু আলোকপাত করেছি।
কিছু বিশেষজ্ঞ ইনভেস্টমেন্ট কোম্পানী যাদেরকে কোয়ান্ট বলা হয় (যার অর্থ হল ‘পরিমাণগত’) হেজ ফান্ড ঘোষণা করে যে তারা তাদের বিনিয়োগের সিদ্ধান্ত গ্রহণের প্রক্রিয়ায় AI নিয়োগ করে। তবে, তারা অফিসিয়াল পারফরম্যান্সের তথ্য প্রকাশ করে না। এছাড়াও, তাদের মধ্যে কিছু বিলিয়ন ডলার পরিচালনা করা সত্ত্বেও, তারা বৃহত্তর বিনিয়োগ শিল্পের আকারের তুলনায় কুলুঙ্গি এবং ছোট থাকে।
অন্যদিকে, একাডেমিক গবেষণা বারবার মেশিন লার্নিং অ্যালগরিদমের উপর ভিত্তি করে অত্যন্ত নির্ভুল আর্থিক পূর্বাভাস রিপোর্ট করেছে। এগুলি তত্ত্বগতভাবে আর্থিক শিল্পের জন্য অত্যন্ত সফল মূলধারার বিনিয়োগ কৌশলগুলিতে অনুবাদ করতে পারে। এবং এখনও, এটি ঘটছে বলে মনে হচ্ছে না।
এই অমিলের কারণ কী? এটা কি ম্যানেজারের সংস্কৃতির প্রবণতা, নাকি বাস্তব-বিশ্ব বিনিয়োগের ব্যবহারিকতার সাথে সম্পর্কিত কিছু?
AI এর আর্থিক পূর্বাভাস
আমরা 2000 থেকে 2018 সালের মধ্যে প্রকাশিত একাডেমিক গবেষকদের দ্বারা 27টি পিয়ার-পর্যালোচিত অধ্যয়ন বিশ্লেষণ করেছি৷ এগুলি মেশিন লার্নিং অ্যালগরিদম ব্যবহার করে বিভিন্ন ধরণের স্টক মার্কেটের পূর্বাভাস পরীক্ষাগুলি বর্ণনা করে৷ আমরা এই পূর্বাভাস কৌশল বাস্তব বিশ্বের প্রতিলিপি করা যাবে কিনা তা নির্ধারণ করতে চেয়েছিলেন.
আমাদের তাৎক্ষণিক পর্যবেক্ষণ ছিল যে বেশিরভাগ পরীক্ষায় সমান্তরালভাবে তাদের বিনিয়োগ মডেলের একাধিক সংস্করণ (চরম ক্ষেত্রে, শত শত পর্যন্ত) চলছিল। প্রায় সব ক্ষেত্রেই, লেখকরা তাদের পরীক্ষার প্রাথমিক পণ্য হিসাবে তাদের সর্বোচ্চ-সম্পাদনকারী মডেল উপস্থাপন করেছেন – যার অর্থ সেরা ফলাফল চেরি-বাছাই করা হয়েছে এবং সমস্ত উপ-অনুকূল ফলাফল উপেক্ষা করা হয়েছে। এই পদ্ধতিটি বাস্তব-বিশ্বের বিনিয়োগ ব্যবস্থাপনায় কাজ করবে না, যেখানে যে কোনো প্রদত্ত কৌশল শুধুমাত্র একবারই কার্যকর করা যেতে পারে এবং এর ফলাফল হল দ্ব্যর্থহীন লাভ বা ক্ষতি – ফলাফলের কোনো পূর্বাবস্থা নেই।
একাধিক ভেরিয়েন্ট চালানো, এবং তারপরে সবচেয়ে সফলটিকে প্রতিনিধি হিসাবে উপস্থাপন করা, অর্থ খাতে বিভ্রান্তিকর হবে এবং সম্ভবত অবৈধ হিসাবে বিবেচিত হবে। উদাহরণস্বরূপ, যদি আমরা একই কৌশলের তিনটি রূপ চালাই, যার একটি হারায় -40%, অন্যটি হারায় -20%, এবং তৃতীয়টি 20% লাভ করে এবং তারপর শুধুমাত্র 20% লাভ প্রদর্শন করে, স্পষ্টতই এই একক ফলাফলটি ভুলভাবে উপস্থাপন করে তহবিলের কর্মক্ষমতা। একটি অ্যালগরিদমের শুধুমাত্র একটি সংস্করণ পরীক্ষা করা উচিত, যা একটি বাস্তব-বিশ্ব বিনিয়োগ সেটআপের প্রতিনিধি এবং তাই আরও বাস্তবসম্মত হবে।
আমরা যে কাগজপত্রগুলি পর্যালোচনা করেছি সেগুলির মডেলগুলি অত্যন্ত উচ্চ স্তরের নির্ভুলতা অর্জন করেছে, প্রায় 95% – জীবনের অনেক ক্ষেত্রে অসাধারণ সাফল্যের চিহ্ন৷ কিন্তু বাজারের পূর্বাভাসে, যদি একটি অ্যালগরিদম সময়ের 5% ভুল হয়, এটি এখনও একটি বাস্তব সমস্যা হতে পারে। এটা বিপর্যয়মূলকভাবে ভুল হতে পারে, বরং সামান্য ভুল হতে পারে – শুধু মুনাফাই নয় বরং পুরো অন্তর্নিহিত মূলধনকে নিশ্চিহ্ন করে দেয়।
আমরা আরও লক্ষ করেছি যে বেশিরভাগ AI অ্যালগরিদমগুলি “ব্ল্যাক বক্স” হিসাবে দেখা গেছে, তারা কীভাবে কাজ করে তার কোনও স্বচ্ছতা নেই৷ বাস্তব জগতে, এটি বিনিয়োগকারীদের আস্থাকে অনুপ্রাণিত করবে না। এটি একটি নিয়ন্ত্রক দৃষ্টিকোণ থেকে একটি সমস্যা হতে পারে। আরও কি, বেশিরভাগ পরীক্ষায় ট্রেডিং খরচের জন্য হিসাব করা হয়নি। যদিও এগুলি কয়েক বছর ধরে কমছে, তারা শূন্য নয় এবং লাভ এবং ক্ষতির মধ্যে পার্থক্য করতে পারে।
আমরা যে পরীক্ষাগুলি দেখেছি তার কোনোটিই বর্তমান আর্থিক বিধি-বিধান যেমন EU আইনি নির্দেশনা MIFID II বা ব্যবসায়িক নৈতিকতাকে বিবেচনা করেনি। পরীক্ষাগুলি নিজেরাই কোনও অনৈতিক কার্যকলাপে জড়িত ছিল না – তারা বাজারকে কারসাজি করার চেষ্টা করেনি – তবে তাদের একটি নকশা বৈশিষ্ট্যের অভাব ছিল যা স্পষ্টভাবে নিশ্চিত করে যে তারা নৈতিক। আমাদের দৃষ্টিতে, বিনিয়োগের সিদ্ধান্ত নেওয়ার ক্ষেত্রে মেশিন লার্নিং এবং এআই অ্যালগরিদমের দুটি সেট নৈতিক মানদণ্ড পালন করা উচিত: AI-কে নৈতিকভাবে তৈরি করা, এবং বিনিয়োগের সিদ্ধান্ত গ্রহণকে নৈতিক করা, পরিবেশগত, সামাজিক এবং শাসনের বিবেচনায় ফ্যাক্টরিং করা। এটি AI-কে এমন কোম্পানিগুলিতে বিনিয়োগ করা বন্ধ করবে যা সমাজের ক্ষতি করতে পারে, উদাহরণস্বরূপ।
এই সমস্ত অর্থ হল যে একাডেমিক পরীক্ষায় বর্ণিত AIগুলি আর্থিক শিল্পের বাস্তব জগতে অসম্ভাব্য ছিল৷
মানুষ কি ভালো?
আমরা মানব বিনিয়োগ পেশাদারদের সাথে AI-এর অর্জনের তুলনা করতে চেয়েছিলাম। যদি AI মানুষের মতো বা তার চেয়ে ভালো বিনিয়োগ করতে পারে, তবে এটি চাকরিতে একটি বিশাল হ্রাসের সূচনা করতে পারে।
আমরা আবিষ্কার করেছি যে মুষ্টিমেয় AI-চালিত তহবিল যাদের কার্যক্ষমতার ডেটা সর্বজনীনভাবে উপলব্ধ বাজার ডেটা উত্সগুলিতে প্রকাশ করা হয়েছিল সাধারণত বাজারে কম পারফরম্যান্স করে। এই হিসাবে, আমরা উপসংহারে পৌঁছেছি যে বর্তমানে মানব বিশ্লেষক এবং পরিচালকদের পক্ষে একটি খুব শক্তিশালী মামলা রয়েছে। তাদের সমস্ত অপূর্ণতা সত্ত্বেও, অভিজ্ঞতামূলক প্রমাণ দৃঢ়ভাবে পরামর্শ দেয় যে মানুষ বর্তমানে AI এর চেয়ে এগিয়ে রয়েছে। এটি আংশিকভাবে কারণ হতে পারে যে দক্ষ মানসিক শর্টকাটগুলি মানুষ গ্রহণ করে যখন আমাদের অনিশ্চয়তার মধ্যে দ্রুত সিদ্ধান্ত নিতে হয়।
ভবিষ্যতে, এটি পরিবর্তিত হতে পারে, তবে AI-তে স্যুইচ করার আগে আমাদের এখনও প্রমাণের প্রয়োজন। এবং অদূর ভবিষ্যতে, আমরা বিশ্বাস করি যে, মানুষকে AI এর বিরুদ্ধে পিন করার পরিবর্তে, আমাদের দুটিকে একত্রিত করা উচিত। এর অর্থ সিদ্ধান্ত-সমর্থন এবং বিশ্লেষণাত্মক সরঞ্জামগুলিতে AI এম্বেড করা কিন্তু চূড়ান্ত বিনিয়োগের সিদ্ধান্ত একটি মানব দলের হাতে ছেড়ে দেওয়া।
,
