بازارهای سهام با یک چالش بزرگ روبرو هستند: الگوریتم ها

الگوریتم ها در بازارهای سهام وجود دارند که نیاز به مقررات را تقویت کرده است. اما چگونه آنچه را که نمی فهمیم تنظیم می کنیم؟نسل دوم الگوریتم های معاملاتی در حال طراحی استراتژی های سرمایه گذاری خود هستند - و آنها آنقدر پیچیده هستند که ما قادر به درک آنها نیستیم.

توسط کریستین بورچ ، استاد سابق گروه مدیریت ، سیاست و فلسفه ، دانشکده بازرگانی کپنهاگ ، هم اکنون استاد گروه جامعه شناسی ، دانشگاه کپنهاگ

CBS Wire با محبوب ترین رسانه های علمی دانمارک همکاری می کند

CBS Wire با Videnskab. dk's Forskerzonen و سایت بین المللی خواهر Sciencenordic همکاری می کند. هدف این است که داستانهای حتی بیشتر در مورد تحقیقات CBS منتشر شود. این مقاله در ابتدا در Forskerzonen منتشر شده و برای سیم CBS ترجمه شده است.

در سال 1995 ، Barings ، یک بانک بازرگان انگلیس ، به دلیل سقوط نیک لیسون - یک معامله گر که در دفتر سنگاپور بانک کار می کند - سالها بدون تصویب این بانک در سهام گمانه زنی می کرد.

اگرچه سرمایه گذاری های لیسون در ابتدا با گذشت زمان ، با گذشت زمان ، آنها ضررهای قابل توجهی را جمع می کردند ، که لیسون سعی در پوشش معاملات فزاینده ای داشت.

هنگامی که سرانجام خانه کارتهای وی به عرشه برخورد کرد ، لیسون بانک بیش از 200 ساله را با خود به پایین کشید.

شما همچنین ممکن است دوست داشته باشید: ارزهای رمزپایه خیلی بیشتر از پول آنلاین هستند

لیسون حکم زندان را دریافت کرد و متعاقباً کتابی به نام Rogue Trader منتشر کرد و این تجربه را بازگو کرد که بعداً با همین نام به فیلمی تبدیل شد.

اقدامات لیسون می تواند باعث ایجاد روانشناختی در مورد آنچه می شود رفتار سوداگرانه در بازارهای مالی و رفتارهای مرتبط با ریسک به طور کلی (در واقع ، لسون پس از آزادی روانشناسی را مطالعه کرد).

خود در مقابل منافع شرکتی

رفتار لسون همچنین نشان می دهد که نظریه پردازان اجتماعی از آن به عنوان مشکلات اصلی عامل یاد می کنند ، که مربوط به موقعیت هایی است که شخص یا گروهی از افراد (اصلی) صلاحیت تصمیم گیری را به طرف دیگر (نماینده) نمایندگی می کنند.

این مشکل زمانی بوجود می آید که عامل انگیزه ای برای عمل به گونه ای دارد که منافع خود را بالاتر از افراد اصلی قرار دهد.

در مورد لیسون ، وی برای اداره پول بانک از طریق سرمایه گذاری به کار گرفته شد ، اما او به امید بدست آوردن پاداش های شخصی ، این کار را به شکلی انجام داد که از اقتدار وی فراتر رفت.

نماینده نتوانست به نفع اصلی عمل کند ، و این به پایان رسید که هر دو عزیز آنها را هزینه کرد.

من تصمیم گرفتم با پرونده ای شروع کنم که تقریباً 30 سال از عمر آن می گذرد، زیرا مشکل اساسی بین نمایندگان و مدیران را به خوبی نشان می دهد.

از زمان سقوط Leeson، الگوریتم های کامپیوتری شروع به به دست آوردن جایگاه و تسلط بر بازارهای مالی کرده اند، و بنابراین دیگر مشخص نیست که آیا عامل یک شخص است یا خیر.

قبل از اینکه در مورد پیامدهای این موضوع صحبت کنم، لازم است کمی عمیق تر در بحث های کلاسیک مدیر-عامل غوطه ور شویم.

چگونه می توانید یک نماینده را وادار کنید تا در راستای منافع اصلی شرکت کند؟

مشکلات عامل اصلی در بسیاری از زمینه ها به وجود می آیند، اما تعداد کمی از آنها به اندازه مثال لیسون تماشایی هستند.

در ابتدا، اقتصاددانان مایکل جنسن و ویلیام مکلینگ، مشکل اصلی-نماینده را به عنوان توصیفی از رابطه بین سهامداران شرکت و مدیریت فرموله کردند.

می توان گفت که مدیریت به نمایندگی از سهامداران عمل می کند، اما سهامداران هیچ تضمینی ندارند که اولی منافع خود را در اولویت قرار نمی دهد.

همچنین ممکن است دوست داشته باشید: کتاب جدید: سرمایه گذاری برای زنان است و هر کس دیگری

در طول سال ها، محققان راه حل های مختلفی را برای مدیریت مشکل اساسی تضاد منافع احتمالی هنگام واگذاری صلاحیت تصمیم گیری پیشنهاد کرده اند، به طوری که رفتار مدیر و عامل همسو شود.

به عنوان مثال، پیشنهاد شده است که رفتار نماینده را می توان با معرفی مشوق های مالی ویژه یا چارچوب های قراردادی واضح با رفتار مدیر هماهنگ کرد.

پیشنهاد دیگری نشان می دهد که تا حدی که وظایف نماینده به وضوح و دقیق مشخص شود، مدیر می تواند به راحتی هرگونه انحراف از اختیارات و دستورالعمل های نماینده را کنترل کند.

از انسان گرفته تا الگوریتم های مسلط بر همه چیز

در هسته خود، بحث های نظریه اجتماعی و راه حل های بالقوه برای مشکل عامل اصلی، هر دو حول محوری است که عامل به عنوان یک شخص دیده می شود:

مشکل اصلی-نماینده به این دلیل به وجود می آید که منافع یک فرد فیزیکی (یا گروهی از افراد) می تواند با منافع اصلی در تضاد باشد.

این دیدگاه به خوبی مثال بانک بارینگ را در بر می گیرد. لیسون با حدس و گمان فراتر از وظایف خود، می توانست پاداش های شخصی قابل توجهی را دریافت کند، اما در معرض خطر جدی برای بانک.

بانک های سراسر جهان هنوز گروه های زیادی از افراد را برای سرمایه گذاری در محصولات مالی استخدام می کنند. با این حال، در دهه های اخیر، بازارهای مالی دستخوش دگرگونی شده اند که مشکل اصلی-نماینده را در منظری جدید نشان می دهد.

به جای افرادی که از گوشت و خون ساخته شده اند ، اکنون الگوریتم های کاملاً خودکار در حال ارسال سفارشات خرید یا فروش به بورس اوراق بهادار هستند.

محاسبه دامنه این الگوریتم ها دشوار است ، اما تخمین ها حاکی از آن است که الگوریتم های کاملاً خودکار در برخی از بازارها - به عنوان مثال برخی از بازارهای سهام - مسئول 99 ٪ از کل حجم سفارشات هستند.

الگوریتم های نسل اول چگونه کار می کنند

تجارت الگوریتمی مالی را می توان به دو نسل تقسیم کرد ، زیرا الگوریتم های نسل اول استراتژی های تعریف شده توسط انسان را دنبال می کنند ، در حالی که الگوریتم های نسل دوم استراتژی های خود را توسعه می دهند.

نسل اول الگوریتم های کاملاً خودکار در ابتدای قرن بیست و یکم با جدیت از بین رفت. مشخصه تصمیم گیری الگوریتمی نسل اول این است که انسان آن را از پایان تا انتها طراحی می کند.

به طور معمول ، روش کار مستلزم معامله گر است که با تحقیقات جامع بازار کار می کند و یک استراتژی سرمایه گذاری بالقوه را تعریف می کند ، که توسط تیمی از برنامه نویسان به کد رایانه تبدیل می شود.

شما همچنین ممکن است دوست داشته باشید: دانش آموزان شکاف تدریس دیجیتالی را در CBS می بندند: "این راهی برای ما است که برای آینده مناسب شویم"

نتیجه یک کلاسیک کلاسیک است - اگر ... پس از آن ... "منطق ، با الگوریتم طراحی شده است تا در شرایط خاص بازار به روشی خاص عمل کند.

به عنوان مثال ، این می تواند به این معنی باشد که در صورت افزایش تقاضا برای آن سهام ، الگوریتم به سرعت سهام را خریداری می کند - و اگر قیمت افزایش یافته است ، دوباره ثانیه ها (یا میکرو ثانیه) را دوباره می فروشید.

حتی اگر هزاران نفر از آنها در هر دقیقه انجام شود ، حتی دستاوردهای ریز و درشتی نیز می تواند جذاب باشد-این همان کاری است که بسیاری از الگوریتم های نسل اول انجام می دهند.

460 میلیون دلار در 45 دقیقه از دست داد

و این الگوریتم های نسل اول چه ارتباطی با مشکل اصلی عامل دارند؟

از بعضی جهات ، هیچی. از این گذشته ، الگوریتم تصمیم گیری در مورد سرمایه گذاری خاص ، هیچ اراده ای از منافع خود یا مستقل برای ارتقاء ندارد. معاملات آن فقط بر اساس دستورالعمل های ارائه شده است.

با این حال ، این شکل از تجارت الگوریتمی مستلزم مشکلات اصلی عامل است ، هرچند شکل غیرمستقیم تر.

شاید افرادی که الگوریتم ها را توسعه می دهند ، منافع خود را به جای افراد شرکت خود (اصلی) اولویت بندی کنند.

در حقیقت ، مطالعات جامعه شناختی شرکتهای متخصص در این شکل از تجارت الگوریتمی نشان می دهد که اغلب آنها به گونه ای راه اندازی می شوند که تیم های معامله گران الگوریتمی آنها با یکدیگر رقابت می کنند.

اعضای مدیریت در پیگیری کدام یک از الگوریتم های معامله گرانشان در حال توسعه هستند و چگونه سیستم های داخلی با یکدیگر تعامل دارند - به عنوان مثال ، آنها می توانند با یکدیگر و با یکدیگر تجارت کنند ، که هم می تواند غیرقانونی باشد و هم منجر به ضرر شود.

بنابراین به سختی تعجب آور است که همه می توانند به طرز وحشتناکی اشتباه پیش بروند. بدترین نمونه شرکت آمریکایی Knight Capital است که در سال 2012 تنها در 45 دقیقه 460 میلیون دلار از دست داد زیرا سیستم آن به طور ناگهانی و به طور غیر منتظره برخی از الگوریتم های قدیمی را فعال کرد.

این شرکت در پایان توسط یک رقیب به دست آورد.

الگوریتم ها اکنون "یک دست رایگان" دارند

از اواسط دهه 2010 ، تعداد فزاینده ای از شرکت ها مکمل یا کاملاً جایگزین الگوریتم های نسل اول خود با نسل جدیدی از الگوریتم ها را آغاز کرده اند.

این الگوریتم های نسل دوم مبتنی بر اشکال مختلف یادگیری ماشین است و برای توسعه استراتژی های سرمایه گذاری خود بر اساس حجم گسترده ای از داده های بازار طراحی شده اند.

همچنین ممکن است دوست داشته باشید: آیا می توانید فساد نبرد فناوری blockchain؟بله ، تحقیقات CBS نشان می دهد

بر خلاف الگوریتم های نسل اول ، که همانطور که گفته شد کاملاً و کاملاً توسط انسان طراحی شده است ، و جایی که افراد خاص (تیم های) ایده هایی را برای برخی از استراتژی های سرمایه گذاری ارائه می دهند ، با الگوریتم های نسل دوم ، انسان نقش محدود تری ایفا می کند.

به طور طبیعی ، برخی از افراد معماری خاص یادگیری ماشین را توسعه می دهند و برخی از افراد داده های تغذیه شده در الگوریتم ها را انتخاب و تمیز می کنند.

اما بر خلاف پیشینیان آنها ، تمام ایده الگوریتم های نسل دوم این است که خود الگوریتم ها این کار را انجام دهند که ، چه زمانی و چه تعداد سهام و سایر محصولات مالی برای خرید و فروش دارند.

[چگونه آنچه را که نمی فهمید کنترل می کنید؟]

این نیمه اتوماتیک ، که در آن الگوریتم ها تصمیمات سرمایه گذاری در زندگی واقعی را می گیرند ، همزمان شامل یک اتحاد مجدد با و پیکربندی مجدد مشکل اصلی-عامل است.

در اصل ، الگوریتم های نسل دوم می توانند به خود آموزش دهند تا سرمایه گذاری های سودآور را به گونه ای انجام دهند که غیر اخلاقی باشد یا مستقیماً غیرقانونی باشد-و این قطعاً مطابق با اهداف افرادی نیست که در وهله اول معماری اساسی را توسعه داده اند.

مانند مثال Leeson ، این می تواند خطر قابل توجهی برای شرکت (مدیر اصلی) متحمل شود.

از دیدگاه اصلی عامل ، چالش این است که ، از آنجا که تصمیمات سرمایه گذاری اکنون توسط الگوریتم ها گرفته می شود ، رفتار نامطلوب را نمی توان با روش های متعارف مانند قراردادهای دقیق و مشوقهای مالی تنظیم کرد.

چالش هایی از این دست ، پیشنهاداتی را برانگیخته است که چنین الگوریتم های خودآموزی باید در یک ژاکت "مستقیم" ضخیم از کنترل ها پیچیده شوند که به عنوان مثال ، چقدر می توانند سرمایه گذاری کنند.

چنین مکانیسم های کنترل مهم هستند اما در رفع مشکل اساسی تر که پیشرفته ترین معماری های یادگیری ماشین ، به اصطلاح "شبکه های عصبی عمیق" را برطرف می کنند ، ناکام هستند.

اینها می توانند چنان پیچیده باشند که حتی افرادی که آنها را توسعه داده اند نمی توانند بفهمند که چرا الگوریتم ها تصمیمات سرمایه گذاری خاصی می گیرند.

در این صورت ، تعریف مکانیسم های کنترل صحیح دشوار است.

زمان تجدید نظر در بازارهای مالی

این همچنین تغییر کلیدی در بازارهای مالی در دهه های اخیر را برجسته می کند.

در حالی که ممکن است رفتار مشکوک لیسون به عوامل روانشناختی نسبت داده شود و یک مسئله اصلی عامل را تشکیل می دهد که در اصل می تواند با توافق بین احزاب مربوطه اداره شود ، الگوریتم های نسل دوم از نظر یک راه حل روانشناختی یا سنتی قابل درک نیست. بر اساس تئوری اصلی عامل.

از آنجا که الگوریتم های نسل دوم بر بازارهای مالی تسلط دارند ، ما باید در مورد چگونگی درک ، تجزیه و تحلیل و تنظیم این بازارها تجدید نظر کنیم.

شما همچنین ممکن است دوست داشته باشید: معلم CBS در تلاش برای ایجاد تعادل جنسیتی در دنیای مالی است

در اینجا ، روانشناسی قدم به عقب می گذارد و علم داده ها مرحله مرکزی را می گیرد.

کار چالش برانگیز اکنون یافتن روش هایی است که توضیح می دهد که چگونه ، در نگاه اول ، الگوریتم های غیرقانونی نسل دوم-به طور خاص نحوه تصمیم گیری های سرمایه گذاری مشخص-به طور خاص. یکی از شاخه های علوم داده در حال حاضر دقیقاً روی آن کار می کند.

فقط هنگامی که پویایی داخلی شبکه های عصبی به زمین توضیح داده شود ، می توان بازارهای زندگی واقعی را به روشی رضایت بخش درک و تنظیم کرد.

پاسخ (0) / اشتراک را ببینید

این مقاله را به اشتراک بگذارید

نظرات

پاسخ دهید

این سایت از Akismet برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه داده های نظر شما پردازش می شود.

استاد CBS در مورد چگونگی همکاری شرکت ها و محققان کوچک: "این نوع دوستیابی است"

29. ژوئن 2022

طنز دانمارکی: یک مسیر سریع برای Hygge یا Treading روی انگشتان پا؟

21. ژوئن 2022

"استرس هرگز مسئولیت خود ما نیست - بگذارید یک محیط کار ایجاد کنیم که در واقع بتوانیم نفس بکشیم"

30. مارس 2022

داستان قبلی

نمایشگاه هنری CBS به دانش آموز یادآوری می کند که هنگام نوشتن پایان نامه کارشناسی ارشد خود ، زیبایی را گرامی می دارد

داستان بعدی

"چگونه Uni" - دوره آنلاین جدید دانشجویان جدید را برای دانشگاه آماده می کند

مشارکت با دانشگاه جنگ زده رشد می کند-25 دانش آموز اوکراینی برای شرکت در مدرسه تابستانی در CBS

24 فوریه 2023

تغییر نام دوره جدیدی را برای بخش تعیین می کند: "آنچه ما انجام می دهیم آینده علوم انسانی است"

17 فوریه 2023

سفر صنوبر به نیویورک

15 فوریه 2023

اتحاد جدید قصد دارد بهزیستی دانش آموزان را از بالا به دست بگیرد

14 فوریه 2023

از دو سال به یک: این استاد CBS قبلاً تغییر بحث برانگیز را پشت سر گذاشته است

10 فوریه 2023

مفهوم جدید تدریس برنده جایزه CBS Startup می شود

03 فوریه 2023

دانشجویان جدید CBS رئیس جمهور Ditches CLS ، تأخیر در فارغ التحصیلی برای رهبری اتحادیه دانشجویی

07 فوریه 2023

انسانهای CBS

داستانهای عکس

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

توسط لیسبت هالتن

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

+ آلبوم را کاوش کنید

توسط لیسبت هالتن

+ آلبوم را کاوش کنید

توسط لیسبت هالتن

+ آلبوم را کاوش کنید

توسط لیسبت هالتن

+ آلبوم را کاوش کنید

توسط اندرو تالون

+ آلبوم را کاوش کنید

توسط آن M. Lykkegaard

+ آلبوم را کاوش کنید

توسط Daiana Contini

+ آلبوم را کاوش کنید

توسط آن M. Lykkegaard

+ آلبوم را کاوش کنید

توسط Daiana Contini

+ آلبوم را کاوش کنید

توسط Daiana Contini

+ آلبوم را کاوش کنید

توسط Daiana Contini

+ آلبوم را کاوش کنید

توسط لیسبت هالتن

بازارهای سهام با یک چالش بزرگ روبرو هستند: الگوریتم های توسط

اخبار

رئیس جمهور تازه منتخب استعفا می دهد - دانشجویان CBS برای انتخاب رهبر جدید

رئیس جمهور تازه منتخب دانشجویان CBS ، Tomas Vemola ، به دلایل شخصی از پست خود استعفا داده است. دانشجویان CBS خواستار انتخاب یک مجمع عمومی خارق العاده برای انتخاب رئیس جمهور جدید شده اند. 01 فوریه 2023

اخبار

Chatgpt ابزاری قدرتمند است که دانش آموزان باید آن را کنترل کنند - کارشناسان در آینده هوش مصنوعی در آموزش و پرورش وزن دارند

آیا این یک درمان برای بلوک نویسنده است یا ابزاری برای تقلب؟آیا این پایان آموزش را همانطور که می دانیم به ارمغان می آورد؟آخرین تحولات در ژنراتورهای متن هوش مصنوعی ، مشهورترین چتپ ، ما را وادار می کند تا در نوشتن ، تدریس و یادگیری تجدید نظر کنیم. 31 ژانویه 2023

اخبار

CBS برای بررسی سوالات امتحان در پاسخ به تحولات chatgpt

CBS نمی تواند تشخیص دهد که آیا دانش آموزان از هوش مصنوعی برای تقلب در امتحانات استفاده می کنند. بنابراین دانشگاه برای آزمایش AI تولیدی و توانایی آن در حل تکالیف دانشجویی ، بررسی کلیه سؤالات امتحان را آغاز کرده است. Chatgpt به زودی امتحانات CBS را می گیرد. 26 ژانویه 2023

اخبار

دانش آموزان به دلیل دعوت "شلخته سقوط" به حالت تعلیق درآوردند.

شش دانش آموز که در سال 2019 پس از ارسال دعوت نامه مهمانی خصوصی به مدت نه ماه به حالت تعلیق درآمده اند ، اکنون در حال شکایت از CBS هستند. سه دادخواست جداگانه علیه CBS از طرف دانشجویانی که به دنبال جبران خسارت مالی هستند ، تشکیل شده است. CBS Legal می گوید CBS قصد تسویه حساب ندارد و هر سه پرونده را به دادگاه می برد. 25 ژانویه 2023

اخبار

دستیار دانشجویی برای سیم CBS

یک روز ، شما در حال بارگذاری متن و عکس هستید ، تلاش می کنید تا یک مقاله عالی به نظر برسد و موارد خبرنامه را تهیه کند. در مرحله بعد ، شما در مورد موضوع داغ بعدی با دانشجویان یا کارمندان CBS مصاحبه می کنید. روزنامه دانشگاه CBS Wire به دنبال دانشجویی است که از 11 آوریل 2023 تا 10 نوامبر 2023 به عنوان دستیار تحریریه جدید ما آماده است.

اخبار

یک هفته در زندگی یک دانش آموز CBS

آیا می خواهید یک نگاه اجمالی از چگونگی سازماندهی دانش آموز دیگر زندگی روزمره خود داشته باشید؟CBS Wire از دانشجویی خواست تا ژورنال را برای یک هفته کامل انجام دهد. در مورد مطالعات مشغول زندگی مشغول زندگی مگنوس ، کار انتخاباتی سیاسی ، ورزش - و دوستیابی بیاموزید. و نکاتی از یک مشاور راهنمایی دانشجویی CBS در مورد نحوه ساخت روز خود. 24 ژانویه 2023

اخبار

سفر به ایتالیا الهام بخش Francesca و Faar برای باز کردن بوتیک ماکارونی خودشان است

با تشکر از دو فارغ التحصیل CBS ، کپنهاگ اکنون یک بوتیک ماکارونی دارد که می توانید ماکارونی های تازه ساخته شده را خریداری کنید. Francesca Tenze و Faar Haesson هرگز فکر نکرده بودند که آنها به یک تجارت غذایی بپردازند. اما ، سفر به مواد غذایی مکه بولونیا به آنها الهام بخشید تا شغل خود را ترک کنند و شرکت خود را ، La Fresca ، که بر روی مفهوم سنتی ایتالیایی الگوبرداری شده است ، شروع کنند. 19 ژانویه 2023