صعود صناديق التحوط التي تعتمد على الذكاء الاصطناعي

أصبح الذكاء الاصطناعي جزءًا أكثر بروزًا في مجالات البحث والتداول وإدارة المخاطر في صناديق التحوط. تشير شركة «بريكين» إلى أن عدد الصناديق التي تستخدم الذكاء الاصطناعي قد ارتفع بنسبة 20% خلال السنوات الخمس الماضية. تتيح هذه التكنولوجيا للمديرين تحليل المزيد من البيانات والاستجابة بشكل أسرع، لكنها لا تقضي على أقدم المشكلات في مجال الاستثمار، وهي: الإشارات غير الموثوقة، والصفقات المزدحمة، والتغيرات المفاجئة في سلوك السوق.

لطالما سعت صناديق التحوط إلى تحقيق ميزة معلوماتية أو تحليلية. فقد اعتمد بعضها على تقدير خبراء اختيار الأسهم ذوي الخبرة، بينما طور البعض الآخر أطر عمل اقتصادية كلية، أو استراتيجيات تستند إلى الأحداث، أو نماذج إحصائية.

يوسع الذكاء الاصطناعي نطاق التقاليد الكمية. فأنظمة التعلم الآلي قادرة على تحليل مجموعات البيانات الضخمة، واكتشاف الأنماط، وتحديث استنتاجاتها مع وصول معلومات جديدة.

وتعد هذه القدرة ميزة جذابة في الأسواق التي تولد كميات من البيانات تفوق قدرة أي فريق استثماري بشري على تحليلها بمفرده.

ومع ذلك، فإن معالجة المزيد من المعلومات لا تعني بالضرورة فهم الأسواق بشكل أكثر دقة. يمكن للذكاء الاصطناعي أن يحسّن عملية البحث عن الفرص، لكن جودة قراراته لا تزال تعتمد على البيانات والأهداف والافتراضات المدمجة في النظام.

جاء الاستثمار الكمي في المرتبة الأولى

يعود استخدام الحواسيب في إدارة الاستثمارات إلى ما قبل الاهتمام الحالي بالذكاء الاصطناعي.

تستخدم صناديق التحوط الكمية الأساليب الرياضية والإحصائية منذ عقود. فهي تبحث عن العلاقات المتكررة بين الأوراق المالية والمتغيرات الاقتصادية وسلوك المستثمرين، ثم تُترجم تلك العلاقات إلى قواعد تداول.

أصبحت شركة «رينيسانس تكنولوجيز» أحد أبرز الأمثلة في هذا المجال. فقد استخدمت صناديقها مجموعات بيانات ضخمة ونماذج منهجية بدلاً من الأبحاث التقليدية عن الشركات أو التوقعات السوقية التقديرية.

وقد ساهم نجاح الشركة في ترسيخ مكانة الاستثمار الكمي كجزء متميز ومربح للغاية من قطاع صناديق التحوط.

يمثل الذكاء الاصطناعي تطوراً لهذا النهج وليس انفصالاً تاماً عنه. فغالباً ما تبدأ النماذج التقليدية بالعلاقات التي يختارها الباحثون. أما أنظمة التعلم الآلي، فيمكنها دراسة مجموعة أوسع من المتغيرات وتحديد الأنماط دون الحاجة إلى تعليمات مباشرة كثيرة.

وهذا يزيد من نطاق التحليل. كما أنه قد يجعل شرح الاستراتيجية الناتجة عن ذلك أكثر صعوبة.

يصبح من الصعب الحفاظ على ميزة البيانات

استفادت صناديق الاستثمار الكمي في بداياتها من المعلومات وقدرات الحوسبة التي لم تكن متاحة لمعظم المنافسين.

وقد تقلصت تلك الميزة.

أصبحت أسعار السوق وتقارير الشركات والبيانات الاقتصادية ومجموعات البيانات البديلة متاحة الآن لمجموعة أوسع من الشركات. وقد ساهمت الحوسبة السحابية في خفض تكلفة معالجة المعلومات، في حين يقدم المزودون الخارجيون أدوات جاهزة للتعلم الآلي.

لقد زالت العوائق التي كانت تحول دون إجراء التجارب. أما العوائق التي تحول دون تحقيق عوائد استثمارية مستدامة، فلم تزول بعد.

عندما تقوم عدة صناديق بتحليل بيانات متشابهة باستخدام نماذج قابلة للمقارنة، قد تكتشف هذه الصناديق الفرصة نفسها. وعندئذٍ يتدفق رأس المال إلى الصفقة، فتتغير الأسعار وينخفض العائد المتوقع.

تتحول الميزة من مجرد امتلاك خوارزمية إلى امتلاك بيانات أفضل، وأبحاث أكثر عمقًا، وتنفيذ أسرع.

حتى المعلومات السرية لا تظل ذات قيمة إلى الأبد. فما أن يدرك المنافسون أن مجموعة بيانات معينة تحتوي على مؤشر مفيد، حتى يسعون إلى تكرارها.

يمكن للذكاء الاصطناعي أن يُسرّع عملية الاكتشاف. كما يمكنه أن يُسرّع اختفاء الفرصة التي تم اكتشافها.

البيانات البديلة توسع نطاق البحث

يمكن للصناديق التي تعتمد على الذكاء الاصطناعي معالجة المعلومات التي قد يغفلها التحليل الاستثماري التقليدي.

يمكن أن توفر الصور الملتقطة بالأقمار الصناعية تقديرات لمستوى النشاط في المصانع والموانئ ومواقف السيارات الخاصة بمتاجر التجزئة. وقد تعطي الأسعار على الإنترنت مؤشرات مبكرة حول التضخم. كما يمكن أن تكشف بيانات الشحن عن التغيرات في التدفقات التجارية، في حين قد تشير إعلانات الوظائف إلى المجالات التي تتوسع فيها الشركات.

تتيح معالجة اللغة الطبيعية للصناديق الاستثمارية تحليل التقارير المالية للشركات، ومؤتمرات الأرباح، والتقارير الإخبارية، والنشاط على وسائل التواصل الاجتماعي على نطاق واسع.

قد تساعد هذه المصادر المديرين على رصد التطورات قبل أن تظهر في البيانات المالية التقليدية.

كما أنها تسبب ضوضاءً كبيرة.

يمكن التلاعب بمشاعر المستخدمين على وسائل التواصل الاجتماعي. وتتطلب الملاحظات المستمدة من الأقمار الصناعية تفسيرًا. وقد يعكس ارتفاع حجم النقاش عبر الإنترنت وجود جدل وليس قوة تجارية.

لذلك، يجب اختبار البيانات البديلة في ضوء النتائج الاقتصادية الفعلية. فكون مجموعة البيانات جديدة لا يُعد دليلاً على أنها تحتوي على إشارة مربحة.

كلما زادت كمية المعلومات التي يستهلكها النموذج، زادت الحاجة إلى التمييز بين التباين المفيد والمصادفة.

لا تزال كلمة «التنبؤ» كلمة محفوفة بالمخاطر

غالبًا ما يُوصف صناديق التحوط التي تعتمد على الذكاء الاصطناعي بأنها تتنبأ بتحركات السوق بدقة استثنائية.

هذا الادعاء يبالغ في وصف ما تقوم به معظم الأنظمة.

تقوم نماذج التعلم الآلي عمومًا بتقدير الاحتمالات استنادًا إلى العلاقات المكتشفة في البيانات السابقة. وقد تخلص إلى أن مجموعات معينة من الأسعار والتقلبات ونشاط التداول قد تبعها في السابق نتيجة معينة.

هذه العلاقات ليست قوانين الطبيعة.

تتكيف الأسواق. يستجيب المستثمرون لبعضهم البعض، وتتغير اللوائح التنظيمية، وتتبدل الأنظمة الاقتصادية. وبمجرد أن يصبح نمط ما معروفًا على نطاق واسع، قد يؤدي التداول نفسه إلى إضعافه أو عكسه.

قد يواجه النموذج الذي تم تدريبه خلال فترة اتسمت بانخفاض أسعار الفائدة صعوبات عند الارتفاع الحاد في تكاليف الاقتراض. وقد تختفي العلاقات التي تنطبق في الأسواق ذات السيولة العالية خلال الأزمات.

يمكن للذكاء الاصطناعي أن يجعل التوقعات أكثر تفصيلاً ويقوم بتحديثها بشكل أكثر تواتراً. لكنه لا يستطيع ضمان أن يكون يوم غد مطابقاً للبيانات التي تم تدريبه عليها.

تُظهر شركة بريدجووتر استخدامًا مختلفًا

تشتهر شركة «بريدجووتر أسوشيتس» في المقام الأول بالاستثمار الكلي المنهجي، وليس بكونها صندوق تحوط يعتمد بشكل كامل على الذكاء الاصطناعي.

لطالما اعتمدت عملية الاستثمار في الشركة على قواعد واضحة وعلاقات اقتصادية وتحليل شامل للبيانات. ويمكن للذكاء الاصطناعي أن يدعم هذه البنية من خلال مساعدة الباحثين على فحص المعلومات واختبار الفرضيات ومراقبة مخاطر المحفظة الاستثمارية.

هذا التمييز مهم.

تستخدم بعض صناديق التحوط التعلم الآلي لتنفيذ الصفقات بشكل مباشر. بينما تستخدمه صناديق أخرى كأحد العوامل ضمن إطار استثماري أوسع. وقد يساعد الذكاء الاصطناعي في مجالات البحث أو التنفيذ أو إدارة المخاطر دون أن يتحكم في المحفظة بأكملها.

يوضح نهج شركة بريدجووتر كيف يمكن للتكنولوجيا أن تعزز فلسفة استثمارية راسخة بدلاً من أن تحل محلها.

كما أن وجود إطار عمل واضح يمكن أن يجعل من السهل الطعن في نتائج التحليل الآلي. فعندما تتعارض استنتاجات النموذج مع فهم الصندوق للظروف الاقتصادية، يمكن للباحثين التحقيق في سبب هذا الاختلاف.

تكون الذكاء الاصطناعي في أقصى فائدتها عندما تضع الأسئلة بالإضافة إلى الإجابات.

السرعة تغير ميزان القوى في المنافسة

يمكن لأنظمة التعلم الآلي معالجة مجموعات البيانات الضخمة بسرعة أكبر بكثير من المحللين البشريين.

وهذا الأمر مهم في الاستراتيجيات التي تفقد فيها المعلومات قيمتها بسرعة. فصناديق الاستثمار يمكنها تحليل بيان الأرباح، وتصنيف أسلوب صياغته، وإجراء الصفقات قبل أن ينتهي فريق الأبحاث التقليدي من مراجعته.

كما يمكن للخوارزميات مراقبة آلاف الأوراق المالية وتعديل المراكز مع تغير الأسعار أو الارتباطات أو التقلبات.

لا توفر هذه السرعة ميزة إلا عندما تكون الإشارة موثوقة وتكون تكاليف التنفيذ تحت السيطرة.

قد يؤدي التداول المتكرر إلى تآكل العوائد بسبب الرسوم وفروق الأسعار وتأثير السوق. كما أن الاستجابات السريعة قد تؤدي إلى تفاقم الأخطاء في حال أخطأ النموذج في تفسير المعلومات الجديدة.

الإشارة الخاطئة التي يتم الاستجابة لها في غضون أجزاء من الألف من الثانية تظل خاطئة.

لذلك، يتعين على صناديق التحوط أن تقرر أي النتائج تتطلب التنفيذ الفوري وأيها يجب أن تخضع لفحوصات إضافية.

ليس بالضرورة أن يكون النموذج الأسرع هو الأكثر ربحية.

الذكاء الاصطناعي لا يزيل التحيز البشري

غالبًا ما يجادل المؤيدون بأن الذكاء الاصطناعي يؤدي إلى اتخاذ قرارات استثمارية أكثر موضوعية من خلال الحد من تأثير العاطفة والحدس.

ويمكن أن يحد من بعض الأخطاء السلوكية. فالخوارزمية لا تصاب بالذعر بعد انخفاض السوق، ولا تتعلق بشركة مفضلة، ولا تغير استراتيجيتها بسبب رئيس تنفيذي مقنع.

لكن العارضات يرثن خيارات مصمميهن.

يقوم الباحثون باختيار البيانات، وتحديد الهدف، واتخاذ قرار بشأن الكيفية التي ينبغي أن يوازن بها النظام بين العائد والمخاطر. كما يحددون الفترة التاريخية ذات الصلة وكيفية التعامل مع التنبؤات الفاشلة.

وبالتالي، يمكن أن ينشأ التحيز من خلال عملية بناء النموذج، وليس من خلال عواطف مدير المحفظة.

كما أن هناك خطرًا يتمثل في «تحيز الأتمتة». فقد يعتمد الموظفون على نظام معقد لمجرد أن نتائجه تبدو علمية، حتى لو كانت الافتراضات التي يستند إليها ضعيفة.

لم يختفِ الحكم البشري. بل انتقل إلى مراحل تصميم النموذج وتفسيره والإشراف عليه.

تحتاج الادعاءات المتعلقة بالأداء إلى أدلة أقوى

أفادت تقارير صناعية بأن صناديق التحوط التي تعتمد على الذكاء الاصطناعي تتفوق في أدائها على الصناديق التقليدية بمعدل 5% في المتوسط.

تتطلب مثل هذه المقارنات توخي الحذر.

لا يوجد تعريف موحد لفئة الصناديق التي تعتمد على الذكاء الاصطناعي. فقد يستخدم أحد مديري الصناديق التعلم الآلي في بناء المحفظة الاستثمارية، في حين يقتصر استخدامه لدى مدير آخر على تنفيذ الصفقات أو مراقبة المخاطر.

كما يعتمد الأداء على الاستراتيجية، وبيئة السوق، والرافعة المالية، والفترة التي يتم قياسها.

قد تعلن الصناديق الناجحة عن أساليبها، في حين تختفي الصناديق الفاشلة من قواعد البيانات. وهذا يؤدي إلى حدوث «تحيز البقاء»، وقد يجعل السجل التاريخي يبدو أقوى مما كان عليه في الواقع.

قد تسهم الذكاء الاصطناعي في تحقيق أداء متميز في بعض الاستراتيجيات. إلا أنه لا يُعد عاملاً مؤثراً في العائد بحد ذاته.

يتعين على المستثمرين فهم كيفية تأثير التكنولوجيا على عملية الاستثمار، وما إذا كانت الميزة المزعومة قد صمدت في مواجهة تكاليف المعاملات وتقلبات الأسواق والمنافسة.

لا ينبغي أن يؤدي استخدام التعلم الآلي إلى تخفيض مستوى العناية الواجبة.

يتحول خطر النموذج إلى خطر استثماري

يواجه كل صندوق استثماري كمي «مخاطر النموذج»: أي احتمال أن يكون تمثيله للسوق غير كامل أو خاطئ.

يمكن أن تؤدي الذكاء الاصطناعي إلى تفاقم هذه المشكلة، لأن الأنظمة المعقدة قد تتصرف بطرق يصعب توقعها.

قد يُظهر النموذج أداءً جيدًا أثناء الاختبار لأنه رصد أنماطًا عشوائية في البيانات التاريخية. ويُعرف هذا بـ«التكيف المفرط». وتبدو الاستراتيجية دقيقة إلى أن تصادف معلومات لم يسبق لها أن رأت مثلها من قبل.

كما يمكن أن تتدهور النماذج تدريجيًا مع تغير ظروف السوق. فقد تظل الإشارة مربحة، لكنها تصبح أضعف، مما يدفع النظام إلى تحمل مخاطر أكبر سعيًا لتحقيق العائد نفسه.

يجب على صناديق التحوط مراقبة ما إذا كانت النتائج الفعلية لا تزال متسقة مع الأبحاث الأصلية.

التحقق المستقل أمر ضروري. ولا ينبغي أن يكون الفريق الذي يقوم ببناء النموذج هو المسؤول الوحيد عن تحديد مدى موثوقيته.

كما يحتاج المديرون إلى معايير واضحة لتقليل المخاطر أو إنهاء الاستراتيجية.

لا ينبغي الدفاع عن نموذج ما لمجرد أنه معقد للغاية بحيث يتعذر فهمه.

قد تؤدي النماذج المزدحمة إلى تضخيم الأسواق

قد يؤثر نمو التداول المدعوم بالذكاء الاصطناعي على سلوك السوق بما يتجاوز نطاق الصناديق الفردية.

إذا استجابت عدة نماذج لنفس الإشارات، فقد تقوم بالشراء والبيع في أوقات متقاربة. وقد يؤدي ذلك إلى ازدحام المراكز وتغيرات حادة في الأسعار عند انعكاس الاتجاه.

قد تبدو إحدى الاستراتيجيات متنوعة لأنها تتداول العديد من الأوراق المالية. لكن في الواقع، قد تعتمد مراكزها على نفس العامل الأساسي الذي تعتمد عليه مراكز الصناديق الكمية الأخرى.

يصبح هذا التركيز الخفي واضحًا في أوقات التوتر.

قد يؤدي التخفيض القسري لمستوى المديونية إلى تفاقم هذا التأثير. فعندما ترتفع الخسائر أو يزداد التقلب، قد تفرض أنظمة إدارة المخاطر على عدة صناديق تقليص تعرضها للمخاطر في آن واحد.

قد يتصرف كل صندوق بشكل عقلاني من وجهة نظره الخاصة، في حين يسهم في الوقت نفسه في زعزعة الاستقرار في السوق ككل.

لا تؤدي الذكاء الاصطناعي بالضرورة إلى ظهور هذا السلوك، لكن زيادة الأتمتة والتشابه بين النماذج يمكن أن تسرع من ظهوره.

لذلك، يجب على مديري المخاطر ألا يقتصر اهتمامهم على ما يحتويه نظامهم فحسب، بل أن يأخذوا في الاعتبار أيضًا كيفية تفاعل المنافسين مع تلك المعلومات نفسها.

تعد إدارة المخاطر أحد أقوى مجالات التطبيق

قد توفر الذكاء الاصطناعي فوائد أكثر وضوحًا في مجال إدارة المخاطر مقارنةً بتنبؤات السوق.

يمكن لهذه الأنظمة مراقبة مخاطر المحفظة، وكشف الارتباطات غير المعتادة، وتحديد التغيرات في السيولة. كما يمكنها تحليل الكيفية التي قد تستجيب بها المراكز التي تبدو غير مرتبطة ببعضها البعض لنفس الصدمة.

كما يمكن أن يساعد التعلم الآلي الصناديق على اختبار مجموعة أوسع من السيناريوهات وتحديد نقاط الضعف التي تغفلها فئات المخاطر التقليدية.

لا يزال الناتج بحاجة إلى تفسير.

قد تحتوي البيانات التاريخية على أمثلة قليلة على حالات الاضطراب الشديد في السوق. ولا يمكن للنموذج تقدير احتمالية الخسائر الشديدة إلا استنادًا إلى الأحداث أو الافتراضات المتاحة له.

لذلك، ينبغي أن يشمل تحليل السيناريوهات حالات لم تحدث في بيانات التدريب.

إدارة المخاطر ليست مجرد عملية إحصائية. فهي تتطلب تخيل السيناريوهات التي قد تؤدي إلى فشل الأسواق والأطراف المقابلة والبنية التحتية.

يمكن للذكاء الاصطناعي توسيع نطاق الأدلة التي يتم أخذها في الاعتبار. لكنه لا يستطيع تحديد كل أزمة محتملة.

أصبحت المواهب أكثر تداخلاً بين التخصصات

الاستثمار القائم على الذكاء الاصطناعي لا يقتصر على مهندسي البرمجيات فحسب.

تجمع الفرق الناجحة بين الخبرة في مجالات الرياضيات وعلوم الحاسوب والأسواق وبناء المحافظ الاستثمارية وإدارة المخاطر. فقد يفشل النموذج المتطور تقنيًّا إذا لم يفهم مطوروه تكاليف التداول أو كيفية تغير سيولة السوق تحت الضغط.

كما يحتاج المتخصصون في مجال الاستثمار إلى معرفة تقنية كافية لتمكينهم من تحليل النظام. فيجب عليهم فهم كيفية اختيار البيانات، وما الذي يعمل النموذج على تحسينه، وأين تكون استنتاجاته أقل موثوقية.

التنافس على هذه المواهب مكلف.

تستقطب صناديق التحوط موظفيها من شركات التكنولوجيا والجامعات وشركات الأبحاث المتخصصة. ويمكن أن تكون المكافآت مالية كبيرة، لا سيما بالنسبة للموظفين الذين يجمعون بين الخبرة في مجال التعلم الآلي والخبرة في الأسواق المالية.

قد يواجه المديرون الصغار صعوبة في مجاراة الموارد المتاحة لدى الشركات الكمية الكبرى.

يمكن للتكنولوجيا الخارجية أن تقلص الفجوة، لكنها لا يمكن أن تحل محل الفهم الداخلي. فالصندوق الذي يعتمد على نظام لا يستطيع تقييمه يكون قد اكتسب مخاطرة تشغيلية جديدة بدلاً من ميزة استثمارية.

الإنفاق على التكنولوجيا لا يضمن تحقيق عوائد

كان من المتوقع أن تصل استثمارات صناديق التحوط في تكنولوجيا الذكاء الاصطناعي إلى $2 مليار بحلول عام 2025.

قد يسهم الإنفاق في تحسين البنية التحتية والبحوث والتنفيذ. كما قد يمول مشاريع لا تسفر أبدًا عن استراتيجية قابلة للتطبيق.

قد تفشل مبادرات الذكاء الاصطناعي بسبب رداءة البيانات، أو عدم وضوح السؤال البحثي، أو عدم قدرة النموذج على العمل بفعالية في الأسواق الفعلية.

لا يأخذ الاختبار الناجح في الحسبان تلقائيًا تكاليف المعاملات، أو قيود السعة، أو التغيرات في سلوك المستثمرين.

لذلك، ينبغي للصناديق تقييم المشاريع التكنولوجية في ضوء النتائج الاستثمارية أو التشغيلية المحددة.

يمكن قياس فعالية أي نظام يهدف إلى خفض تكاليف التنفيذ. ويمكن مقارنة أي نموذج مصمم لتحسين الكشف عن الاحتيال بالضوابط الحالية. أما الوعد العام بتحسين أداء الاستثمار، فيصعب تقييمه بشكل كبير.

لا قيمة لتطور التكنولوجيا إذا لم تؤدِّ إلى تحسين العوائد المعدلة حسب المخاطر أو إلى خفض تكلفة قابلة للقياس.

يجب أن تواكب الحوكمة هذا التعقيد

تحتاج الصناديق التي تعتمد على الذكاء الاصطناعي إلى تحديد مسؤوليات واضحة فيما يتعلق بالنماذج ونتائجها.

ينبغي أن تدرك الإدارة العليا المجالات التي تُتخذ فيها القرارات الآلية، والأنظمة التي يمكنها تنفيذ الصفقات، والضوابط التي تحد من صلاحياتها.

يجب توثيق التغييرات التي تُجرى على النماذج واختبارها قبل نشرها. وتستلزم مصادر البيانات مراجعة قانونية وأخلاقية، لا سيما عندما تتضمن معلومات شخصية أو مواد لم يتم جمعها لأغراض استثمارية.

الأمن السيبراني يمثل مصدر قلق آخر. فالنماذج ومجموعات البيانات الخاصة بالشركات تُعد أصولاً قيّمة، وقد يؤدي سرقتها أو التلاعب بها إلى أضرار مالية جسيمة.

كما يجب على الصناديق الاستعداد لمواجهة أي أعطال تقنية. فأجهزة التداول تحتاج إلى إجراءات وقائية، وإجراءات للتدخل اليدوي، والقدرة على العمل في حالة تعطل الخدمات الخارجية.

يمكن للأتمتة أن تقلل من الأخطاء البشرية في القرارات الروتينية. لكنها قد تؤدي إلى أخطاء أكبر عندما يتم تطبيق عملية معيبة على نطاق واسع.

تحدد الحوكمة ما إذا كانت السرعة ستصبح ميزة أم نقطة ضعف.

يحتاج المستثمرون إلى أسئلة مختلفة

ينبغي على المستثمرين المؤسسيين الذين يقيّمون صندوق تحوط يعتمد على الذكاء الاصطناعي ألا يقتصروا على الجانب التكنولوجي فقط.

السؤال الأساسي هو مصدر العائد.

يتعين على المستثمرين فهم أي نوع من أوجه عدم الكفاءة في السوق تستغلها الاستراتيجية، ولماذا من المتوقع أن تستمر، وما الذي قد يؤدي إلى زوالها. كما ينبغي عليهم فحص جودة البيانات، والتحقق من صحة النموذج، وكيف كان أداء الصندوق خارج الفترة التي استُخدمت لتطوير الاستراتيجية.

السعة مهمة أيضًا. فقد تنجح إحدى الاستراتيجيات برأس مال محدود، لكنها تفقد فعاليتها عندما تنمو الأصول وتؤثر الصفقات على السوق.

ينبغي على المستثمرين أن يتساءلوا عن مدى سرعة تغير النماذج، ومن الذي يوافق على تلك التغييرات، وكيف يتدخل الموظفون عندما تبدو النتائج غير معقولة.

كما يتعين عليهم التمييز بين الميزة الحقيقية الناشئة عن حقوق الملكية واستخدام الأدوات المتاحة على نطاق واسع.

الأداء المذهل لا يمكن أن يحل محل عملية استثمار مستدامة.

المستقبل للصناديق الهجينة، وليس للصناديق ذاتية الإدارة

من المتوقع أن يستمر الاستثمار في الذكاء الاصطناعي في القطاع المالي في النمو بوتيرة سريعة. وقد توقعت شركة «غارتنر» نموًّا سنويًّا بنسبة 30%، على الرغم من أن هذا الرقم يحتاج إلى التحقق وقد ينطبق على سوق أوسع نطاقًا للخدمات المالية.

خلال السنوات الثلاث إلى الخمس المقبلة، من المرجح أن يصبح التعلم الآلي جزءًا روتينيًّا من الأبحاث والعمليات التي تجريها صناديق التحوط.

وهذا لا يعني أن الصناديق ذاتية الإدارة بالكامل ستسيطر على السوق.

الأسواق هي أنظمة قابلة للتكيف تتشكل بفعل السياسات والسلوك المؤسسي والأحداث التي لا توجد لها سوابق تاريخية تذكر. ويمكن للاستراتيجيات الآلية البحتة أن تحقق أداءً قوياً، لكنها تظل عرضة لافتراضات قد تفشل دون سابق إنذار.

من المرجح أن يجمع النموذج الأكثر استدامة بين التحليل الآلي والبحث البشري والإشراف المنضبط.

يمكن للخوارزميات البحث في قواعد البيانات الضخمة، ومراقبة المراكز، وتنفيذ الصفقات. ويجب على مديري المحافظ الاستثمارية وفرق إدارة المخاطر أن يقرروا ما إذا كانت العلاقات التي تم تحديدها منطقية من الناحية الاقتصادية، وما إذا كان الصندوق قادراً على الاستمرار في حال توقف هذه العلاقات عن العمل.

ستوسع الذكاء الاصطناعي نطاق الإشارات التي يمكن لصناديق التحوط متابعتها. كما ستزيد من السرعة التي يتم بها نسخ الاستراتيجيات، وازدحامها، وإبطالها.

قد تسهم هذه التكنولوجيا في تحسين آليات الاستثمار. لكنها لا تلغي المنافسة، ولا حالة عدم اليقين، ولا دورة السوق.

أما بالنسبة لصناديق التحوط، فتظل تلك هي المشكلات الأصعب.