یادداشت شماره ۳۰۶

موضوع:برخی چالش‌های هوش مصنوعی مولد برای تحلیلگران، نهادهای مالی و سازمان‌های بورس در بازار سرمایه

فرآیند تحلیلگری در بازار سرمایه شامل تحلیل بنیادی، ارزش‌گذاری، سرمایه‌گذاری و مدیریت ریسک را می‌توان در یک تقسیم‌بندی به سه مرحله تقسیم کرد:

۱— طراحی صحیح فرآیند تحلیل و مراحل آن،

۲— تهیه داده و اطلاعات از شرکت و بازار و اقتصاد

۳– فهم و درک مرحله‌به‌مرحله خروجی‌های فرایند و در نهایت تصمیم‌سازی برای تصمیم‌گیران.

در این میان، بخش‌های اول و سوم نیازمند تفکر تحلیلی و قضاوت حرفه‌ای ما تحلیلگران در بازار سرمایه است، در حالیکه بخش دوم به نقل از برخی دوستان همان «کارِ گِلِ» تحلیلگری است و کمتر به تفکر تحلیلی نیاز دارد (که در جای خود اهمیت بالایی دارد و انجام آن یا حداقل توانایی ارزیابی شیوه انجام آن برای تحلیلگر ضروری است).

پدیده‌ای که به ‌تازگی بر اساس مشاهدات شخصی در بازار سرمایه مشاهده می‌شود، استفاده نادرست از مدل‌های زبانی بزرگ در بخش‌های اول و سوم فرآیند تحلیلگری است، طوریکه آدمی تصور می‌کند قدرت تفکر تحلیلگران در حال جایگزینی با مدل‌های زبانی بزرگ نوظهورست.

شیوه درست استفاده از ابزارهای نوظهورق نظیر چت‌جی‌پی‌تی، کلاد، جمینای و گراک و غیره، بهره‌گیری از آن‌ها به عنوان «دستیار و منتقدی بی‌رحم» است؛ منتقدی که می‌تواند مراحل مختلف فرآیند تحلیلگری و خروجی کار را پیش از به چالش کشیده شدن توسط کارشناسان ارشد، مدیران واحد، کمیته‌های داخلی و مشتریان، ارزیابی و نقد کند و عملاً تقویت‌کننده تفکر و کیفیت کار ما تحلیلگران باشند، نه جایگزین تفکر، خلاقیت و نوآوری ما..!

استفاده مؤثر از این ابزارهای نوظهور مستلزم شناخت هم‌زمان فرآیند آموزش مدل‌های زبانی بزرگ (LLMs)، داده‌های مورد استفاده آنان در زمان آموزش این مدل ها، نحوه تولید پاسخ این مدل ها و همچنین قابلیت‌ها و محدودیت‌های آنهاست. چند روز پیش یکی از تحلیلگران باتجربه بازار درباره یک پروژه ارزش‌گذاری سهام با من تماس گرفت و فرایند فکری ارزشمند خود را به کل کنار گذاشته بود و نتیجه‌گیری خود را به چت‌جی‌پی‌تی ارجاع می‌داد؛ غافل از اینکه محدودیت‌های ارزش‌گذاری در بازار سرمایه ما اصلاً در متون استاندارد جهانی که مبنای آموزش این مدل‌هاست وجود ندارد.

امروزه استفاده مسئولانه از مدل‌های زبانی بزرگ به یکی از دغدغه‌های اصلی بورس‌ها و موسسات مالی بزرگ جهان تبدیل شده است. در همین راستا، سال گذشته موسسه بین‌المللی تحلیلگران خبره مالی (CFA Institute) در پاسخ به کمیسیون بین‌المللی بورس‌های دنیا (IOSCO)، چهار عامل زیر را به عنوان اصلی‌ترین محدودیت‌های این مدل‌ها و ریسک‌های کاربران یاد کرده است:

۱– توضیح‌پذیری و بعضاً جعبه‌سیاه بودن LLMها

۲— سوگیری داده‌های استفاده‌شده برای آموزش LLMها

۳– اتکای بیش از حد کاربران بهLLMها

۴– امکان افزایش ریسک سیستمی در بازارها؛ استفاده نادرست از این مدل‌ها باعث می شود همه بازیگران مشابه هم فکر کنند

به همین دلیل، سازمان‌های بورس و نهادهای مالی در بازارهای توسعه‌یافته با سرعت مشغول تدوین مقررات برای بهره‌مندی از پتانسیل‌ها و همچنین مدیریت ریسک‌های هوش مصنوعی مولد هستند.

فایلی که در ادامه این یادداشت آمده می‌تواند مورد استفاده تحلیلگران، نهادهای مالی و سازمان بورس و نهادهای وابسته قرار گیرد.

عباس گمار
۱۹ مرداد ۱۴۰۵

https://t.me/Irvaluation

#هوش_مصنوعی_مولد #تحلیلگری #بازار_سرمایه