Kunstig intelligens-drevne værktøjer, såsom ChatGPT, har potentialet til at revolutionere effektiviteten, effektiviteten og hastigheden af det arbejde, mennesker udfører.
Og det gælder lige så meget på de finansielle markeder som i sektorer som sundhedspleje, fremstilling og stort set alle andre aspekter af vores liv.
Jeg har undersøgt finansielle markeder og algoritmisk handel i 14 år. Selvom kunstig intelligens byder på mange fordele, peger den voksende brug af disse teknologier på de finansielle markeder også på potentielle farer. Et kig på Wall Streets tidligere bestræbelser på at fremskynde handel ved at omfavne computere og AI giver vigtige lektioner om konsekvenserne af at bruge dem til beslutningstagning.
I begyndelsen af 1980'erne, drevet af fremskridt inden for teknologi og finansielle innovationer såsom derivater, begyndte institutionelle investorer at bruge computerprogrammer til at udføre handler baseret på foruddefinerede regler og algoritmer. Dette hjalp dem med at gennemføre store handler hurtigt og effektivt.
Dengang var disse algoritmer relativt enkle og blev primært brugt til såkaldt indeksarbitrage, som involverer at forsøge at drage fordel af uoverensstemmelser mellem prisen på et aktieindeks – som S&P 500 – og prisen på de aktier, det er sammensat af.
Efterhånden som teknologien avancerede og flere data blev tilgængelige, blev denne form for programhandel stadig mere sofistikeret, med algoritmer i stand til at analysere komplekse markedsdata og udføre handler baseret på en lang række faktorer. Disse programhandlere fortsatte med at vokse i antal på de stort set uregulerede handelsmotorveje – hvor aktiver for over en billion dollars skifter hænder hver dag – hvilket fik markedsvolatiliteten til at stige dramatisk.
Til sidst resulterede dette i det massive børskrak i 1987 kendt som Black Monday. Dow Jones Industrial Average led, hvad der på det tidspunkt var det største procentvise fald i dets historie, og smerten spredte sig over hele kloden.
Som reaktion herpå implementerede de regulerende myndigheder en række foranstaltninger for at begrænse brugen af programhandel, herunder afbrydere, der stopper handelen, når der er betydelige markedsudsving og andre grænser. Men på trods af disse foranstaltninger fortsatte programhandel med at vokse i popularitet i årene efter krakket.
Spol 15 år frem til 2002, hvor New York Stock Exchange introducerede et fuldt automatiseret handelssystem. Som et resultat gav programhandlere plads til mere sofistikerede automatiseringer med meget mere avanceret teknologi:Højfrekvent handel.
HFT bruger computerprogrammer til at analysere markedsdata og udføre handler med ekstremt høje hastigheder. I modsætning til programhandlere, der købte og solgte kurve med værdipapirer over tid for at drage fordel af en arbitrage-mulighed – en forskel i prisen på lignende værdipapirer, der kan udnyttes til profit – bruger højfrekvente handlende kraftfulde computere og højhastighedsnetværk til at analysere markedsdata og udføre handler med lynhurtige hastigheder. Højfrekvente handlende kan foretage handler på cirka en 64-milliontedel af et sekund sammenlignet med de adskillige sekunder, det tog handlende i 1980'erne.
Disse handler er typisk meget kortsigtede og kan involvere køb og salg af det samme værdipapir flere gange i løbet af nanosekunder. AI-algoritmer analyserer store mængder data i realtid og identificerer mønstre og tendenser, som ikke umiddelbart er synlige for menneskelige handlende. Dette hjælper handlende med at træffe bedre beslutninger og udføre handler i et hurtigere tempo, end det ville være muligt manuelt.
En anden vigtig anvendelse af AI i HFT er naturlig sprogbehandling, som involverer analyse og fortolkning af menneskelige sprogdata såsom nyhedsartikler og indlæg på sociale medier. Ved at analysere disse data kan handlende få værdifuld indsigt i markedsstemningen og justere deres handelsstrategier i overensstemmelse hermed.
Disse AI-baserede, højfrekvente handlende opererer meget anderledes end folk gør.
Den menneskelige hjerne er langsom, unøjagtig og glemsom. Den er ude af stand til hurtig, højpræcision, flydende komma-aritmetik, der er nødvendig for at analysere enorme mængder data til at identificere handelssignaler. Computere er millioner af gange hurtigere med i det væsentlige ufejlbarlig hukommelse, perfekt opmærksomhed og ubegrænsede muligheder for at analysere store mængder data på split millisekunder.
Og så, ligesom de fleste teknologier, giver HFT adskillige fordele til aktiemarkederne.
Disse handlende køber og sælger typisk aktiver til priser meget tæt på markedsprisen, hvilket betyder, at de ikke opkræver investorer høje gebyrer. Dette er med til at sikre, at der altid er købere og sælgere på markedet, hvilket igen er med til at stabilisere priserne og mindske potentialet for pludselige prisudsving.
Højfrekvent handel kan også bidrage til at reducere virkningen af markedsineffektivitet ved hurtigt at identificere og udnytte fejlpriser på markedet. For eksempel kan HFT-algoritmer registrere, når en bestemt aktie er undervurderet eller overvurderet, og udføre handler for at drage fordel af disse uoverensstemmelser. Ved at gøre det kan denne form for handel hjælpe med at korrigere markedsineffektivitet og sikre, at aktiver prissættes mere præcist.
Men hastighed og effektivitet kan også forårsage skade.
HFT-algoritmer kan reagere så hurtigt på nyhedsbegivenheder og andre markedssignaler, at de kan forårsage pludselige stigninger eller fald i aktivpriserne.
Derudover er HFT finansielle virksomheder i stand til at bruge deres hastighed og teknologi til at opnå en uretfærdig fordel i forhold til andre handlende, hvilket yderligere forvrænger markedssignalerne. Volatiliteten skabt af disse ekstremt sofistikerede AI-drevne handelsdyr førte til det såkaldte flashkrak i maj 2010, hvor aktierne styrtdykkede og derefter genoprettede i løbet af få minutter - slettede og derefter genoprettede omkring 1 billion dollars i markedsværdi.
Siden da er volatile markeder blevet det nye normale. I 2016 forskning fandt to medforfattere og jeg ud af, at volatiliteten – et mål for, hvor hurtigt og uforudsigeligt priserne bevæger sig op og ned – steg markant efter introduktionen af HFT.
Den hastighed og effektivitet, hvormed højfrekvente handlende analyserer dataene, betyder, at selv en lille ændring i markedsforholdene kan udløse et stort antal handler, hvilket fører til pludselige prisudsving og øget volatilitet.
Derudover viser forskning, jeg publicerede sammen med flere andre kolleger i 2021, at de fleste højfrekvente handlende bruger lignende algoritmer, hvilket øger risikoen for markedssvigt. Det skyldes, at når antallet af disse forhandlere stiger på markedet, kan ligheden i disse algoritmer føre til lignende handelsbeslutninger.
Dette betyder, at alle højfrekvente handlende kan handle på samme side af markedet, hvis deres algoritmer udsender lignende handelssignaler. Det vil sige, at de alle kan forsøge at sælge i tilfælde af negative nyheder eller købe i tilfælde af positive nyheder. Hvis der ikke er nogen til at tage den anden side af handlen, kan markederne svigte.
Det bringer os til en ny verden af ChatGPT-drevne handelsalgoritmer og lignende programmer. De kunne tage problemet med for mange handlende på samme side af en aftale og gøre det endnu værre.
Generelt vil mennesker, overladt til sig selv, have tendens til at træffe en bred vifte af beslutninger. Men hvis alle udleder deres beslutninger fra en lignende kunstig intelligens, kan dette begrænse meningsforskellen.
Overvej en ekstrem, ikke-finansiel situation, hvor alle er afhængige af ChatGPT for at beslutte sig for den bedste computer at købe. Forbrugerne er allerede meget tilbøjelige til hyrdeadfærd, hvor de har tendens til at købe de samme produkter og modeller. For eksempel motiverer anmeldelser på Yelp, Amazon og så videre forbrugerne til at vælge blandt nogle få topvalg.
Da beslutninger truffet af den generative AI-drevne chatbot er baseret på tidligere træningsdata, ville der være en lighed i de beslutninger, som chatbotten foreslår. Det er højst sandsynligt, at ChatGPT vil foreslå det samme mærke og model til alle. Dette kan tage besætningen til et helt nyt niveau og kan føre til mangel på visse produkter og tjenester samt alvorlige prisstigninger.
Dette bliver mere problematisk, når den AI, der træffer beslutningerne, er informeret af forudindtaget og forkert information. AI-algoritmer kan forstærke eksisterende skævheder, når systemer trænes på skæve, gamle eller begrænsede datasæt. Og ChatGPT og lignende værktøjer er blevet kritiseret for at lave faktuelle fejl.
Da markedskrak er relativt sjældne, er der desuden ikke meget data om dem. Da generative AI'er er afhængige af datatræning for at lære, kan deres manglende viden om dem gøre dem mere tilbøjelige til at ske.
For nu ser det i hvert fald ud til, at de fleste banker ikke vil tillade deres ansatte at drage fordel af ChatGPT og lignende værktøjer. Citigroup, Bank of America, Goldman Sachs og flere andre långivere har allerede forbudt deres brug på handelsrumsgulve med henvisning til bekymringer om privatlivets fred.
Men jeg er overbevist om, at banker i sidste ende vil omfavne generativ kunstig intelligens, når de først har løst de bekymringer, de har med det. De potentielle gevinster er for betydelige til at gå glip af – og der er en risiko for at blive efterladt af rivaler.
Men risiciene for de finansielle markeder, den globale økonomi og alle andre er også store, så jeg håber, de træder varsomt.