استُخدمت نماذج تعلم الآلة في التمويل الكمي منذ عقود، لكن التطورات الأخيرة في نماذج اللغة الكبيرة والذكاء الاصطناعي التوليدي وسّعت النطاق بشكل كبير. تفوّقت النماذج الكمية التقليدية في إيجاد الأنماط الإحصائية في البيانات الرقمية. أما نماذج اللغة الكبيرة فبإمكانها الآن معالجة نصوص مكالمات الأرباح والإيداعات التنظيمية ومشاعر وسائل التواصل الاجتماعي والمقالات الإخبارية بسرعة ونطاق يعجز عنهما المحللون البشريون.
أصبح تحليل المشاعر المدعوم بالذكاء الاصطناعي أكثر تطوراً بشكل ملحوظ. كانت نماذج معالجة اللغة الطبيعية (NLP) المبكرة قادرة على تحديد ما إذا كان نص ما إيجابياً أو سلبياً بدقة معقولة. أما النماذج الحالية فتستطيع تحديد فروق دقيقة مثل التفاؤل الحذر، والقلق دون الانزعاج، والغموض الاستراتيجي. وتغذّي هذه الدقة في كشف المشاعر إشارات تداول تلتقط تحولات المزاج السوقي قبل مؤشرات المشاعر التقليدية.
تُغيّر مراقبة الأسواق المدعومة بالذكاء الاصطناعي الطريقة التي تكشف بها البورصات والجهات التنظيمية التلاعب. تستطيع نماذج التعرف على الأنماط تحديد سلوكيات التلاعب مثل spoofing وwash trading والتلاعب بالسوق التي تفوتها الأنظمة التقليدية القائمة على القواعد. تتعلم هذه النماذج من الأمثلة التاريخية للتلاعب وتستطيع الإشارة إلى النشاط المشبوه في الوقت الفعلي. والنتيجة أن الأسواق باتت أصعب في التلاعب، وإن كان الفاعلون المتطورون يواصلون تطوير أساليبهم.
تستخدم استراتيجيات التداول الخوارزمية الذكاء الاصطناعي لتوليد العوائد الإضافية (alpha) بطرق لم تكن ممكنة من قبل. تستطيع وكلاء التعلم المعزّز تطوير استراتيجيات تداول عبر المحاكاة دون برمجتها صراحة بقواعد التداول. وتستطيع الشبكات العصبية اكتشاف أنماط غير خطية في بيانات السوق تفوتها الأساليب الإحصائية التقليدية. والتحدي أن هذه النماذج قد تجد أيضاً أنماطاً زائفة لا تستمر، ما يجعل اختبار العينات خارج النطاق بصرامة أمراً لا غنى عنه.
تُطبَّق معالجة اللغة الطبيعية على تحليل البيانات على السلسلة. تستطيع نماذج الذكاء الاصطناعي تحليل شفرة العقود الذكية لتحديد الثغرات المحتملة، ومراقبة مقترحات الحوكمة بحثاً عن تغييرات بروتوكولية ذات مغزى، وتحليل أنماط المعاملات على السلسلة لتحديد سلوك الـ whales. وهذا التطبيق وثيق الصلة بشكل خاص بالعملات المشفرة، حيث يوجد كم هائل من البيانات المتاحة للعموم والمعقدة على السلسلة.
بات متداولو التجزئة الآن يتاح لهم الوصول إلى أدوات الذكاء الاصطناعي التي كانت حكراً على المؤسسات في السابق. وقد أتاحت أدوات الفرز وتعرف الأنماط ومنصات التحليل المدعومة بالذكاء الاصطناعي القدرات التي كانت تتطلب فرقاً من الكميّين والمهندسين قبل بضع سنوات. ولا تضمن هذه الأدوات أداءً أفضل، لكنها تُمكّن المتداولين الأفراد من معالجة مزيد من المعلومات بشكل أسرع.
تتضمن مخاطر الذكاء الاصطناعي في الأسواق المالية زيادة هشاشة السوق. فإذا استخدمت أنظمة تداول كثيرة نماذج ذكاء اصطناعي متشابهة مدربة على بيانات متشابهة، فقد تصل إلى استنتاجات متشابهة في الوقت نفسه، ما يُضخّم تحركات السوق. وقد تصبح انهيارات التداول السريعة (flash crashes) أكثر تواتراً أو حدة مع استجابة الأنظمة المعتمدة على الذكاء الاصطناعي بوتيرة أسرع مما يمكن للإشراف البشري تصحيحه. والمخاطر النظامية من استراتيجيات الذكاء الاصطناعي المترابطة هي قلق بدأت الجهات التنظيمية بمعالجته.
تُغرق الأبحاث والتحليلات المُولَّدة بالذكاء الاصطناعي ساحة المعلومات. فقد بات من السهل توليد تحليلات سوقية ذات مظهر احترافي باستخدام نماذج اللغة الكبيرة. وهذا يخلق فرصة (توفر مزيد من التحليلات) ومشكلة في الوقت نفسه (قد تنخفض الجودة المتوسطة مع ازدياد الضوضاء). وقد باتت القدرة على التقييم النقدي للمحتوى المُولَّد بالذكاء الاصطناعي والتمييز بين البصيرة الحقيقية والتحليل المقنع شكلاً لكنه أجوف مهارة متزايدة القيمة.
الدلالة العملية بالنسبة للمتداولين ليست أن الذكاء الاصطناعي سيحل محل الحكم البشري، بل أنه سيعزّزه. فالمتداولون الذين يتعلمون استخدام أدوات الذكاء الاصطناعي بفعالية في معالجة البيانات والتعرف على الأنماط والتحليل سيحظون بميزة على من لا يفعلون. أما الذين يحاولون منافسة الذكاء الاصطناعي في السرعة أو معالجة البيانات دون استخدام أدواته فسيواجهون عيباً تنافسياً متنامياً. وأكثر المساهمات البشرية قيمة توجد في المجالات التي يضعف فيها الذكاء الاصطناعي: التفكير الاستراتيجي، وتقييم المواقف الجديدة، والحكم على المخاطر في ظروف غير مسبوقة.