Artificiell intelligens-drivna verktyg, som ChatGPT, har potentialen att revolutionera effektiviteten, effektiviteten och hastigheten i det arbete som människor utför.
Och detta är sant på finansmarknaderna lika mycket som i sektorer som hälsovård, tillverkning och i stort sett alla andra aspekter av våra liv.
Jag har undersökt finansmarknader och algoritmisk handel i 14 år. Även om AI erbjuder många fördelar, pekar den växande användningen av dessa tekniker på finansmarknaderna också på potentiella faror. En titt på Wall Streets tidigare ansträngningar att påskynda handeln genom att omfamna datorer och AI ger viktiga lärdomar om konsekvenserna av att använda dem för beslutsfattande.
I början av 1980-talet, underblåst av framsteg inom teknologi och finansiella innovationer såsom derivat, började institutionella investerare använda datorprogram för att utföra affärer baserade på fördefinierade regler och algoritmer. Detta hjälpte dem att genomföra stora affärer snabbt och effektivt.
Då var dessa algoritmer relativt enkla och användes främst för så kallat indexarbitrage, vilket innebär att man försöker dra nytta av diskrepanser mellan priset på ett aktieindex – som S&P 500 – och det för de aktier som det består av.
I takt med att tekniken avancerade och mer data blev tillgänglig, blev denna typ av programhandel allt mer sofistikerad, med algoritmer som kunde analysera komplexa marknadsdata och utföra affärer baserat på en mängd olika faktorer. Dessa programhandlare fortsatte att växa i antal på de stora oreglerade handelsmotorvägarna – där tillgångar för över en biljon dollar byter ägare varje dag – vilket fick marknadsvolatiliteten att öka dramatiskt.
Så småningom resulterade detta i den massiva börskraschen 1987, känd som Black Monday. Dow Jones Industrial Average drabbades av vad som vid den tiden var den största procentuella nedgången i dess historia, och smärtan spred sig över hela världen.
Som svar på detta genomförde tillsynsmyndigheter ett antal åtgärder för att begränsa användningen av programhandel, inklusive strömbrytare som stoppar handeln när det finns betydande marknadssvängningar och andra gränser. Men trots dessa åtgärder fortsatte programhandeln att växa i popularitet under åren efter kraschen.
Spola framåt 15 år, till 2002, när New York Stock Exchange introducerade ett helautomatiskt handelssystem. Som ett resultat gav programhandlare plats för mer sofistikerade automatiseringar med mycket mer avancerad teknik:högfrekvent handel.
HFT använder datorprogram för att analysera marknadsdata och utföra affärer i extremt höga hastigheter. Till skillnad från programhandlare som köpte och sålde korgar med värdepapper över tid för att dra fördel av en arbitrage-möjlighet – en skillnad i pris på liknande värdepapper som kan utnyttjas för vinst – använder högfrekventa handlare kraftfulla datorer och höghastighetsnätverk för att analysera marknadsdata och utföra affärer med blixtsnabba hastigheter. Högfrekventa handlare kan göra affärer på ungefär en 64-miljondels sekund, jämfört med de flera sekunder det tog handlare på 1980-talet.
Dessa affärer är vanligtvis mycket kortsiktiga och kan innebära att man köper och säljer samma värdepapper flera gånger inom loppet av nanosekunder. AI-algoritmer analyserar stora mängder data i realtid och identifierar mönster och trender som inte är omedelbart uppenbara för mänskliga handlare. Detta hjälper handlare att fatta bättre beslut och utföra affärer i en snabbare takt än vad som skulle vara möjligt manuellt.
En annan viktig tillämpning av AI i HFT är naturlig språkbehandling, vilket innebär att analysera och tolka mänskligt språkdata som nyhetsartiklar och inlägg på sociala medier. Genom att analysera dessa data kan handlare få värdefulla insikter om marknadssentiment och anpassa sina handelsstrategier därefter.
Dessa AI-baserade högfrekventa handlare fungerar väldigt annorlunda än människor gör.
Den mänskliga hjärnan är långsam, inexakt och glömsk. Den är oförmögen till snabb, högprecision, flyttalsaritmetik som behövs för att analysera enorma mängder data för att identifiera handelssignaler. Datorer är miljontals gånger snabbare, med i huvudsak ofelbart minne, perfekt uppmärksamhet och obegränsad förmåga att analysera stora datamängder på delade millisekunder.
Och så, precis som de flesta tekniker, ger HFT flera fördelar för aktiemarknaderna.
Dessa handlare köper och säljer vanligtvis tillgångar till priser som ligger mycket nära marknadspriset, vilket innebär att de inte tar ut höga avgifter från investerarna. Detta hjälper till att säkerställa att det alltid finns köpare och säljare på marknaden, vilket i sin tur hjälper till att stabilisera priserna och minska risken för plötsliga prissvängningar.
Högfrekvent handel kan också bidra till att minska effekten av marknadsineffektivitet genom att snabbt identifiera och utnyttja felpriser på marknaden. Till exempel kan HFT-algoritmer upptäcka när en viss aktie är undervärderad eller övervärderad och utföra affärer för att dra fördel av dessa avvikelser. Genom att göra det kan denna typ av handel hjälpa till att korrigera marknadsineffektivitet och säkerställa att tillgångar prissätts mer exakt.
Men snabbhet och effektivitet kan också orsaka skada.
HFT-algoritmer kan reagera så snabbt på nyhetshändelser och andra marknadssignaler att de kan orsaka plötsliga toppar eller fall i tillgångspriser.
Dessutom kan HFT-finansiella företag använda sin hastighet och teknik för att få en orättvis fördel gentemot andra handlare, vilket ytterligare förvränger marknadssignalerna. Volatiliteten som skapades av dessa extremt sofistikerade AI-drivna handelsdjur ledde till den så kallade flashkraschen i maj 2010, när aktierna föll och sedan återhämtade sig på några minuter – raderade och återställde cirka 1 biljon dollar i marknadsvärde.
Sedan dess har volatila marknader blivit det nya normala. I 2016 års forskning fann jag och två medförfattare att volatiliteten – ett mått på hur snabbt och oförutsägbart priserna rör sig upp och ner – ökade avsevärt efter införandet av HFT.
Snabbheten och effektiviteten med vilken högfrekventa handlare analyserar data gör att även en liten förändring i marknadsförhållandena kan utlösa ett stort antal affärer, vilket leder till plötsliga prissvängningar och ökad volatilitet.
Dessutom visar forskning som jag publicerade med flera andra kollegor under 2021 att de flesta högfrekventa handlare använder liknande algoritmer, vilket ökar risken för marknadsmisslyckande. Det beror på att när antalet av dessa handlare ökar på marknaden, kan likheten i dessa algoritmer leda till liknande handelsbeslut.
Detta innebär att alla högfrekventa handlare kan handla på samma sida av marknaden om deras algoritmer släpper liknande handelssignaler. Det vill säga, de kan alla försöka sälja i händelse av negativa nyheter eller köpa i händelse av positiva nyheter. Om det inte finns någon att ta den andra sidan av handeln kan marknaderna misslyckas.
Det för oss till en ny värld av ChatGPT-drivna handelsalgoritmer och liknande program. De kan ta problemet med för många handlare på samma sida av en affär och göra det ännu värre.
I allmänhet kommer människor, utlämnade åt sina egna enheter, att tendera att fatta en mängd olika beslut. Men om alla härleder sina beslut från en liknande artificiell intelligens, kan detta begränsa mångfalden av åsikter.
Tänk på en extrem, icke-ekonomisk situation där alla är beroende av ChatGPT för att välja den bästa datorn att köpa. Konsumenter är redan mycket benägna att vallbeteende, där de tenderar att köpa samma produkter och modeller. Till exempel, recensioner på Yelp, Amazon och så vidare motiverar konsumenterna att välja bland några av de bästa alternativen.
Eftersom beslut som tas av den generativa AI-drivna chatboten är baserade på tidigare träningsdata, skulle det finnas en likhet i de beslut som chatboten föreslår. Det är mycket troligt att ChatGPT skulle föreslå samma märke och modell för alla. Detta kan ta vallningen till en helt ny nivå och kan leda till brist på vissa produkter och tjänster samt allvarliga prishöjningar.
Detta blir mer problematiskt när den AI som fattar besluten är informerad av partisk och felaktig information. AI-algoritmer kan förstärka befintliga fördomar när system tränas på partiska, gamla eller begränsade datamängder. Och ChatGPT och liknande verktyg har kritiserats för att göra faktafel.
Dessutom, eftersom marknadskrascher är relativt sällsynta, finns det inte mycket data om dem. Eftersom generativa AI:er är beroende av dataträning för att lära sig, kan deras brist på kunskap om dem göra det mer troligt att de inträffar.
För närvarande verkar det åtminstone att de flesta banker inte kommer att tillåta sina anställda att dra nytta av ChatGPT och liknande verktyg. Citigroup, Bank of America, Goldman Sachs och flera andra långivare har redan förbjudit deras användning på handelsrumsgolv, med hänvisning till integritetsproblem.
Men jag är övertygad om att banker så småningom kommer att ta till sig generativ AI, när de väl har löst problem som de har med det. De potentiella vinsterna är för betydande för att gå miste om – och det finns en risk att bli lämnad på efterkälken av konkurrenter.
Men riskerna för finansmarknaderna, den globala ekonomin och alla är också stora, så jag hoppas att de trampar försiktigt.
Hur man tar ut pengar från USA
Hur lågt skulle börsen gå? Straits Times Index (STI) bör nå 2 230 innan återhämtning
Hur man lånar från SEP IRA
NGPF Podcast:Tim talar med 403(b) Crusader Steve Schullo
Vad husägares försäkringar inte berättar för dig
Hur jag tjänar 11 000 $ varje år på att hyra ut mina extra sovrum
Att sätta finansiella mål:Använda 5-10-15-20-konceptet
Hur marknadsföring på flera nivåer kan orsaka kreditkortsskulder