'AI ट्रेडिंग' फसला! पब्लिक टेस्टमध्ये मोठ्या कंपन्यांचे मॉडेल बुडाले, रणनीती गुपितच

AI ट्रेडिंग टेस्ट्समध्ये मोठी घसरण

सार्वजनिक AI ट्रेडिंग स्पर्धांचे निकाल निराशाजनक लागले आहेत. आर्टिफिशियल इंटेलिजन्स (AI) अजून मानवी फंड मॅनेजर्सची जागा घेण्यासाठी तयार नाही. अल्फा एरिना (Alpha Arena) सारख्या चाचण्यांमध्ये, Google चे Gemini आणि OpenAI चे ChatGPT सह आठ प्रमुख AI सिस्टीम्सना प्रत्येकी $10,000 देऊन अमेरिकन टेक स्टॉक्समध्ये दोन आठवडे ट्रेडिंग करण्याची संधी देण्यात आली. या चाचण्यांमध्ये AI पोर्टफोलिओंनी त्यांच्या सुरुवातीच्या भांडवलापैकी अंदाजे एक तृतीयांश रक्कम गमावली. एकूण 32 ट्रेडिंग परिस्थितीत केवळ सहा फायदेशीर ठरल्या, ज्या AI च्या सध्याच्या ट्रेडिंग क्षमतेचे धक्कादायक चित्र मांडतात. एक प्रमुख समस्या म्हणजे ओव्हर-ट्रेडिंग (Over-trading); एका AI ने एकाच सूचनेवर 1,418 ट्रेड्स केले, तर दुसऱ्याने केवळ 158 ट्रेड्स केले. यामुळे शिस्त आणि पोझिशन साइज किंवा वेळेचे व्यवस्थापन करण्याची क्षमता दिसून आली नाही.

AI ची धडपड मानवी फंड मॅनेजर्ससारखीच

AI चे हे प्रदर्शन बहुतेक मानवी फंड मॅनेजर्स बाजाराच्या निर्देशांकांना (Market Indexes) हरवण्यात संघर्ष करतात, त्यासारखेच आहे. AI मॉडेल्सनी विशिष्ट 'व्यक्तिमत्व' दाखवले, काहींनी लाँग पोझिशन्स (Long Positions) पसंत केल्या, काहींनी शॉर्ट-सेलिंग (Short-selling) केली, आणि काहींनी जास्त लिव्हरेज (Leverage) वापरले. या सर्वांसाठी मानवी विश्लेषकांप्रमाणेच त्यांच्या आउटपुटचे सक्रिय व्यवस्थापन आवश्यक होते. Nof1 चे संस्थापक, जे अल्फा एरिना चालवतात, जॉय अझांग (Jay Azhang) यांनी नमूद केले की AI मॉडेल्सना 'संधी मिळण्यासाठी एक अतिशय अत्याधुनिक सेटअप आणि डेटा प्लॅटफॉर्मची' गरज आहे. हे केवळ AI मॉडेलच नव्हे, तर व्यापक इन्फ्रास्ट्रक्चरची आवश्यकता दर्शवते. AI पॅटर्न ओळखण्यासाठी आणि प्रचंड डेटा प्रक्रिया करण्यासाठी चांगले असले तरी, या सार्वजनिक चाचण्या बाजारातील बारकावे समजून घेणे, ट्रेडची वेळ योग्य साधणे आणि जोखीम व्यवस्थापित करणे यातील AI च्या सध्याच्या मर्यादा स्पष्ट करतात.

प्रत्यक्ष AI वापर: कंपन्यांच्या आत, सार्वजनिक चाचण्यांमध्ये नाही

या प्रायोगिक अपयशांच्या अगदी उलट, प्रस्थापित वित्तीय संस्था AI चा काळजीपूर्वक वापर करत आहेत, अनेकदा पूर्णपणे ऑटोमॅटिक ट्रेडिंग डेस्क तयार करण्याऐवजी मानवांना मदत करण्यासाठी. JPMorgan Chase & Co. आणि Balyasny Asset Management सारख्या कंपन्या बातम्यांचे विश्लेषण (Parsing News), मेमो तयार करणे आणि फसवणूक ओळखणे (Detecting Fraud) यांसारख्या कामांसाठी AI वापरतात, परंतु प्रत्यक्ष ट्रेडिंग मानवांकडूनच केली जाते. हेज फंड्स (Hedge Funds) आणि प्रोप्रायटरी ट्रेडिंग फर्म्स (Proprietary Trading Firms) देखील AI चा वापर रिसर्च, ट्रेडिंग सिग्नल शोधणे आणि एक्झिक्युशन ऑप्टिमाइझ (Optimizing Execution) करण्यासाठी करतात, परंतु सामान्यतः कठोर देखरेखेखाली. उदाहरणार्थ, Man Group चे AlphaGPT ट्रेडिंग आयडिया तयार करते, परंतु त्यासाठी मानवी पुनरावलोकनाची (Human Review) आवश्यकता असते. AI अधिक विश्वसनीय यश विशिष्ट, डेटा-आधारित कामांमध्ये दाखवले आहे, जसे की कमाईचा अंदाज (Earnings Estimate) दिशा भाकीत करणे, जिथे OpenAI चे ChatGPT Q4 2025 मध्ये 68% अचूक होते. AI च्या विशिष्ट आर्थिक कामांसाठीचे मूल्यांकन करण्यासाठी नवीन बेंचमार्क देखील उदयास येत आहेत.

स्वायत्त AI ट्रेडिंगसमोर आव्हाने

थेट ट्रेडिंगसाठी AI च्या व्यापक वापराला अनेक गंभीर आव्हाने रोखत आहेत. चाचणीतील एक प्रमुख समस्या 'लुकअहेड बायस' (Lookahead Bias) आहे, जिथे AI मॉडेल्सना सिम्युलेशन दरम्यान भविष्यातील घटनांची माहिती असते. यामुळे भूतकाळातील निकाल अविश्वसनीय बनतात आणि प्रत्यक्ष बाजारात चाचणीची (Live Market Testing) आवश्यकता असते. याव्यतिरिक्त, AI ट्रेडिंग सिस्टम्स उत्पादन-तयार (Production-Ready) असणे आवश्यक आहे, जे केवळ रॉ मॉडेल इंटेलिजन्सवरच नव्हे, तर वेग, ब्रोकर कनेक्शन्स आणि मॉनिटरिंगवर लक्ष केंद्रित करतात. तज्ञांचे असे मत आहे की जो AI ट्रेडिंग बॉट टिकाऊ धार (Lasting Edge) दाखवत आहे, तो बहुधा गुप्तपणे काम करत असावा, जो विशेष ट्रेडिंग फर्म्समध्ये वापरल्या जाणार्‍या प्रोप्रायटरी तंत्रांनी (Proprietary Techniques) संरक्षित आहे. याचा अर्थ असा की सार्वजनिकपणे चाचणी केलेले मॉडेल्स संस्थात्मक यश मिळवण्यापासून खूप दूर आहेत. अभ्यासातून असे दिसून येते की मजबूत आकलन क्षमता असलेले AI मॉडेल्स देखील जटिल दस्तऐवजांमधून माहिती काढण्यात संघर्ष करू शकतात, जे आर्थिक विश्लेषणासाठी एक महत्त्वपूर्ण पाऊल आहे. तसेच, अनेक AI मॉडेल्स 'ब्लॅक बॉक्सेस' (Black Boxes) आहेत, म्हणजे त्यांची निर्णय प्रक्रिया अस्पष्ट आहे, ज्यामुळे जोखीम व्यवस्थापनाच्या (Risk Management) गंभीर चिंता वाढतात. खर्च आणि कार्यक्षमतेतील (Cost and Performance) तडजोड हे देखील एक महत्त्वपूर्ण आव्हान आहे.

फायनान्समध्ये AI: मानवांना मदत करणे, त्यांची जागा घेणे नाही

सध्याचे सार्वजनिक AI ट्रेडिंग प्रयोग, माहितीपूर्ण असले तरी, AI च्या अंतिम ट्रेडिंग क्षमतेबद्दल निष्कर्ष काढण्यासाठी व्याप्ती आणि कालावधीत खूपच मर्यादित आहेत. या चाचण्यांमध्ये अनेकदा प्रोप्रायटरी रिसर्चचा (Proprietary Research) अभाव असतो आणि संस्थात्मक खेळाडूंपेक्षा कमी एक्झिक्युशन क्षमता (Execution Capabilities) असते. AI स्पष्टपणे वित्तीय उद्योगात संशोधन सुधारून, कार्ये स्वयंचलित करून (Automating Tasks) आणि प्रगत विश्लेषण (Advanced Analysis) प्रदान करून बदल घडवत आहे, परंतु थेट ट्रेडिंगमधील त्याची भूमिका एक उत्क्रांती प्रक्रिया (Evolutionary Process) असल्याचे दिसते. सामान्य मत असे आहे की AI मानवी निर्णय क्षमता (Human Judgment) आणि सर्जनशीलता (Creativity) वाढवण्यासाठी एक शक्तिशाली साधन म्हणून काम करेल. यामुळे विश्लेषक आणि पोर्टफोलिओ मॅनेजर्सना अधिक डेटावर प्रक्रिया करता येईल, चांगले प्रश्न विचारता येतील आणि स्मार्ट निर्णय घेता येतील, मानवी देखरेख आणि धोरणांची पूर्णपणे जागा घेण्याऐवजी. खरे AI ट्रेडिंग यश, जेव्हा ते येईल, तेव्हा ते परिष्कृत क्वांटिटेटिव्ह फंड्समध्ये (Quantitative Funds) एक अदृश्य, प्रोप्रायटरी फायदा (Proprietary Advantage) म्हणून दिसून येईल, जे सार्वजनिक दृष्टीपासून दूर असेल.