معاملات مبتنی بر هوش مصنوعی هنوز به "لحظه آیفونی" خود نرسیده است، زمانی که همه یک مدیر پورتفولیوی الگوریتمی با یادگیری تقویتی در جیب خود داشته باشند، اما کارشناسان می‌گویند چیزی شبیه به آن در راه است.

در واقع، قدرت هوش مصنوعی هنگام مواجهه با عرصه پویا و رقابتی بازارهای معاملاتی با چالش روبرو می‌شود. برخلاف یک AI Agent که با مدارهای بی‌پایان خودروهای خودران برای تشخیص دقیق علائم ترافیکی آموزش دیده است، هیچ مقدار داده و مدل‌سازی هرگز نمی‌تواند آینده را پیش‌بینی کند.

این امر باعث می‌شود بهبود مدل‌های معاملاتی هوش مصنوعی فرآیندی پیچیده و دشوار باشد. معیار موفقیت معمولاً سنجش سود و زیان بوده است. اما پیشرفت‌ها در نحوه سفارشی‌سازی الگوریتم‌ها، عامل‌هایی را ایجاد می‌کند که به طور مداوم می‌آموزند تا هنگام مواجهه با شرایط متعدد بازار، ریسک و پاداش را متعادل کنند.

مایکل سنا، مدیر ارشد بازاریابی در Recall Labs، شرکتی که حدود 20 عرصه معاملاتی هوش مصنوعی را اجرا کرده است، جایی که یک جامعه AI Agent های معاملاتی را ارسال می‌کند و آن عامل‌ها در یک دوره چهار یا پنج روزه رقابت می‌کنند، گفت: اجازه دادن به معیارهای تعدیل شده ریسک مانند نسبت شارپ برای هدایت فرآیند یادگیری، پیچیدگی آزمون را چند برابر می‌کند.

سنا در مصاحبه‌ای گفت: "وقتی صحبت از اسکن بازار برای آلفا می‌شود، نسل بعدی سازندگان در حال بررسی سفارشی‌سازی و تخصصی‌سازی الگوریتم‌ها هستند و ترجیحات کاربر را در نظر می‌گیرند. بهینه‌سازی برای یک نسبت خاص و نه فقط سود و زیان خام، بیشتر شبیه روشی است که موسسات مالی پیشرو در بازارهای سنتی کار می‌کنند. بنابراین، به مواردی مانند حداکثر افت شما چقدر است، چقدر ارزش شما در معرض خطر بود تا این سود و زیان را ایجاد کنید، نگاه می‌کنند."

با یک نگاه به عقب، یک مسابقه معاملاتی اخیر در صرافی غیر متمرکز Hyperliquid، شامل چندین مدل زبانی بزرگ (LLM)، مانند GPT-5، DeepSeek و Gemini Pro، تا حدودی خط پایه را برای جایگاه هوش مصنوعی در دنیای معاملات تعیین کرد. به همه این LLM ها دستورالعمل یکسانی داده شد و به طور خودکار اجرا شدند و تصمیم‌گیری کردند. اما به گفته سنا، آنها چندان خوب نبودند و به سختی عملکرد بهتری نسبت به بازار داشتند.

سنا گفت: "ما مدل‌های هوش مصنوعی استفاده شده در مسابقه Hyperliquid را گرفتیم و به افراد اجازه دادیم عامل‌های معاملاتی که ساخته بودند را برای رقابت با آن مدل‌ها ارسال کنند. می‌خواستیم ببینیم آیا عامل‌های معاملاتی با آن تخصص اضافی، بهتر از مدل‌های بنیادی هستند یا خیر."

سه رتبه برتر در مسابقه Recall توسط مدل‌های سفارشی کسب شد. او گفت: "برخی مدل‌ها سودآور نبودند و عملکرد ضعیفی داشتند، اما مشخص شد که عامل‌های معاملاتی تخصصی که این مدل‌ها را می‌گیرند و منطق و استنتاج اضافی و منابع داده و چیزهایی را روی آن اعمال می‌کنند، عملکرد بهتری نسبت به هوش مصنوعی پایه دارند."

دموکراتیزه کردن معاملات مبتنی بر هوش مصنوعی سؤالات جالبی را در مورد اینکه آیا آلفایی برای پوشش باقی خواهد ماند اگر همه از همان سطح فناوری یادگیری ماشینی پیچیده استفاده کنند، مطرح می‌کند.

سنا گفت: "اگر همه از همان عامل استفاده کنند و آن عامل همان استراتژی را برای همه اجرا کند، آیا این به نوعی در خود فرو می‌ریزد؟ آیا آلفایی که تشخیص می‌دهد از بین می‌رود چون سعی می‌کند آن را در مقیاس بزرگ برای همه اجرا کند؟"

سنا گفت به همین دلیل کسانی که بهترین موقعیت را برای بهره‌مندی از مزیت معاملات هوش مصنوعی خواهند داشت، کسانی هستند که منابع لازم برای سرمایه‌گذاری در توسعه ابزارهای سفارشی را دارند. او افزود: همانطور که در امور مالی سنتی، ابزارهای با کیفیت بالا که بیشترین آلفا را تولید می‌کنند معمولاً عمومی نیستند.

سنا گفت: "مردم می‌خواهند این ابزارها را تا حد ممکن خصوصی نگه دارند، زیرا می‌خواهند از آن آلفا محافظت کنند. آنها هزینه زیادی برای آن پرداخت کرده‌اند. شما این را با صندوق‌های سرمایه‌گذاری که مجموعه‌های داده را می‌خرند دیده‌اید. می‌توانید آن را با الگوریتم‌های اختصاصی توسعه یافته توسط دفاتر خانوادگی ببینید.

"فکر می‌کنم نقطه جادویی جایی خواهد بود که محصولی وجود دارد که یک مدیر پورتفولیو است اما کاربر همچنان در استراتژی خود نظر دارد. آنها می‌توانند بگویند، 'این روشی است که من دوست دارم معامله کنم و اینها پارامترهای من هستند، بیایید چیزی مشابه را اجرا کنیم، اما آن را بهتر کنیم.'"