Baru-baru ini, Dr. Hugo Bowne-Anderson (DataCamp) dan Dr. Yves Hilpisch (The Python Quants) membahas bagaimana AI dapat dimanfaatkan dalam keuangan, bagaimana perbandingannya dengan pendekatan yang lebih tradisional, dan mengapa ilmuwan data kini menjadi pemain kunci di bidang keuangan. Mereka juga membahas ketidakpastian dan risiko, serta seberapa bermanfaat AI dan pembelajaran mesin saat terjadi kejatuhan pasar, peristiwa angsa hitam, dan pasar yang bergejolak. Tonton webinar sesuai permintaan atau lanjutkan membaca untuk beberapa poin penting.
Apa itu AI dan apa implikasinya?
Yves mendefinisikan kecerdasan buatan sebagai keseluruhan bidang yang berupaya meniru dan meningkatkan apa yang dapat dilakukan manusia. Dalam pengertian itu, AI dalam catur berusaha bermain catur lebih baik daripada manusia, dan AI dalam keuangan dapat berarti membangun dan melatih bot yang dapat berdagang lebih baik daripada manusia.
"AI adalah saat perangkat lunak mencapai sesuatu yang kita anggap sebagai tindakan cerdas. Dan kecerdasan dapat didefinisikan sebagai kemampuan untuk mencapai tujuan tertentu." —Dr. Yves Hilpisch
Mesin dapat mengikuti metode ilmiah jauh lebih efisien daripada manusia. Mesin mampu melihat data dan menemukan preferensi yang terungkap dengan melacak apa yang benar-benar dilakukan orang. Dari sana, mereka menurunkan wawasan. Mereka memanfaatkan jutaan titik data untuk membentuk wawasan ini, yang pada akhirnya jauh lebih akurat daripada model teoretis.
Lalu apa itu metode ilmiah?
"Anda menyusun sebuah eksperimen, mengumpulkan data, lalu mencoba menemukan dukungan untuk hipotesis, atau mungkin Anda menemukan data yang bertentangan dengan hipotesis. Langkah berikutnya adalah menyesuaikan hipotesis, asumsi Anda, atau mungkin menarik kembali hipotesis tersebut sama sekali. Proses metode ilmiah ini dapat direplikasi oleh mesin jutaan kali dalam hitungan detik." —Dr. Yves Hilpisch
AI telah memberikan keunggulan kompetitif besar dalam 20 tahun terakhir
AI memiliki tujuan yang sama dalam keuangan seperti di bidang lain: memperoleh keunggulan kompetitif. Dalam keuangan, AI mulai berkembang pada 1950-an ketika Markowitz memelopori model keuangan kuantitatif pertama. Itu merupakan model pertama dalam teori portofolio varian yang diterima secara luas. Saat ini, model tersebut masih digunakan untuk mengelola triliunan dolar. Namun, model itu menggunakan teori normatif yang didasarkan pada analisis berbagai kemungkinan portofolio sekuritas—bukan preskriptif karena tidak menyarankan tindakan yang mungkin diambil. Jadi model itu tidak berbasis data, melainkan data perilaku atau data pasar.
Dalam 20 tahun terakhir, data menjadi lebih mudah diakses daripada sebelumnya—kuncinya adalah menggunakannya secara tepat. Buku Gregory Zuckerman The Man Who Solved the Market menguraikan bagaimana hedge fund Renaissance Technologies memelopori pengumpulan data untuk keuntungan finansial. Saat ini, hampir setiap industri telah mengadopsi strategi mereka dalam membuat model matematika dan mengolah data—dan akibatnya mampu membuat keputusan yang lebih optimal.
Use case modern dan praktik terbaik untuk keuangan kuantitatif
Telah terjadi evolusi dramatis AI di pasar keuangan. Misalnya, dengan memanfaatkan gunungan data yang tersedia saat ini, model pembelajaran terawasi mampu memprediksi perilaku kreditur atau konsumen dengan tingkat akurasi yang tinggi. Perdagangan algoritmik juga memanfaatkan pembelajaran penguatan untuk memberikan hadiah dan hukuman kepada bot perdagangan berdasarkan seberapa banyak uang yang mereka hasilkan atau hilangkan.
"Kini kita memiliki jutaan dan jutaan titik data yang dapat digunakan untuk menganalisis perilaku manusia. Dan dengan teknologi baru yang kita miliki, bank dan institusi [seperti] startup fintech menjadi sepuluh kali, seratus kali lebih baik dalam memprediksi perilaku konsumen, perilaku kreditur, dan sebagainya, daripada setiap teori yang pernah diciptakan oleh para profesor keuangan." —Dr. Yves Hilpisch
Namun pada masa seperti sekarang ketika volatilitas pasar tinggi, jelas bahwa AI dalam keuangan memerlukan langkah-langkah pengamanan. Pembelajaran terawasi bergantung pada data historis dan mengasumsikan bahwa apa yang terjadi di masa lalu mewakili apa yang akan terjadi di masa depan. Ini adalah logika yang keliru saat pasar bergejolak. Itulah mengapa Anda harus memiliki aturan untuk mencegah keputusan perdagangan yang buruk, seperti memasang stop loss—yang menentukan harga saat suatu sekuritas atau komoditas akan dijual—pada algoritme. Logika ini membatasi kerugian yang terlalu besar untuk ditanggung dan mirip dengan memasang mekanisme keamanan pada mobil swakemudi untuk mencegahnya menabrak pejalan kaki di trotoar. AI berguna untuk mengurangi risiko yang timbul dari peristiwa terkini dan dampaknya terhadap pasar. Dalam peristiwa angsa hitam, taktik pembelajaran terawasi harus dipantau dengan cermat, dan pembelajaran penguatan dapat digunakan untuk melatih ulang model berdasarkan kondisi pasar baru. Intervensi manusia dan pemantauan cermat terhadap algoritme yang diterapkan masih akan diperlukan dalam waktu yang dapat diperkirakan.
Kebutuhan akan alat yang sederhana, dapat direplikasi, dan dapat diskalakan
Dalam keuangan komputasional, simulasi Monte Carlo memiliki pendekatan yang berorientasi ke depan yang dimulai pada titik waktu tertentu dan mensimulasikan ke masa depan. Python adalah alat yang sangat baik untuk ini. Tumpukan data Python saat ini adalah sekumpulan paket interoperabel yang memungkinkan Anda mengambil data, mentransformasikannya dengan pandas, melakukan pemodelan statistik, dan membuat algoritme pembelajaran mesin. Python memungkinkan semua ini terjadi dalam skala besar. Saat ini, perdagangan algoritmik bergantung pada ketersediaan alat yang tepat. Dan mendapatkan pekerjaan di industri ini memerlukan tingkat kemahiran tertentu dalam alat-alat ini—khususnya, Python dan R. Paket Python pandas dan kerangka kerja seperti TensorFlow dan Keras telah memungkinkan banyak orang untuk melakukan hal-hal yang sebelumnya tidak mungkin.
Menurunkan hambatan masuk
Mempelajari cara menggunakan alat-alat ini merupakan investasi besar, dan semakin banyak perusahaan serta individu yang melakukan investasi ini dibanding sebelumnya. Penawaran edukasi seperti DataCamp dan The Python Quants dapat mendemokratisasi proses pembelajaran. Para pembelajar menjadi akrab dengan konsep ilmu data dan pembelajaran mesin serta terbiasa membangun algoritme secara mandiri dalam lingkungan pengkodean. Mereka juga dapat memahami cara menyiapkan lingkungan dan rantai alat yang tepat untuk bekerja di server—memberdayakan mereka untuk menerapkan algoritme di cloud.
