ਕੀ AI ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ?

ਜਾਣ-ਪਛਾਣ

ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਦੁਨੀਆ ਭਰ ਦੇ ਸੰਸਥਾਗਤ ਅਤੇ ਪ੍ਰਚੂਨ ਨਿਵੇਸ਼ਕਾਂ ਦੁਆਰਾ ਮੰਗਿਆ ਜਾਣ ਵਾਲਾ ਇੱਕ ਵਿੱਤੀ "ਪਵਿੱਤਰ ਗ੍ਰੇਲ" ਰਿਹਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) , ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਹੈਰਾਨ ਹਨ ਕਿ ਕੀ ਇਹਨਾਂ ਤਕਨਾਲੋਜੀਆਂ ਨੇ ਅੰਤ ਵਿੱਚ ਸਟਾਕ ਕੀਮਤਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਰਾਜ਼ ਨੂੰ ਖੋਲ੍ਹ ਦਿੱਤਾ ਹੈ। ਕੀ AI ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ? ਇਹ ਵ੍ਹਾਈਟ ਪੇਪਰ ਇੱਕ ਵਿਸ਼ਵਵਿਆਪੀ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਇਸ ਸਵਾਲ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ AI-ਸੰਚਾਲਿਤ ਮਾਡਲ ਬਾਜ਼ਾਰ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ, ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੇ ਪਿੱਛੇ ਸਿਧਾਂਤਕ ਬੁਨਿਆਦ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਦਰਪੇਸ਼ ਅਸਲ ਸੀਮਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਿਵੇਂ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਵਿੱਤੀ ਬਾਜ਼ਾਰ ਭਵਿੱਖਬਾਣੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਕੀ ਨਹੀਂ

ਵਿੱਤੀ ਸਿਧਾਂਤ ਵਿੱਚ, ਭਵਿੱਖਬਾਣੀ ਦੀ ਚੁਣੌਤੀ ਨੂੰ ਕੁਸ਼ਲ ਮਾਰਕੀਟ ਪਰਿਕਲਪਨਾ (EMH) । EMH (ਖਾਸ ਕਰਕੇ ਇਸਦੇ "ਮਜ਼ਬੂਤ" ਰੂਪ ਵਿੱਚ) ਇਹ ਮੰਨਦਾ ਹੈ ਕਿ ਸਟਾਕ ਕੀਮਤਾਂ ਕਿਸੇ ਵੀ ਸਮੇਂ ਉਪਲਬਧ ਸਾਰੀ ਜਾਣਕਾਰੀ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਕੋਈ ਵੀ ਨਿਵੇਸ਼ਕ (ਅੰਦਰੂਨੀ ਵੀ ਨਹੀਂ) ਉਪਲਬਧ ਜਾਣਕਾਰੀ 'ਤੇ ਵਪਾਰ ਕਰਕੇ ਬਾਜ਼ਾਰ ਨੂੰ ਲਗਾਤਾਰ ਪਛਾੜ ਨਹੀਂ ਸਕਦਾ ( ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ 'ਤੇ ਅਧਾਰਤ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ: ਇੱਕ ਸਮੀਖਿਆ )। ਸਰਲ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਜੇਕਰ ਬਾਜ਼ਾਰ ਬਹੁਤ ਕੁਸ਼ਲ ਹਨ ਅਤੇ ਕੀਮਤਾਂ ਇੱਕ ਬੇਤਰਤੀਬ ਸੈਰ , ਤਾਂ ਭਵਿੱਖ ਦੀਆਂ ਕੀਮਤਾਂ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਲਗਭਗ ਅਸੰਭਵ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਸਿਧਾਂਤ ਦੇ ਬਾਵਜੂਦ, ਬਾਜ਼ਾਰ ਨੂੰ ਹਰਾਉਣ ਦੇ ਲਾਲਚ ਨੇ ਉੱਨਤ ਭਵਿੱਖਬਾਣੀ ਵਿਧੀਆਂ ਵਿੱਚ ਵਿਆਪਕ ਖੋਜ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਹੈ। AI ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਇਸ ਖੋਜ ਲਈ ਕੇਂਦਰੀ ਬਣ ਗਏ ਹਨ, ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਅਤੇ ਸੂਖਮ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਉਨ੍ਹਾਂ ਦੀ ਯੋਗਤਾ ਦੇ ਕਾਰਨ ਜੋ ਮਨੁੱਖ ਗੁਆ ਸਕਦੇ ਹਨ ( ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਨਾ... | FMP )।

ਇਹ ਵ੍ਹਾਈਟ ਪੇਪਰ ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ AI ਤਕਨੀਕਾਂ ਦੀ ਇੱਕ ਵਿਆਪਕ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਪ੍ਰਸਿੱਧ ਮਾਡਲਾਂ (ਰਵਾਇਤੀ ਸਮਾਂ-ਸੀਰੀਜ਼ ਵਿਧੀਆਂ ਤੋਂ ਲੈ ਕੇ ਡੂੰਘੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ ਤੱਕ) ਦੀਆਂ ਸਿਧਾਂਤਕ ਬੁਨਿਆਦਾਂ ਇਹਨਾਂ ਮਾਡਲਾਂ ਲਈ ਡੇਟਾ ਅਤੇ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ 'ਤੇ ਸੀਮਾਵਾਂ ਅਤੇ ਚੁਣੌਤੀਆਂ ਨੂੰ ਜੋ ਅਜਿਹੇ ਸਿਸਟਮਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਮਾਰਕੀਟ ਕੁਸ਼ਲਤਾ, ਡੇਟਾ ਸ਼ੋਰ, ਅਤੇ ਅਣਪਛਾਤੇ ਬਾਹਰੀ ਘਟਨਾਵਾਂ। ਹੁਣ ਤੱਕ ਪ੍ਰਾਪਤ ਹੋਏ ਮਿਸ਼ਰਤ ਨਤੀਜਿਆਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਅਸਲ-ਸੰਸਾਰ ਅਧਿਐਨ ਅਤੇ ਉਦਾਹਰਣਾਂ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਨਿਵੇਸ਼ਕਾਂ ਅਤੇ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਲਈ ਯਥਾਰਥਵਾਦੀ ਉਮੀਦਾਂ ਨਾਲ ਸਿੱਟਾ ਕੱਢਦੇ ਹਾਂ: AI ਦੀਆਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦੇ ਹੋਏ ਇਹ ਪਛਾਣਦੇ ਹੋਏ ਕਿ ਵਿੱਤੀ ਬਾਜ਼ਾਰ ਅਣਪਛਾਤੀਤਾ ਦੇ ਪੱਧਰ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹਨ ਜਿਸਨੂੰ ਕੋਈ ਵੀ ਐਲਗੋਰਿਦਮ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖਤਮ ਨਹੀਂ ਕਰ ਸਕਦਾ।

ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ AI ਦੀਆਂ ਸਿਧਾਂਤਕ ਬੁਨਿਆਦਾਂ

ਆਧੁਨਿਕ AI-ਅਧਾਰਿਤ ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ ਅੰਕੜਾ, ਵਿੱਤ ਅਤੇ ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ ਵਿੱਚ ਦਹਾਕਿਆਂ ਦੀ ਖੋਜ 'ਤੇ ਆਧਾਰਿਤ ਹੈ। ਰਵਾਇਤੀ ਮਾਡਲਾਂ ਤੋਂ ਲੈ ਕੇ ਅਤਿ-ਆਧੁਨਿਕ AI ਤੱਕ ਦੇ ਪਹੁੰਚਾਂ ਦੇ ਸਪੈਕਟ੍ਰਮ ਨੂੰ ਸਮਝਣਾ ਲਾਭਦਾਇਕ ਹੈ:

• ਪਰੰਪਰਾਗਤ ਸਮਾਂ-ਸੀਰੀਜ਼ ਮਾਡਲ: ਸ਼ੁਰੂਆਤੀ ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ ਅੰਕੜਾ ਮਾਡਲਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਸੀ ਜੋ ਪਿਛਲੀਆਂ ਕੀਮਤਾਂ ਵਿੱਚ ਪੈਟਰਨ ਮੰਨਦੇ ਹਨ ਕਿ ਭਵਿੱਖ ਨੂੰ ਪੇਸ਼ ਕਰ ਸਕਦੇ ਹਨ। ARIMA (ਆਟੋ-ਰਿਗਰੈਸਿਵ ਇੰਟੀਗ੍ਰੇਟਿਡ ਮੂਵਿੰਗ ਐਵਰੇਜ) ਅਤੇ ARCH/GARCH ਸਮਾਂ-ਸੀਰੀਜ਼ ਡੇਟਾ ਵਿੱਚ ਰੇਖਿਕ ਰੁਝਾਨਾਂ ਅਤੇ ਅਸਥਿਰਤਾ ਕਲੱਸਟਰਿੰਗ ਨੂੰ ਕੈਪਚਰ ਕਰਨ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੇ ਹਨ ( ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ 'ਤੇ ਅਧਾਰਤ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ: ਇੱਕ ਸਮੀਖਿਆ )। ਇਹ ਮਾਡਲ ਸਥਿਰਤਾ ਅਤੇ ਰੇਖਿਕਤਾ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੇ ਤਹਿਤ ਇਤਿਹਾਸਕ ਕੀਮਤ ਕ੍ਰਮਾਂ ਨੂੰ ਮਾਡਲਿੰਗ ਕਰਕੇ ਭਵਿੱਖਬਾਣੀ ਲਈ ਇੱਕ ਆਧਾਰਲਾਈਨ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਲਾਭਦਾਇਕ ਹੋਣ ਦੇ ਬਾਵਜੂਦ, ਰਵਾਇਤੀ ਮਾਡਲ ਅਕਸਰ ਅਸਲ ਬਾਜ਼ਾਰਾਂ ਦੇ ਗੁੰਝਲਦਾਰ, ਗੈਰ-ਰੇਖਿਕ ਪੈਟਰਨਾਂ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਅਭਿਆਸ ਵਿੱਚ ਸੀਮਤ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ ਹੁੰਦੀ ਹੈ ( ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ 'ਤੇ ਅਧਾਰਤ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ: ਇੱਕ ਸਮੀਖਿਆ )।

• ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ: ਡੇਟਾ ਤੋਂ ਸਿੱਧੇ ਪੈਟਰਨ ਸਿੱਖ ਕੇ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਅੰਕੜਾ ਫਾਰਮੂਲਿਆਂ ਤੋਂ ਪਰੇ ਜਾਂਦੀਆਂ ਹਨ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ (SVM) , ਰੈਂਡਮ ਫੋਰੈਸਟ , ਅਤੇ ਗਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ ਵਰਗੇ ਐਲਗੋਰਿਦਮ ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ 'ਤੇ ਲਾਗੂ ਕੀਤੇ ਗਏ ਹਨ। ਉਹ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹਨ - ਤਕਨੀਕੀ ਸੂਚਕਾਂ (ਜਿਵੇਂ ਕਿ, ਮੂਵਿੰਗ ਔਸਤ, ਵਪਾਰ ਵਾਲੀਅਮ) ਤੋਂ ਲੈ ਕੇ ਬੁਨਿਆਦੀ ਸੂਚਕਾਂ (ਜਿਵੇਂ ਕਿ, ਕਮਾਈ, ਮੈਕਰੋਇਕਨਾਮਿਕ ਡੇਟਾ) ਤੱਕ - ਅਤੇ ਉਹਨਾਂ ਵਿੱਚ ਗੈਰ-ਲੀਨੀਅਰ ਸਬੰਧ ਲੱਭ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਬੇਤਰਤੀਬ ਜੰਗਲ ਜਾਂ ਗਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ ਮਾਡਲ ਇੱਕੋ ਸਮੇਂ ਦਰਜਨਾਂ ਕਾਰਕਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰ ਸਕਦਾ ਹੈ, ਉਹਨਾਂ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਇੱਕ ਸਧਾਰਨ ਰੇਖਿਕ ਮਾਡਲ ਗੁਆ ਸਕਦਾ ਹੈ। ਇਹਨਾਂ ML ਮਾਡਲਾਂ ਨੇ ਡੇਟਾ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਸਿਗਨਲਾਂ ਦਾ ਪਤਾ ਲਗਾ ਕੇ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਮੂਲੀ ਰੂਪ ਵਿੱਚ ਬਿਹਤਰ ਬਣਾਉਣ ਦੀ ਯੋਗਤਾ ਦਿਖਾਈ ਹੈ ( ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ... | FMP )। ਹਾਲਾਂਕਿ, ਉਹਨਾਂ ਨੂੰ ਓਵਰਫਿਟਿੰਗ (ਸਿਗਨਲ ਦੀ ਬਜਾਏ ਸਿੱਖਣ ਦਾ ਸ਼ੋਰ) ਤੋਂ ਬਚਣ ਲਈ ਧਿਆਨ ਨਾਲ ਟਿਊਨਿੰਗ ਅਤੇ ਕਾਫ਼ੀ ਡੇਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

• ਡੀਪ ਲਰਨਿੰਗ (ਨਿਊਰਲ ਨੈੱਟਵਰਕ): ਡੂੰਘੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ , ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਪ੍ਰਸਿੱਧ ਹੋ ਗਏ ਹਨ। ਇਹਨਾਂ ਵਿੱਚੋਂ, ਰਿਕਰੰਟ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (RNNs) ਅਤੇ ਉਹਨਾਂ ਦੇ ਰੂਪ ਲੰਬੀ ਸ਼ਾਰਟ-ਟਰਮ ਮੈਮੋਰੀ (LSTM) ਨੈੱਟਵਰਕ ਖਾਸ ਤੌਰ 'ਤੇ ਸਟਾਕ ਕੀਮਤ ਸਮਾਂ ਲੜੀ ਵਰਗੇ ਕ੍ਰਮ ਡੇਟਾ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। LSTMs ਪਿਛਲੀ ਜਾਣਕਾਰੀ ਦੀ ਯਾਦ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖ ਸਕਦੇ ਹਨ ਅਤੇ ਅਸਥਾਈ ਨਿਰਭਰਤਾਵਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਹ ਮਾਰਕੀਟ ਡੇਟਾ ਵਿੱਚ ਰੁਝਾਨਾਂ, ਚੱਕਰਾਂ, ਜਾਂ ਹੋਰ ਸਮਾਂ-ਨਿਰਭਰ ਪੈਟਰਨਾਂ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਢੁਕਵੇਂ ਬਣਦੇ ਹਨ। ਖੋਜ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ LSTMs ਅਤੇ ਹੋਰ ਡੂੰਘੇ ਸਿੱਖਣ ਵਾਲੇ ਮਾਡਲ ਗੁੰਝਲਦਾਰ, ਗੈਰ-ਲੀਨੀਅਰ ਸਬੰਧਾਂ ਨੂੰ ਜੋ ਸਧਾਰਨ ਮਾਡਲ ਖੁੰਝ ਜਾਂਦੇ ਹਨ। ਹੋਰ ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੇ ਤਰੀਕਿਆਂ ਵਿੱਚ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (CNNs) (ਕਈ ਵਾਰ ਤਕਨੀਕੀ ਸੂਚਕ "ਚਿੱਤਰਾਂ" ਜਾਂ ਏਨਕੋਡ ਕੀਤੇ ਕ੍ਰਮਾਂ 'ਤੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ), ਟ੍ਰਾਂਸਫਾਰਮਰ (ਜੋ ਵੱਖ-ਵੱਖ ਸਮੇਂ ਦੇ ਕਦਮਾਂ ਜਾਂ ਡੇਟਾ ਸਰੋਤਾਂ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਤੋਲਣ ਲਈ ਧਿਆਨ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ), ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਗ੍ਰਾਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (GNNs) (ਮਾਰਕੀਟ ਗ੍ਰਾਫ ਵਿੱਚ ਸਟਾਕਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ) ਸ਼ਾਮਲ ਹਨ। ਇਹ ਉੱਨਤ ਨਿਊਰਲ ਨੈੱਟ ਨਾ ਸਿਰਫ਼ ਕੀਮਤ ਡੇਟਾ ਨੂੰ ਗ੍ਰਹਿਣ ਕਰ ਸਕਦੇ ਹਨ, ਸਗੋਂ ਵਿਕਲਪਿਕ ਡੇਟਾ ਸਰੋਤਾਂ ਜਿਵੇਂ ਕਿ ਖ਼ਬਰਾਂ ਦਾ ਟੈਕਸਟ, ਸੋਸ਼ਲ ਮੀਡੀਆ ਭਾਵਨਾ, ਅਤੇ ਹੋਰ ਵੀ ਬਹੁਤ ਕੁਝ, ਐਬਸਟਰੈਕਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿੱਖ ਸਕਦੇ ਹਨ ਜੋ ਮਾਰਕੀਟ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੀਆਂ ਹਨ ( ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ... | FMP )। ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੀ ਲਚਕਤਾ ਇੱਕ ਲਾਗਤ ਦੇ ਨਾਲ ਆਉਂਦੀ ਹੈ: ਉਹ ਡੇਟਾ-ਭੁੱਖੇ, ਗਣਨਾਤਮਕ ਤੌਰ 'ਤੇ ਤੀਬਰ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਅਕਸਰ ਘੱਟ ਵਿਆਖਿਆਯੋਗਤਾ ਦੇ ਨਾਲ "ਬਲੈਕ ਬਾਕਸ" ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ।

• ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ: AI ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਇੱਕ ਹੋਰ ਸਰਹੱਦ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ (RL) , ਜਿੱਥੇ ਟੀਚਾ ਸਿਰਫ਼ ਕੀਮਤਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇੱਕ ਅਨੁਕੂਲ ਵਪਾਰਕ ਰਣਨੀਤੀ ਸਿੱਖਣਾ ਹੈ। ਇੱਕ RL ਫਰੇਮਵਰਕ ਵਿੱਚ, ਇੱਕ ਏਜੰਟ (AI ਮਾਡਲ) ਕਾਰਵਾਈਆਂ (ਖਰੀਦੋ, ਵੇਚੋ, ਹੋਲਡ ਕਰੋ) ਅਤੇ ਇਨਾਮ (ਮੁਨਾਫ਼ਾ ਜਾਂ ਨੁਕਸਾਨ) ਪ੍ਰਾਪਤ ਕਰਕੇ ਇੱਕ ਵਾਤਾਵਰਣ (ਮਾਰਕੀਟ) ਨਾਲ ਗੱਲਬਾਤ ਕਰਦਾ ਹੈ। ਸਮੇਂ ਦੇ ਨਾਲ, ਏਜੰਟ ਇੱਕ ਨੀਤੀ ਸਿੱਖਦਾ ਹੈ ਜੋ ਸੰਚਤ ਇਨਾਮ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਦੀ ਹੈ। ਡੀਪ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ (DRL) ਬਾਜ਼ਾਰਾਂ ਦੇ ਵੱਡੇ ਸਟੇਟ-ਸਪੇਸ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਨਾਲ ਜੋੜਦੀ ਹੈ। ਵਿੱਤ ਵਿੱਚ RL ਦੀ ਅਪੀਲ ਫੈਸਲਿਆਂ ਦੇ ਕ੍ਰਮ 'ਤੇ ਅਤੇ ਨਿਵੇਸ਼ ਵਾਪਸੀ ਲਈ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੀ ਯੋਗਤਾ ਹੈ, ਨਾ ਕਿ ਇਕੱਲਤਾ ਵਿੱਚ ਕੀਮਤਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਬਜਾਏ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ RL ਏਜੰਟ ਕੀਮਤ ਸੰਕੇਤਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਸਥਿਤੀਆਂ ਵਿੱਚ ਕਦੋਂ ਦਾਖਲ ਹੋਣਾ ਜਾਂ ਬਾਹਰ ਨਿਕਲਣਾ ਹੈ ਇਹ ਸਿੱਖ ਸਕਦਾ ਹੈ ਅਤੇ ਬਾਜ਼ਾਰ ਦੀਆਂ ਸਥਿਤੀਆਂ ਬਦਲਣ ਦੇ ਨਾਲ ਵੀ ਅਨੁਕੂਲ ਹੋ ਸਕਦਾ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ, RL ਦੀ ਵਰਤੋਂ AI ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਕੀਤੀ ਗਈ ਹੈ ਜੋ ਮਾਤਰਾਤਮਕ ਵਪਾਰਕ ਮੁਕਾਬਲਿਆਂ ਅਤੇ ਕੁਝ ਮਲਕੀਅਤ ਵਪਾਰ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਮੁਕਾਬਲਾ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, RL ਵਿਧੀਆਂ ਨੂੰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ: ਉਹਨਾਂ ਨੂੰ ਵਿਆਪਕ ਸਿਖਲਾਈ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ (ਸਾਲਾਂ ਦੇ ਵਪਾਰਾਂ ਦੀ ਨਕਲ ਕਰਦੇ ਹੋਏ), ਜੇਕਰ ਧਿਆਨ ਨਾਲ ਟਿਊਨ ਨਾ ਕੀਤਾ ਜਾਵੇ ਤਾਂ ਉਹ ਅਸਥਿਰਤਾ ਜਾਂ ਵੱਖੋ-ਵੱਖਰੇ ਵਿਵਹਾਰ ਤੋਂ ਪੀੜਤ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਮੰਨੇ ਗਏ ਬਾਜ਼ਾਰ ਵਾਤਾਵਰਣ ਪ੍ਰਤੀ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੀ ਹੈ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਉੱਚ ਗਣਨਾਤਮਕ ਲਾਗਤ ਅਤੇ ਸਥਿਰਤਾ ਸਮੱਸਿਆਵਾਂ ਡੂੰਘੀ ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ) ਬਣਾਉਣ ਲਈ ਹੋਰ ਤਕਨੀਕਾਂ (ਜਿਵੇਂ ਕਿ, ਕੀਮਤ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਾਂ ਅਤੇ ਇੱਕ RL-ਅਧਾਰਤ ਵੰਡ ਰਣਨੀਤੀ ਦੀ ) ਨਾਲ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ।

ਡਾਟਾ ਸਰੋਤ ਅਤੇ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ

ਮਾਡਲ ਕਿਸਮ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ, ਡੇਟਾ ਏਆਈ ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਹੈ। ਮਾਡਲਾਂ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਇਤਿਹਾਸਕ ਮਾਰਕੀਟ ਡੇਟਾ ਅਤੇ ਹੋਰ ਸੰਬੰਧਿਤ ਡੇਟਾਸੈਟਾਂ 'ਤੇ ਪੈਟਰਨਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਆਮ ਡੇਟਾ ਸਰੋਤਾਂ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਇਤਿਹਾਸਕ ਕੀਮਤਾਂ ਅਤੇ ਤਕਨੀਕੀ ਸੂਚਕ: ਲਗਭਗ ਸਾਰੇ ਮਾਡਲ ਪਿਛਲੀਆਂ ਸਟਾਕ ਕੀਮਤਾਂ (ਖੁੱਲ੍ਹੇ, ਉੱਚ, ਘੱਟ, ਬੰਦ) ਅਤੇ ਵਪਾਰਕ ਮਾਤਰਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇਹਨਾਂ ਤੋਂ, ਵਿਸ਼ਲੇਸ਼ਕ ਅਕਸਰ ਤਕਨੀਕੀ ਸੂਚਕਾਂ (ਮੂਵਿੰਗ ਔਸਤ, ਸਾਪੇਖਿਕ ਤਾਕਤ ਸੂਚਕਾਂਕ, MACD, ਆਦਿ) ਨੂੰ ਇਨਪੁਟ ਵਜੋਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਇਹ ਸੂਚਕ ਰੁਝਾਨਾਂ ਜਾਂ ਗਤੀ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਮਾਡਲ ਸ਼ੋਸ਼ਣ ਕਰ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਮਾਡਲ ਅਗਲੇ ਦਿਨ ਦੀ ਕੀਮਤ ਦੀ ਗਤੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕੀਮਤਾਂ ਅਤੇ ਮਾਤਰਾ ਦੇ ਆਖਰੀ 10 ਦਿਨਾਂ, ਨਾਲ ਹੀ 10-ਦਿਨਾਂ ਦੀ ਮੂਵਿੰਗ ਔਸਤ ਜਾਂ ਅਸਥਿਰਤਾ ਮਾਪ ਵਰਗੇ ਸੂਚਕਾਂ ਨੂੰ ਇਨਪੁਟ ਵਜੋਂ ਲੈ ਸਕਦਾ ਹੈ।

• ਮਾਰਕੀਟ ਸੂਚਕਾਂਕ ਅਤੇ ਆਰਥਿਕ ਡੇਟਾ: ਬਹੁਤ ਸਾਰੇ ਮਾਡਲ ਵਿਆਪਕ ਮਾਰਕੀਟ ਜਾਣਕਾਰੀ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਸੂਚਕਾਂਕ ਪੱਧਰ, ਵਿਆਜ ਦਰਾਂ, ਮਹਿੰਗਾਈ, ਜੀਡੀਪੀ ਵਾਧਾ, ਜਾਂ ਹੋਰ ਆਰਥਿਕ ਸੂਚਕ। ਇਹ ਮੈਕਰੋ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸੰਦਰਭ (ਜਿਵੇਂ ਕਿ ਸਮੁੱਚੀ ਮਾਰਕੀਟ ਭਾਵਨਾ ਜਾਂ ਆਰਥਿਕ ਸਿਹਤ) ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ ਜੋ ਵਿਅਕਤੀਗਤ ਸਟਾਕ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੀਆਂ ਹਨ।

• ਖ਼ਬਰਾਂ ਅਤੇ ਭਾਵਨਾ ਡੇਟਾ: ਏਆਈ ਸਿਸਟਮਾਂ ਦੀ ਵੱਧਦੀ ਗਿਣਤੀ ਗੈਰ-ਸੰਗਠਿਤ ਡੇਟਾ ਨੂੰ ਗ੍ਰਹਿਣ ਕਰਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਖ਼ਬਰਾਂ ਦੇ ਲੇਖ, ਸੋਸ਼ਲ ਮੀਡੀਆ ਫੀਡ (ਟਵਿੱਟਰ, ਸਟਾਕਟਵਿਟਸ), ਅਤੇ ਵਿੱਤੀ ਰਿਪੋਰਟਾਂ। ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ (ਐਨਐਲਪੀ) ਤਕਨੀਕਾਂ, ਜਿਸ ਵਿੱਚ ਬੀਈਆਰਟੀ ਵਰਗੇ ਉੱਨਤ ਮਾਡਲ ਸ਼ਾਮਲ ਹਨ, ਦੀ ਵਰਤੋਂ ਮਾਰਕੀਟ ਭਾਵਨਾ ਨੂੰ ਮਾਪਣ ਜਾਂ ਸੰਬੰਧਿਤ ਘਟਨਾਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਜੇਕਰ ਖ਼ਬਰਾਂ ਦੀ ਭਾਵਨਾ ਅਚਾਨਕ ਕਿਸੇ ਕੰਪਨੀ ਜਾਂ ਖੇਤਰ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਨਕਾਰਾਤਮਕ ਹੋ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇੱਕ ਏਆਈ ਮਾਡਲ ਸੰਬੰਧਿਤ ਸਟਾਕ ਕੀਮਤਾਂ ਵਿੱਚ ਗਿਰਾਵਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ। ਅਸਲ-ਸਮੇਂ ਦੀਆਂ ਖ਼ਬਰਾਂ ਅਤੇ ਸੋਸ਼ਲ ਮੀਡੀਆ ਭਾਵਨਾ ਨੂੰ , ਏਆਈ ਮਨੁੱਖੀ ਵਪਾਰੀਆਂ ਨਾਲੋਂ ਨਵੀਂ ਜਾਣਕਾਰੀ ਪ੍ਰਤੀ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰ ਸਕਦਾ ਹੈ।

• ਵਿਕਲਪਿਕ ਡੇਟਾ: ਕੁਝ ਸੂਝਵਾਨ ਹੇਜ ਫੰਡ ਅਤੇ ਏਆਈ ਖੋਜਕਰਤਾ ਭਵਿੱਖਬਾਣੀ ਸੂਝ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਿਕਲਪਿਕ ਡੇਟਾ ਸਰੋਤਾਂ - ਸੈਟੇਲਾਈਟ ਇਮੇਜਰੀ (ਸਟੋਰ ਟ੍ਰੈਫਿਕ ਜਾਂ ਉਦਯੋਗਿਕ ਗਤੀਵਿਧੀ ਲਈ), ਕ੍ਰੈਡਿਟ ਕਾਰਡ ਲੈਣ-ਦੇਣ ਡੇਟਾ, ਵੈੱਬ ਖੋਜ ਰੁਝਾਨ, ਆਦਿ - ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇਹ ਗੈਰ-ਰਵਾਇਤੀ ਡੇਟਾਸੈੱਟ ਕਈ ਵਾਰ ਸਟਾਕ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਪ੍ਰਮੁੱਖ ਸੂਚਕਾਂ ਵਜੋਂ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ, ਹਾਲਾਂਕਿ ਉਹ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਜਟਿਲਤਾ ਵੀ ਪੇਸ਼ ਕਰਦੇ ਹਨ।

ਸਟਾਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਈ ਇੱਕ AI ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵਿੱਚ ਇਸ ਇਤਿਹਾਸਕ ਡੇਟਾ ਨੂੰ ਫੀਡ ਕਰਨਾ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਗਲਤੀ ਨੂੰ ਘੱਟ ਕਰਨ ਲਈ ਮਾਡਲ ਦੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਐਡਜਸਟ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਡੇਟਾ ਨੂੰ ਇੱਕ ਸਿਖਲਾਈ ਸੈੱਟ (ਉਦਾਹਰਨ ਲਈ, ਪੈਟਰਨ ਸਿੱਖਣ ਲਈ ਪੁਰਾਣਾ ਇਤਿਹਾਸ) ਅਤੇ ਇੱਕ ਟੈਸਟ/ਪ੍ਰਮਾਣਿਕਤਾ ਸੈੱਟ (ਅਣਦੇਖੇ ਹਾਲਾਤਾਂ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਤਾਜ਼ਾ ਡੇਟਾ) ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। ਮਾਰਕੀਟ ਡੇਟਾ ਦੀ ਕ੍ਰਮਵਾਰ ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, "ਭਵਿੱਖ ਵਿੱਚ ਝਾਤੀ ਮਾਰਨ" ਤੋਂ ਬਚਣ ਲਈ ਧਿਆਨ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ - ਉਦਾਹਰਣ ਵਜੋਂ, ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਸਿਖਲਾਈ ਅਵਧੀ ਤੋਂ ਬਾਅਦ ਦੇ ਸਮੇਂ ਦੇ ਡੇਟਾ 'ਤੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਹ ਨਕਲ ਕਰਨ ਲਈ ਕਿ ਉਹ ਅਸਲ ਵਪਾਰ ਵਿੱਚ ਕਿਵੇਂ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਗੇ। ਕਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਮਾਡਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਆਮ ਹੁੰਦਾ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਇੱਕ ਖਾਸ ਅਵਧੀ ਲਈ ਫਿੱਟ ਨਹੀਂ ਹੁੰਦਾ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਨੂੰ ਡੇਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਮੁੱਦਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਗੁੰਮ ਹੋਇਆ ਡੇਟਾ, ਆਊਟਲੀਅਰ (ਜਿਵੇਂ ਕਿ, ਸਟਾਕ ਸਪਲਿਟਸ ਜਾਂ ਇੱਕ-ਵਾਰੀ ਘਟਨਾਵਾਂ ਕਾਰਨ ਅਚਾਨਕ ਵਾਧਾ), ਅਤੇ ਬਾਜ਼ਾਰਾਂ ਵਿੱਚ ਨਿਯਮ ਤਬਦੀਲੀਆਂ ਇਹ ਸਭ ਮਾਡਲ ਸਿਖਲਾਈ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਨਪੁਟ ਡੇਟਾ 'ਤੇ ਸਧਾਰਣਕਰਨ, ਡੀਟ੍ਰੇਂਡਿੰਗ, ਜਾਂ ਡੀ-ਸੀਜ਼ਨਲਾਈਜ਼ੇਸ਼ਨ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਲਾਗੂ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਕੁਝ ਉੱਨਤ ਪਹੁੰਚ ਕੀਮਤ ਲੜੀ ਨੂੰ ਹਿੱਸਿਆਂ (ਰੁਝਾਨਾਂ, ਚੱਕਰ, ਸ਼ੋਰ) ਵਿੱਚ ਵਿਗਾੜਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮਾਡਲ ਕਰਦੇ ਹਨ (ਜਿਵੇਂ ਕਿ ਖੋਜ ਵਿੱਚ ਦੇਖਿਆ ਗਿਆ ਹੈ ਕਿ ਵੇਰੀਏਸ਼ਨਲ ਮੋਡ ਡਿਕੰਪੋਜ਼ਨ ਨੂੰ ਨਿਊਰਲ ਨੈੱਟ ( ਸਟਾਕ ਮਾਰਕੀਟ ਪ੍ਰੈਡੀਕਸ਼ਨ ਯੂਜ਼ਿੰਗ ਡੀਪ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ) ਨਾਲ ਜੋੜਦੇ ਹੋਏ)।

ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਸਿਖਲਾਈ ਲੋੜਾਂ ਹੁੰਦੀਆਂ ਹਨ: ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਨੂੰ ਸੈਂਕੜੇ ਹਜ਼ਾਰਾਂ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ ਅਤੇ GPU ਪ੍ਰਵੇਗ ਤੋਂ ਲਾਭ ਪ੍ਰਾਪਤ ਹੋ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਵਰਗੇ ਸਰਲ ਮਾਡਲ ਮੁਕਾਬਲਤਨ ਛੋਟੇ ਡੇਟਾਸੈੱਟਾਂ ਤੋਂ ਸਿੱਖ ਸਕਦੇ ਹਨ। ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਨੂੰ ਇੰਟਰੈਕਟ ਕਰਨ ਲਈ ਇੱਕ ਸਿਮੂਲੇਟਰ ਜਾਂ ਵਾਤਾਵਰਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; ਕਈ ਵਾਰ ਇਤਿਹਾਸਕ ਡੇਟਾ ਨੂੰ RL ਏਜੰਟ ਨੂੰ ਦੁਬਾਰਾ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ, ਜਾਂ ਮਾਰਕੀਟ ਸਿਮੂਲੇਟਰਾਂ ਦੀ ਵਰਤੋਂ ਅਨੁਭਵ ਪੈਦਾ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਅੰਤ ਵਿੱਚ, ਇੱਕ ਵਾਰ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਇਹ ਮਾਡਲ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਫੰਕਸ਼ਨ ਪੈਦਾ ਕਰਦੇ ਹਨ - ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਆਉਟਪੁੱਟ ਜੋ ਕੱਲ੍ਹ ਲਈ ਇੱਕ ਅਨੁਮਾਨਿਤ ਕੀਮਤ ਹੋ ਸਕਦੀ ਹੈ, ਇੱਕ ਸੰਭਾਵਨਾ ਕਿ ਇੱਕ ਸਟਾਕ ਵਧੇਗਾ, ਜਾਂ ਇੱਕ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਕਾਰਵਾਈ (ਖਰੀਦੋ/ਵੇਚੋ)। ਇਹਨਾਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਫਿਰ ਆਮ ਤੌਰ 'ਤੇ ਅਸਲ ਪੈਸੇ ਨੂੰ ਜੋਖਮ ਵਿੱਚ ਪਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਵਪਾਰਕ ਰਣਨੀਤੀ (ਸਥਿਤੀ ਦੇ ਆਕਾਰ, ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਨਿਯਮਾਂ, ਆਦਿ ਦੇ ਨਾਲ) ਵਿੱਚ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ।

ਸੀਮਾਵਾਂ ਅਤੇ ਚੁਣੌਤੀਆਂ

ਜਦੋਂ ਕਿ ਏਆਈ ਮਾਡਲ ਬਹੁਤ ਹੀ ਸੂਝਵਾਨ ਬਣ ਗਏ ਹਨ, ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਇੱਕ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਚੁਣੌਤੀਪੂਰਨ ਕੰਮ ਬਣਿਆ ਹੋਇਆ ਹੈ । ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਮੁੱਖ ਸੀਮਾਵਾਂ ਅਤੇ ਰੁਕਾਵਟਾਂ ਹਨ ਜੋ ਏਆਈ ਨੂੰ ਬਾਜ਼ਾਰਾਂ ਵਿੱਚ ਇੱਕ ਗਾਰੰਟੀਸ਼ੁਦਾ ਕਿਸਮਤ ਦੱਸਣ ਵਾਲੇ ਬਣਨ ਤੋਂ ਰੋਕਦੀਆਂ ਹਨ:

• ਮਾਰਕੀਟ ਕੁਸ਼ਲਤਾ ਅਤੇ ਬੇਤਰਤੀਬੀ: ਜਿਵੇਂ ਕਿ ਪਹਿਲਾਂ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਕੁਸ਼ਲ ਮਾਰਕੀਟ ਪਰਿਕਲਪਨਾ ਦਲੀਲ ਦਿੰਦੀ ਹੈ ਕਿ ਕੀਮਤਾਂ ਪਹਿਲਾਂ ਹੀ ਜਾਣੀ-ਪਛਾਣੀ ਜਾਣਕਾਰੀ ਨੂੰ ਦਰਸਾਉਂਦੀਆਂ ਹਨ, ਇਸ ਲਈ ਕੋਈ ਵੀ ਨਵੀਂ ਜਾਣਕਾਰੀ ਤੁਰੰਤ ਸਮਾਯੋਜਨ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ। ਵਿਹਾਰਕ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਕੀਮਤਾਂ ਵਿੱਚ ਬਦਲਾਅ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਅਚਾਨਕ ਖ਼ਬਰਾਂ ਜਾਂ ਬੇਤਰਤੀਬ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਦੁਆਰਾ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ। ਦਰਅਸਲ, ਦਹਾਕਿਆਂ ਦੀ ਖੋਜ ਨੇ ਪਾਇਆ ਹੈ ਕਿ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੇ ਸਟਾਕ ਮੁੱਲ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਇੱਕ ਬੇਤਰਤੀਬ ਸੈਰ ਵਰਗੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ( ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ 'ਤੇ ਅਧਾਰਤ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਸਟਾਕ ਪੂਰਵ ਅਨੁਮਾਨ ਮਾਡਲ: ਇੱਕ ਸਮੀਖਿਆ ) - ਕੱਲ੍ਹ ਦੀ ਕੀਮਤ ਦਾ ਕੱਲ੍ਹ 'ਤੇ ਬਹੁਤ ਘੱਟ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ, ਉਸ ਤੋਂ ਪਰੇ ਜੋ ਮੌਕਾ ਭਵਿੱਖਬਾਣੀ ਕਰੇਗਾ। ਜੇਕਰ ਸਟਾਕ ਕੀਮਤਾਂ ਅਸਲ ਵਿੱਚ ਬੇਤਰਤੀਬ ਜਾਂ "ਕੁਸ਼ਲ" ਹਨ, ਤਾਂ ਕੋਈ ਵੀ ਐਲਗੋਰਿਦਮ ਉੱਚ ਸ਼ੁੱਧਤਾ ਨਾਲ ਨਿਰੰਤਰ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਜਿਵੇਂ ਕਿ ਇੱਕ ਖੋਜ ਅਧਿਐਨ ਨੇ ਸੰਖੇਪ ਵਿੱਚ ਕਿਹਾ ਹੈ, "ਬੇਤਰਤੀਬ ਸੈਰ ਪਰਿਕਲਪਨਾ ਅਤੇ ਕੁਸ਼ਲ ਮਾਰਕੀਟ ਪਰਿਕਲਪਨਾ ਅਸਲ ਵਿੱਚ ਇਹ ਦੱਸਦੀ ਹੈ ਕਿ ਭਵਿੱਖ ਦੇ ਸਟਾਕ ਕੀਮਤਾਂ ਦੀ ਯੋਜਨਾਬੱਧ, ਭਰੋਸੇਯੋਗ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਸੰਭਵ ਨਹੀਂ ਹੈ" ( ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ S&P 500 ਸਟਾਕਾਂ ਲਈ ਸਾਪੇਖਿਕ ਰਿਟਰਨ ਦੀ ਭਵਿੱਖਬਾਣੀ | ਵਿੱਤੀ ਨਵੀਨਤਾ | ਪੂਰਾ ਟੈਕਸਟ )। ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ AI ਭਵਿੱਖਬਾਣੀਆਂ ਹਮੇਸ਼ਾ ਬੇਕਾਰ ਹੁੰਦੀਆਂ ਹਨ, ਪਰ ਇਹ ਇੱਕ ਬੁਨਿਆਦੀ ਸੀਮਾ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕਰਦਾ ਹੈ: ਮਾਰਕੀਟ ਦੀ ਬਹੁਤ ਸਾਰੀ ਗਤੀ ਸਿਰਫ਼ ਸ਼ੋਰ ਹੋ ਸਕਦੀ ਹੈ ਜਿਸਦੀ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਵੀ ਪਹਿਲਾਂ ਤੋਂ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਕਰ ਸਕਦਾ।

• ਸ਼ੋਰ ਅਤੇ ਅਣਪਛਾਤੇ ਬਾਹਰੀ ਕਾਰਕ: ਸਟਾਕ ਦੀਆਂ ਕੀਮਤਾਂ ਕਈ ਕਾਰਕਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੇ ਬਾਹਰੀ ਅਤੇ ਅਣਪਛਾਤੇ ਹਨ। ਭੂ-ਰਾਜਨੀਤਿਕ ਘਟਨਾਵਾਂ (ਯੁੱਧਾਂ, ਚੋਣਾਂ, ਰੈਗੂਲੇਟਰੀ ਤਬਦੀਲੀਆਂ), ਕੁਦਰਤੀ ਆਫ਼ਤਾਂ, ਮਹਾਂਮਾਰੀ, ਅਚਾਨਕ ਕਾਰਪੋਰੇਟ ਘੁਟਾਲੇ, ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਵਾਇਰਲ ਸੋਸ਼ਲ ਮੀਡੀਆ ਅਫਵਾਹਾਂ ਸਾਰੇ ਬਾਜ਼ਾਰਾਂ ਨੂੰ ਅਚਾਨਕ ਹਿਲਾ ਸਕਦੇ ਹਨ। ਇਹ ਉਹ ਘਟਨਾਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਇੱਕ ਮਾਡਲ ਕੋਲ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਡੇਟਾ ਨਹੀਂ ਹੋ ਸਕਦਾ (ਕਿਉਂਕਿ ਉਹ ਬੇਮਿਸਾਲ ਹਨ) ਜਾਂ ਜੋ ਦੁਰਲੱਭ ਝਟਕਿਆਂ ਵਜੋਂ ਵਾਪਰਦੇ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, 2010-2019 ਦੇ ਇਤਿਹਾਸਕ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕੋਈ ਵੀ AI ਮਾਡਲ 2020 ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ COVID-19 ਕਰੈਸ਼ ਜਾਂ ਇਸਦੇ ਤੇਜ਼ੀ ਨਾਲ ਵਾਪਸੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਕਰ ਸਕਦਾ ਸੀ। ਵਿੱਤੀ AI ਮਾਡਲ ਉਦੋਂ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ ਜਦੋਂ ਸ਼ਾਸਨ ਬਦਲਦਾ ਹੈ ਜਾਂ ਜਦੋਂ ਇੱਕ ਇਕਵਚਨ ਘਟਨਾ ਕੀਮਤਾਂ ਨੂੰ ਚਲਾਉਂਦੀ ਹੈ। ਜਿਵੇਂ ਕਿ ਇੱਕ ਸਰੋਤ ਨੋਟ ਕਰਦਾ ਹੈ, ਭੂ-ਰਾਜਨੀਤਿਕ ਘਟਨਾਵਾਂ ਜਾਂ ਅਚਾਨਕ ਆਰਥਿਕ ਡੇਟਾ ਰਿਲੀਜ਼ ਵਰਗੇ ਕਾਰਕ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਲਗਭਗ ਤੁਰੰਤ ਪੁਰਾਣੇ ਬਣਾ ਸਕਦੇ ਹਨ ( ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਨਾ... | FMP ) ( ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਨਾ... | FMP )। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਅਣਪਛਾਤੇ ਖ਼ਬਰਾਂ ਹਮੇਸ਼ਾਂ ਐਲਗੋਰਿਦਮਿਕ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਓਵਰਰਾਈਡ ਕਰ ਸਕਦੀਆਂ ਹਨ , ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਇੱਕ ਪੱਧਰ ਨੂੰ ਇੰਜੈਕਟ ਕਰ ਸਕਦੀਆਂ ਹਨ ਜੋ ਕਿ ਅਟੱਲ ਹੈ।

• ਓਵਰਫਿਟਿੰਗ ਅਤੇ ਜਨਰਲਾਈਜ਼ੇਸ਼ਨ: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਓਵਰਫਿਟਿੰਗ - ਭਾਵ ਉਹ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ "ਸ਼ੋਰ" ਜਾਂ ਕੁਆਰਕਸ ਨੂੰ ਬਹੁਤ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਿੱਖ ਸਕਦੇ ਹਨ, ਨਾ ਕਿ ਅੰਡਰਲਾਈੰਗ ਆਮ ਪੈਟਰਨਾਂ ਦੀ ਬਜਾਏ। ਇੱਕ ਓਵਰਫਿਟਿੰਗ ਮਾਡਲ ਇਤਿਹਾਸਕ ਡੇਟਾ 'ਤੇ ਸ਼ਾਨਦਾਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ (ਭਾਵੇਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬੈਕਟੈਸਟ ਕੀਤੇ ਰਿਟਰਨ ਜਾਂ ਉੱਚ ਇਨ-ਸੈਂਪਲ ਸ਼ੁੱਧਤਾ ਦਿਖਾ ਰਿਹਾ ਹੈ) ਪਰ ਫਿਰ ਨਵੇਂ ਡੇਟਾ 'ਤੇ ਬੁਰੀ ਤਰ੍ਹਾਂ ਅਸਫਲ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ ਮਾਤਰਾਤਮਕ ਵਿੱਤ ਵਿੱਚ ਇੱਕ ਆਮ ਨੁਕਸਾਨ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਗੁੰਝਲਦਾਰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਸੰਜੋਗ ਦੁਆਰਾ ਪਿਛਲੇ ਸਮੇਂ ਵਿੱਚ ਰੱਖੇ ਗਏ ਨਕਲੀ ਸਬੰਧਾਂ ਨੂੰ ਚੁੱਕ ਸਕਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਪਿਛਲੇ 5 ਸਾਲਾਂ ਵਿੱਚ ਰੈਲੀਆਂ ਤੋਂ ਪਹਿਲਾਂ ਹੋਏ ਸੂਚਕ ਕਰਾਸਓਵਰਾਂ ਦਾ ਇੱਕ ਖਾਸ ਸੁਮੇਲ) ਪਰ ਉਹ ਸਬੰਧ ਅੱਗੇ ਨਹੀਂ ਵਧ ਸਕਦੇ। ਇੱਕ ਵਿਹਾਰਕ ਉਦਾਹਰਣ: ਕੋਈ ਇੱਕ ਮਾਡਲ ਡਿਜ਼ਾਈਨ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਕਿ ਪਿਛਲੇ ਸਾਲ ਦੇ ਸਟਾਕ ਜੇਤੂ ਹਮੇਸ਼ਾ ਉੱਪਰ ਜਾਣਗੇ - ਇਹ ਇੱਕ ਖਾਸ ਸਮੇਂ ਲਈ ਫਿੱਟ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਜੇਕਰ ਮਾਰਕੀਟ ਸ਼ਾਸਨ ਬਦਲਦਾ ਹੈ, ਤਾਂ ਉਹ ਪੈਟਰਨ ਟੁੱਟ ਜਾਂਦਾ ਹੈ। ਓਵਰਫਿਟਿੰਗ ਨਮੂਨੇ ਤੋਂ ਬਾਹਰ ਦੇ ਮਾੜੇ ਪ੍ਰਦਰਸ਼ਨ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ , ਭਾਵ ਲਾਈਵ ਵਪਾਰ ਵਿੱਚ ਮਾਡਲ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਵਿਕਾਸ ਵਿੱਚ ਵਧੀਆ ਦਿਖਾਈ ਦੇਣ ਦੇ ਬਾਵਜੂਦ ਬੇਤਰਤੀਬ ਤੋਂ ਵਧੀਆ ਨਹੀਂ ਹੋ ਸਕਦੀਆਂ। ਓਵਰਫਿਟਿੰਗ ਤੋਂ ਬਚਣ ਲਈ ਨਿਯਮਤਕਰਨ, ਮਾਡਲ ਦੀ ਗੁੰਝਲਤਾ ਨੂੰ ਕਾਬੂ ਵਿੱਚ ਰੱਖਣਾ, ਅਤੇ ਮਜ਼ਬੂਤ ​​ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਵਰਤੋਂ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਬਹੁਤ ਹੀ ਗੁੰਝਲਤਾ ਜੋ AI ਮਾਡਲਾਂ ਨੂੰ ਸ਼ਕਤੀ ਦਿੰਦੀ ਹੈ, ਉਹਨਾਂ ਨੂੰ ਇਸ ਮੁੱਦੇ ਲਈ ਕਮਜ਼ੋਰ ਵੀ ਬਣਾਉਂਦੀ ਹੈ।

• ਡੇਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਉਪਲਬਧਤਾ: "ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ" ਕਹਾਵਤ ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ AI 'ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਲਾਗੂ ਹੁੰਦੀ ਹੈ। ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ, ਮਾਤਰਾ ਅਤੇ ਸਾਰਥਕਤਾ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਤ ਕਰਦੀ ਹੈ। ਜੇਕਰ ਇਤਿਹਾਸਕ ਡੇਟਾ ਨਾਕਾਫ਼ੀ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਕੁਝ ਸਾਲਾਂ ਦੇ ਸਟਾਕ ਕੀਮਤਾਂ 'ਤੇ ਇੱਕ ਡੂੰਘੇ ਨੈੱਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ) ਜਾਂ ਗੈਰ-ਪ੍ਰਤੀਨਿਧ (ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਮੰਦੀ ਦੇ ਦ੍ਰਿਸ਼ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਤੇਜ਼ੀ ਦੇ ਸਮੇਂ ਤੋਂ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਨਾ), ਤਾਂ ਮਾਡਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਆਮ ਨਹੀਂ ਹੋਵੇਗਾ। ਡੇਟਾ ਪੱਖਪਾਤੀ ਜਾਂ ਸਰਵਾਈਵਰਸ਼ਿਪ ਦੇ ਅਧੀਨ ਹੋ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ, ਸਟਾਕ ਸੂਚਕਾਂਕ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਮਾੜੀ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ, ਇਸ ਲਈ ਇਤਿਹਾਸਕ ਸੂਚਕਾਂਕ ਡੇਟਾ ਉੱਪਰ ਵੱਲ ਪੱਖਪਾਤੀ ਹੋ ਸਕਦਾ ਹੈ)। ਡੇਟਾ ਦੀ ਸਫਾਈ ਅਤੇ ਕਿਉਰੇਟ ਕਰਨਾ ਇੱਕ ਗੈਰ-ਮਾਮੂਲੀ ਕੰਮ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਕਲਪਕ ਡੇਟਾ ਬਾਰੰਬਾਰਤਾ ਦਾ ਮੁੱਦਾ ਵੀ ਹੈ : ਉੱਚ-ਆਵਿਰਤੀ ਵਪਾਰ ਮਾਡਲਾਂ ਨੂੰ ਟਿੱਕ-ਬਾਈ-ਟਿਕ ਡੇਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਕਿ ਵਾਲੀਅਮ ਵਿੱਚ ਬਹੁਤ ਵੱਡਾ ਹੁੰਦਾ ਹੈ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਘੱਟ-ਆਵਿਰਤੀ ਮਾਡਲ ਰੋਜ਼ਾਨਾ ਜਾਂ ਹਫਤਾਵਾਰੀ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਡੇਟਾ ਸਮੇਂ ਦੇ ਨਾਲ ਇਕਸਾਰ ਹੋਵੇ (ਜਿਵੇਂ ਕਿ, ਸੰਬੰਧਿਤ ਕੀਮਤ ਡੇਟਾ ਦੇ ਨਾਲ ਖ਼ਬਰਾਂ) ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਤੋਂ ਮੁਕਤ ਹੋਵੇ, ਇੱਕ ਨਿਰੰਤਰ ਚੁਣੌਤੀ ਹੈ।

• ਮਾਡਲ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਵਿਆਖਿਆਯੋਗਤਾ: ਬਹੁਤ ਸਾਰੇ AI ਮਾਡਲ, ਖਾਸ ਕਰਕੇ ਡੂੰਘੀ ਸਿੱਖਿਆ ਵਾਲੇ, ਬਲੈਕ ਬਾਕਸ । ਉਹ ਬਿਨਾਂ ਕਿਸੇ ਆਸਾਨੀ ਨਾਲ ਸਮਝਾਏ ਜਾਣ ਵਾਲੇ ਕਾਰਨ ਦੇ ਭਵਿੱਖਬਾਣੀ ਜਾਂ ਵਪਾਰ ਸੰਕੇਤ ਨੂੰ ਬਾਹਰ ਕੱਢ ਸਕਦੇ ਹਨ। ਪਾਰਦਰਸ਼ਤਾ ਦੀ ਇਹ ਘਾਟ ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਸਮੱਸਿਆ ਵਾਲੀ ਹੋ ਸਕਦੀ ਹੈ - ਖਾਸ ਕਰਕੇ ਸੰਸਥਾਗਤ ਜਿਨ੍ਹਾਂ ਨੂੰ ਹਿੱਸੇਦਾਰਾਂ ਨੂੰ ਫੈਸਲਿਆਂ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਣ ਜਾਂ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ AI ਮਾਡਲ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਸਟਾਕ ਡਿੱਗ ਜਾਵੇਗਾ ਅਤੇ ਵੇਚਣ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਪੋਰਟਫੋਲੀਓ ਮੈਨੇਜਰ ਝਿਜਕ ਸਕਦਾ ਹੈ ਜੇਕਰ ਉਹ ਤਰਕ ਨੂੰ ਨਹੀਂ ਸਮਝਦੇ। AI ਫੈਸਲਿਆਂ ਦੀ ਧੁੰਦਲਾਪਨ ਵਿਸ਼ਵਾਸ ਅਤੇ ਗੋਦ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ, ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ। ਇਹ ਚੁਣੌਤੀ ਵਿੱਤ ਲਈ ਸਮਝਾਉਣ ਯੋਗ AI ਵਿੱਚ ਖੋਜ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਰਹੀ ਹੈ, ਪਰ ਇਹ ਸੱਚ ਹੈ ਕਿ ਮਾਡਲ ਦੀ ਗੁੰਝਲਤਾ/ਸ਼ੁੱਧਤਾ ਅਤੇ ਵਿਆਖਿਆਯੋਗਤਾ ਵਿਚਕਾਰ ਅਕਸਰ ਵਪਾਰ ਹੁੰਦਾ ਹੈ।

• ਅਨੁਕੂਲ ਬਾਜ਼ਾਰ ਅਤੇ ਮੁਕਾਬਲਾ: ਇਹ ਧਿਆਨ ਦੇਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਵਿੱਤੀ ਬਾਜ਼ਾਰ ਅਨੁਕੂਲ ਹੁੰਦੇ । ਇੱਕ ਵਾਰ ਜਦੋਂ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਾ ਪੈਟਰਨ (ਇੱਕ AI ਜਾਂ ਕਿਸੇ ਵੀ ਢੰਗ ਦੁਆਰਾ) ਖੋਜਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਵਪਾਰੀਆਂ ਦੁਆਰਾ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਕੰਮ ਕਰਨਾ ਬੰਦ ਕਰ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਇੱਕ AI ਮਾਡਲ ਨੂੰ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਇੱਕ ਖਾਸ ਸਿਗਨਲ ਅਕਸਰ ਸਟਾਕ ਦੇ ਵਾਧੇ ਤੋਂ ਪਹਿਲਾਂ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਵਪਾਰੀ ਉਸ ਸਿਗਨਲ 'ਤੇ ਪਹਿਲਾਂ ਕੰਮ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦੇਣਗੇ, ਇਸ ਤਰ੍ਹਾਂ ਮੌਕੇ ਨੂੰ ਗੁਆਉਣਾ ਸ਼ੁਰੂ ਕਰ ਦੇਣਗੇ। ਸੰਖੇਪ ਵਿੱਚ, ਬਾਜ਼ਾਰ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਰੱਦ ਕਰਨ ਲਈ ਵਿਕਸਤ ਹੋ ਸਕਦੇ ਹਨ । ਅੱਜ, ਬਹੁਤ ਸਾਰੀਆਂ ਵਪਾਰਕ ਫਰਮਾਂ ਅਤੇ ਫੰਡ AI ਅਤੇ ML ਨੂੰ ਨਿਯੁਕਤ ਕਰਦੇ ਹਨ। ਇਸ ਮੁਕਾਬਲੇ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਕੋਈ ਵੀ ਕਿਨਾਰਾ ਅਕਸਰ ਛੋਟਾ ਅਤੇ ਥੋੜ੍ਹੇ ਸਮੇਂ ਲਈ ਹੁੰਦਾ ਹੈ। ਨਤੀਜਾ ਇਹ ਹੈ ਕਿ AI ਮਾਡਲਾਂ ਨੂੰ ਬਦਲਦੇ ਬਾਜ਼ਾਰ ਗਤੀਸ਼ੀਲਤਾ ਦੇ ਨਾਲ ਬਣੇ ਰਹਿਣ ਲਈ ਨਿਰੰਤਰ ਮੁੜ ਸਿਖਲਾਈ ਅਤੇ ਅਪਡੇਟ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਤਰਲ ਅਤੇ ਪਰਿਪੱਕ ਬਾਜ਼ਾਰਾਂ (ਜਿਵੇਂ ਕਿ US ਵੱਡੇ-ਕੈਪ ਸਟਾਕਾਂ) ਵਿੱਚ, ਬਹੁਤ ਸਾਰੇ ਸੂਝਵਾਨ ਖਿਡਾਰੀ ਇੱਕੋ ਜਿਹੇ ਸਿਗਨਲਾਂ ਦੀ ਭਾਲ ਕਰ ਰਹੇ ਹਨ, ਜਿਸ ਨਾਲ ਕਿਨਾਰਾ ਬਣਾਈ ਰੱਖਣਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਸਦੇ ਉਲਟ, ਘੱਟ ਕੁਸ਼ਲ ਬਾਜ਼ਾਰਾਂ ਜਾਂ ਵਿਸ਼ੇਸ਼ ਸੰਪਤੀਆਂ ਵਿੱਚ, AI ਨੂੰ ਅਸਥਾਈ ਅਕੁਸ਼ਲਤਾਵਾਂ ਮਿਲ ਸਕਦੀਆਂ ਹਨ - ਪਰ ਜਿਵੇਂ ਕਿ ਉਹ ਬਾਜ਼ਾਰ ਆਧੁਨਿਕ ਹੁੰਦੇ ਹਨ, ਪਾੜਾ ਬੰਦ ਹੋ ਸਕਦਾ ਹੈ। ਬਾਜ਼ਾਰਾਂ ਦੀ ਇਹ ਗਤੀਸ਼ੀਲ ਪ੍ਰਕਿਰਤੀ ਇੱਕ ਬੁਨਿਆਦੀ ਚੁਣੌਤੀ ਹੈ: "ਖੇਡ ਦੇ ਨਿਯਮ" ਸਥਿਰ ਨਹੀਂ ਹਨ, ਇਸ ਲਈ ਇੱਕ ਮਾਡਲ ਜੋ ਪਿਛਲੇ ਸਾਲ ਕੰਮ ਕਰਦਾ ਸੀ, ਨੂੰ ਅਗਲੇ ਸਾਲ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।

• ਅਸਲ-ਸੰਸਾਰ ਦੀਆਂ ਪਾਬੰਦੀਆਂ: ਭਾਵੇਂ ਇੱਕ AI ਮਾਡਲ ਕੀਮਤਾਂ ਦੀ ਸਹੀ ਸ਼ੁੱਧਤਾ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਲਾਭ ਵਿੱਚ ਬਦਲਣਾ ਇੱਕ ਹੋਰ ਚੁਣੌਤੀ ਹੈ। ਵਪਾਰ ਵਿੱਚ ਲੈਣ-ਦੇਣ ਦੀਆਂ ਲਾਗਤਾਂ , ਜਿਵੇਂ ਕਿ ਕਮਿਸ਼ਨ, ਸਲਿੱਪੇਜ, ਅਤੇ ਟੈਕਸ। ਇੱਕ ਮਾਡਲ ਬਹੁਤ ਸਾਰੀਆਂ ਛੋਟੀਆਂ ਕੀਮਤਾਂ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਲਾਭ ਫੀਸਾਂ ਅਤੇ ਵਪਾਰਾਂ ਦੇ ਬਾਜ਼ਾਰ ਪ੍ਰਭਾਵ ਦੁਆਰਾ ਮਿਟਾਏ ਜਾ ਸਕਦੇ ਹਨ। ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ - ਕੋਈ ਵੀ ਭਵਿੱਖਬਾਣੀ 100% ਨਿਸ਼ਚਿਤ ਨਹੀਂ ਹੈ, ਇਸ ਲਈ ਕਿਸੇ ਵੀ AI-ਸੰਚਾਲਿਤ ਰਣਨੀਤੀ ਨੂੰ ਸੰਭਾਵੀ ਨੁਕਸਾਨਾਂ (ਸਟਾਪ-ਲਾਸ ਆਰਡਰ, ਪੋਰਟਫੋਲੀਓ ਵਿਭਿੰਨਤਾ, ਆਦਿ ਦੁਆਰਾ) ਲਈ ਲੇਖਾ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਸੰਸਥਾਵਾਂ ਅਕਸਰ AI ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਇੱਕ ਵਿਸ਼ਾਲ ਜੋਖਮ ਢਾਂਚੇ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਦੀਆਂ ਹਨ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ AI ਫਾਰਮ ਨੂੰ ਇੱਕ ਅਜਿਹੀ ਭਵਿੱਖਬਾਣੀ 'ਤੇ ਦਾਅ ਨਹੀਂ ਲਗਾਉਂਦਾ ਜੋ ਗਲਤ ਹੋ ਸਕਦੀ ਹੈ। ਇਹਨਾਂ ਵਿਹਾਰਕ ਵਿਚਾਰਾਂ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇੱਕ AI ਦਾ ਸਿਧਾਂਤਕ ਕਿਨਾਰਾ ਅਸਲ-ਸੰਸਾਰ ਦੇ ਘਿਰਣਾ ਤੋਂ ਬਾਅਦ ਉਪਯੋਗੀ ਹੋਣ ਲਈ ਕਾਫ਼ੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।

ਸੰਖੇਪ ਵਿੱਚ, AI ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਮਰੱਥਾਵਾਂ ਹਨ, ਪਰ ਇਹ ਸੀਮਾਵਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀਆਂ ਹਨ ਕਿ ਸਟਾਕ ਮਾਰਕੀਟ ਇੱਕ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਅਨੁਮਾਨਯੋਗ, ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਅਣਪਛਾਤੀ ਪ੍ਰਣਾਲੀ ਬਣਿਆ ਰਹਿੰਦਾ ਹੈ । AI ਮਾਡਲ ਡੇਟਾ ਦਾ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਅਤੇ ਸੰਭਵ ਤੌਰ 'ਤੇ ਸੂਖਮ ਭਵਿੱਖਬਾਣੀ ਸੰਕੇਤਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਕੇ ਇੱਕ ਨਿਵੇਸ਼ਕ ਦੇ ਪੱਖ ਵਿੱਚ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਝੁਕਾ ਸਕਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਕੁਸ਼ਲ ਕੀਮਤ, ਰੌਲੇ-ਰੱਪੇ ਵਾਲੇ ਡੇਟਾ, ਅਣਕਿਆਸੀਆਂ ਘਟਨਾਵਾਂ ਅਤੇ ਵਿਹਾਰਕ ਰੁਕਾਵਟਾਂ ਦੇ ਸੁਮੇਲ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ AI ਵੀ ਕਈ ਵਾਰ ਗਲਤ ਹੋਵੇਗਾ - ਅਕਸਰ ਅਣਪਛਾਤੇ ਤੌਰ 'ਤੇ ਅਜਿਹਾ।

ਏਆਈ ਮਾਡਲਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ: ਸਬੂਤ ਕੀ ਕਹਿੰਦੇ ਹਨ?

ਚਰਚਾ ਕੀਤੀਆਂ ਗਈਆਂ ਤਰੱਕੀਆਂ ਅਤੇ ਚੁਣੌਤੀਆਂ ਦੋਵਾਂ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਅਸੀਂ ਖੋਜ ਅਤੇ ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ AI ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀਆਂ ਅਸਲ-ਸੰਸਾਰ ਕੋਸ਼ਿਸ਼ਾਂ ਤੋਂ ਕੀ ਸਿੱਖਿਆ ਹੈ? ਹੁਣ ਤੱਕ ਦੇ ਨਤੀਜੇ ਮਿਲੇ-ਜੁਲੇ ਹਨ, ਜੋ ਵਾਅਦਾ ਕਰਨ ਵਾਲੀਆਂ ਸਫਲਤਾਵਾਂ ਅਤੇ ਗੰਭੀਰ ਅਸਫਲਤਾਵਾਂ :

• AI ਦੇ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਮੌਕੇ ਦੇ ਉਦਾਹਰਣ: ਕਈ ਅਧਿਐਨਾਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ AI ਮਾਡਲ ਕੁਝ ਸਥਿਤੀਆਂ ਵਿੱਚ ਬੇਤਰਤੀਬ ਅਨੁਮਾਨ ਲਗਾਉਣ ਨੂੰ ਹਰਾ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, 2024 ਦੇ ਇੱਕ ਅਧਿਐਨ ਨੇ ਵੀਅਤਨਾਮੀ ਸਟਾਕ ਮਾਰਕੀਟ ਵਿੱਚ ਰੁਝਾਨਾਂ ਸਟਾਕ ਮਾਰਕੀਟ ਵਿੱਚ ਸਟਾਕ ਕੀਮਤ ਦੇ ਰੁਝਾਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਨੂੰ ਲਾਗੂ ਕਰਨਾ - ਵੀਅਤਨਾਮ ਦਾ ਮਾਮਲਾ | ਮਨੁੱਖਤਾ ਅਤੇ ਸਮਾਜਿਕ ਵਿਗਿਆਨ ਸੰਚਾਰ )। ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਉਸ ਬਾਜ਼ਾਰ (ਇੱਕ ਉੱਭਰ ਰਹੀ ਅਰਥਵਿਵਸਥਾ) ਵਿੱਚ, ਮਾਡਲ ਇਕਸਾਰ ਪੈਟਰਨਾਂ ਨੂੰ ਹਾਸਲ ਕਰਨ ਦੇ ਯੋਗ ਸੀ, ਸੰਭਵ ਤੌਰ 'ਤੇ ਕਿਉਂਕਿ ਮਾਰਕੀਟ ਵਿੱਚ ਅਕੁਸ਼ਲਤਾਵਾਂ ਜਾਂ ਮਜ਼ਬੂਤ ​​ਤਕਨੀਕੀ ਰੁਝਾਨ ਸਨ ਜੋ LSTM ਨੇ ਸਿੱਖਿਆ ਸੀ। 2024 ਵਿੱਚ ਇੱਕ ਹੋਰ ਅਧਿਐਨ ਨੇ ਇੱਕ ਵਿਸ਼ਾਲ ਦਾਇਰੇ 'ਤੇ ਲਿਆ: ਖੋਜਕਰਤਾਵਾਂ ਨੇ ML ਸਾਰੇ S&P 500 ਸਟਾਕਾਂ (ਇੱਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕੁਸ਼ਲ ਬਾਜ਼ਾਰ) ਲਈ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੇ ਰਿਟਰਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ। ਉਨ੍ਹਾਂ ਨੇ ਇਸਨੂੰ ਇੱਕ ਵਰਗੀਕਰਨ ਸਮੱਸਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕੀਤਾ - ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਕਿ ਕੀ ਕੋਈ ਸਟਾਕ ਅਗਲੇ 10 ਦਿਨਾਂ ਵਿੱਚ ਸੂਚਕਾਂਕ ਨੂੰ 2% ਨਾਲ ਪਛਾੜ ਦੇਵੇਗਾ - ਰੈਂਡਮ ਫੋਰੈਸਟ, SVM, ਅਤੇ LSTM ਵਰਗੇ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ। ਨਤੀਜਾ: LSTM ਮਾਡਲ ਨੇ ਦੂਜੇ ML ਮਾਡਲਾਂ ਅਤੇ ਇੱਕ ਬੇਤਰਤੀਬ ਬੇਸਲਾਈਨ ਦੋਵਾਂ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ , ਨਤੀਜੇ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਇੰਨੇ ਮਹੱਤਵਪੂਰਨ ਸਨ ਕਿ ਇਹ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਇਹ ਸਿਰਫ਼ ਕਿਸਮਤ ਨਹੀਂ ਸੀ ( ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ S&P 500 ਸਟਾਕਾਂ ਲਈ ਰਿਸ਼ਤੇਦਾਰ ਰਿਟਰਨ ਦੀ ਭਵਿੱਖਬਾਣੀ | ਵਿੱਤੀ ਨਵੀਨਤਾ | ਪੂਰਾ ਟੈਕਸਟ )। ਲੇਖਕਾਂ ਨੇ ਇਹ ਵੀ ਸਿੱਟਾ ਕੱਢਿਆ ਕਿ ਇਸ ਖਾਸ ਸੈੱਟਅੱਪ ਵਿੱਚ, ਰੈਂਡਮ ਵਾਕ ਪਰਿਕਲਪਨਾ "ਨਿੱਘਣ ਤੋਂ ਘੱਟ" ਸੀ, ਜੋ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਦੇ ML ਮਾਡਲਾਂ ਨੇ ਅਸਲ ਭਵਿੱਖਬਾਣੀ ਸੰਕੇਤ ਲੱਭੇ ਸਨ। ਇਹ ਉਦਾਹਰਣਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ AI ਅਸਲ ਵਿੱਚ ਉਹਨਾਂ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਸਟਾਕ ਚਾਲਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਇੱਕ ਕਿਨਾਰਾ (ਭਾਵੇਂ ਇੱਕ ਮਾਮੂਲੀ ਵੀ ਹੋਵੇ) ਦਿੰਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਡੇਟਾ ਦੇ ਵੱਡੇ ਸੈੱਟਾਂ 'ਤੇ ਟੈਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

• ਉਦਯੋਗ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਰਤੋਂ-ਕੇਸ: ਅਕਾਦਮਿਕ ਅਧਿਐਨਾਂ ਤੋਂ ਬਾਹਰ, ਹੇਜ ਫੰਡਾਂ ਅਤੇ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਦੁਆਰਾ ਆਪਣੇ ਵਪਾਰਕ ਕਾਰਜਾਂ ਵਿੱਚ AI ਦੀ ਸਫਲਤਾਪੂਰਵਕ ਵਰਤੋਂ ਕਰਨ ਦੀਆਂ ਰਿਪੋਰਟਾਂ ਹਨ। ਕੁਝ ਉੱਚ-ਆਵਿਰਤੀ ਵਪਾਰਕ ਫਰਮਾਂ ਇੱਕ ਸਕਿੰਟ ਦੇ ਅੰਸ਼ਾਂ ਵਿੱਚ ਮਾਰਕੀਟ ਸੂਖਮ-ਢਾਂਚੇ ਦੇ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ। ਵੱਡੇ ਬੈਂਕਾਂ ਕੋਲ ਪੋਰਟਫੋਲੀਓ ਵੰਡ ਅਤੇ ਜੋਖਮ ਪੂਰਵ ਅਨੁਮਾਨ , ਜੋ ਕਿ ਹਮੇਸ਼ਾ ਇੱਕ ਸਟਾਕ ਦੀ ਕੀਮਤ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਬਾਰੇ ਨਹੀਂ ਹੁੰਦੇ, ਪਰ ਬਾਜ਼ਾਰ ਦੇ ਪਹਿਲੂਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ (ਜਿਵੇਂ ਕਿ ਅਸਥਿਰਤਾ ਜਾਂ ਸਬੰਧ) ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। AI-ਸੰਚਾਲਿਤ ਫੰਡ (ਅਕਸਰ "ਕੁਆਂਟ ਫੰਡ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਵੀ ਹਨ ਜੋ ਵਪਾਰਕ ਫੈਸਲੇ ਲੈਣ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ - ਕੁਝ ਨੇ ਕੁਝ ਸਮੇਂ ਲਈ ਮਾਰਕੀਟ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ ਹੈ, ਹਾਲਾਂਕਿ ਇਸਨੂੰ AI ਨੂੰ ਸਖਤੀ ਨਾਲ ਜ਼ਿੰਮੇਵਾਰ ਠਹਿਰਾਉਣਾ ਮੁਸ਼ਕਲ ਹੈ ਕਿਉਂਕਿ ਉਹ ਅਕਸਰ ਮਨੁੱਖੀ ਅਤੇ ਮਸ਼ੀਨ ਬੁੱਧੀ ਦੇ ਸੁਮੇਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇੱਕ ਠੋਸ ਐਪਲੀਕੇਸ਼ਨ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ AI ਦੀ ਵਰਤੋਂ ਹੈ: ਉਦਾਹਰਣ ਵਜੋਂ, ਖ਼ਬਰਾਂ ਅਤੇ ਟਵਿੱਟਰ ਨੂੰ ਸਕੈਨ ਕਰਨਾ ਇਹ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕਿ ਸਟਾਕ ਦੀਆਂ ਕੀਮਤਾਂ ਪ੍ਰਤੀਕਿਰਿਆ ਵਿੱਚ ਕਿਵੇਂ ਵਧਣਗੀਆਂ। ਅਜਿਹੇ ਮਾਡਲ 100% ਸਹੀ ਨਹੀਂ ਹੋ ਸਕਦੇ, ਪਰ ਉਹ ਵਪਾਰੀਆਂ ਨੂੰ ਖ਼ਬਰਾਂ ਵਿੱਚ ਕੀਮਤ ਨਿਰਧਾਰਤ ਕਰਨ ਵਿੱਚ ਥੋੜ੍ਹੀ ਜਿਹੀ ਸ਼ੁਰੂਆਤ ਦੇ ਸਕਦੇ ਹਨ। ਇਹ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ ਕਿ ਫਰਮਾਂ ਆਮ ਤੌਰ 'ਤੇ ਸਫਲ AI ਰਣਨੀਤੀਆਂ ਦੇ ਵੇਰਵਿਆਂ ਨੂੰ ਬੌਧਿਕ ਸੰਪਤੀ ਵਜੋਂ ਧਿਆਨ ਨਾਲ ਰੱਖਦੀਆਂ ਹਨ, ਇਸ ਲਈ ਜਨਤਕ ਖੇਤਰ ਵਿੱਚ ਸਬੂਤ ਪਿੱਛੇ ਰਹਿ ਜਾਂਦੇ ਹਨ ਜਾਂ ਕਿੱਸੇ-ਕਹਾਣੀਆਂ ਵਾਲੇ ਹੁੰਦੇ ਹਨ।

• ਘੱਟ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਅਸਫਲਤਾਵਾਂ ਦੇ ਮਾਮਲੇ: ਹਰ ਸਫਲਤਾ ਦੀ ਕਹਾਣੀ ਲਈ, ਸਾਵਧਾਨੀ ਵਾਲੀਆਂ ਕਹਾਣੀਆਂ ਹਨ। ਬਹੁਤ ਸਾਰੇ ਅਕਾਦਮਿਕ ਅਧਿਐਨ ਜੋ ਇੱਕ ਬਾਜ਼ਾਰ ਜਾਂ ਸਮਾਂ-ਸੀਮਾ ਵਿੱਚ ਉੱਚ ਸ਼ੁੱਧਤਾ ਦਾ ਦਾਅਵਾ ਕਰਦੇ ਸਨ, ਆਮ ਬਣਾਉਣ ਵਿੱਚ ਅਸਫਲ ਰਹੇ। ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਯੋਗ ਨੇ ਅਮਰੀਕੀ ਸਟਾਕਾਂ 'ਤੇ ਇੱਕ ਸਫਲ ਭਾਰਤੀ ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਅਧਿਐਨ (ਜਿਸ ਵਿੱਚ ਤਕਨੀਕੀ ਸੂਚਕਾਂ 'ਤੇ ML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉੱਚ ਸ਼ੁੱਧਤਾ ਸੀ) ਦੀ ਨਕਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ। ਪ੍ਰਤੀਕ੍ਰਿਤੀ ਵਿੱਚ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਭਵਿੱਖਬਾਣੀ ਸ਼ਕਤੀ ਨਹੀਂ - ਦਰਅਸਲ, ਸਟਾਕ ਦੀ ਹਮੇਸ਼ਾ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਇੱਕ ਭੋਲੀ ਰਣਨੀਤੀ ਨੇ ਅਗਲੇ ਦਿਨ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ML ਮਾਡਲਾਂ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ। ਲੇਖਕਾਂ ਨੇ ਸਿੱਟਾ ਕੱਢਿਆ ਕਿ ਉਨ੍ਹਾਂ ਦੇ ਨਤੀਜੇ "ਰੈਂਡਮ ਵਾਕ ਥਿਊਰੀ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ" , ਭਾਵ ਸਟਾਕ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਅਸਲ ਵਿੱਚ ਅਣਪਛਾਤੀਆਂ ਸਨ ਅਤੇ ML ਮਾਡਲਾਂ ਨੇ ਮਦਦ ਨਹੀਂ ਕੀਤੀ। ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ ਕਿ ਨਤੀਜੇ ਬਾਜ਼ਾਰ ਅਤੇ ਮਿਆਦ ਦੇ ਅਨੁਸਾਰ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਬਦਲ ਸਕਦੇ ਹਨ। ਇਸੇ ਤਰ੍ਹਾਂ, ਕਈ ਕਾਗਲ ਮੁਕਾਬਲਿਆਂ ਅਤੇ ਕੁਆਂਟ ਖੋਜ ਮੁਕਾਬਲਿਆਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਜਦੋਂ ਮਾਡਲ ਅਕਸਰ ਪਿਛਲੇ ਡੇਟਾ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫਿੱਟ ਕਰ ਸਕਦੇ ਹਨ, ਤਾਂ ਲਾਈਵ ਵਪਾਰ ਵਿੱਚ ਉਨ੍ਹਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਅਕਸਰ ਨਵੀਆਂ ਸਥਿਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨ ਤੋਂ ਬਾਅਦ 50% ਸ਼ੁੱਧਤਾ (ਦਿਸ਼ਾ ਭਵਿੱਖਬਾਣੀ ਲਈ) ਵੱਲ ਵਾਪਸ ਚਲਾ ਜਾਂਦਾ ਹੈ। 2007 ਦੇ ਕੁਆਂਟ ਫੰਡ ਦੇ ਪਤਨ ਅਤੇ 2020 ਦੇ ਮਹਾਂਮਾਰੀ ਦੇ ਝਟਕੇ ਦੌਰਾਨ AI-ਸੰਚਾਲਿਤ ਫੰਡਾਂ ਨੂੰ ਦਰਪੇਸ਼ ਮੁਸ਼ਕਲਾਂ ਵਰਗੀਆਂ ਉਦਾਹਰਣਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ ਜਦੋਂ ਮਾਰਕੀਟ ਸ਼ਾਸਨ ਬਦਲਦਾ ਹੈ ਤਾਂ AI ਮਾਡਲ ਅਚਾਨਕ ਡਿੱਗ ਸਕਦੇ ਹਨ। ਸਰਵਾਈਵਰਸ਼ਿਪ ਪੱਖਪਾਤ ਵੀ ਧਾਰਨਾਵਾਂ ਵਿੱਚ ਇੱਕ ਕਾਰਕ ਹੈ - ਅਸੀਂ ਅਸਫਲਤਾਵਾਂ ਨਾਲੋਂ AI ਸਫਲਤਾਵਾਂ ਬਾਰੇ ਜ਼ਿਆਦਾ ਸੁਣਦੇ ਹਾਂ, ਪਰ ਪਰਦੇ ਪਿੱਛੇ, ਬਹੁਤ ਸਾਰੇ ਮਾਡਲ ਅਤੇ ਫੰਡ ਚੁੱਪਚਾਪ ਅਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ ਅਤੇ ਬੰਦ ਹੋ ਜਾਂਦੇ ਹਨ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਕੰਮ ਕਰਨਾ ਬੰਦ ਕਰ ਦਿੰਦੀਆਂ ਹਨ।

• ਬਾਜ਼ਾਰਾਂ ਵਿੱਚ ਅੰਤਰ: ਅਧਿਐਨਾਂ ਤੋਂ ਇੱਕ ਦਿਲਚਸਪ ਨਿਰੀਖਣ ਇਹ ਹੈ ਕਿ AI ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਬਾਜ਼ਾਰ ਦੀ ਪਰਿਪੱਕਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਹੈ। ਮੁਕਾਬਲਤਨ ਘੱਟ ਕੁਸ਼ਲ ਜਾਂ ਉੱਭਰ ਰਹੇ ਬਾਜ਼ਾਰਾਂ ਵਿੱਚ, ਵਧੇਰੇ ਸ਼ੋਸ਼ਣਯੋਗ ਪੈਟਰਨ ਹੋ ਸਕਦੇ ਹਨ (ਘੱਟ ਵਿਸ਼ਲੇਸ਼ਕ ਕਵਰੇਜ, ਤਰਲਤਾ ਦੀਆਂ ਰੁਕਾਵਟਾਂ, ਜਾਂ ਵਿਵਹਾਰਕ ਪੱਖਪਾਤ ਦੇ ਕਾਰਨ), AI ਮਾਡਲਾਂ ਨੂੰ ਉੱਚ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ। 93% ਸ਼ੁੱਧਤਾ ਵਾਲਾ ਵੀਅਤਨਾਮ ਮਾਰਕੀਟ LSTM ਅਧਿਐਨ ਇਸਦੀ ਇੱਕ ਉਦਾਹਰਣ ਹੋ ਸਕਦਾ ਹੈ। ਇਸਦੇ ਉਲਟ, ਅਮਰੀਕਾ ਵਰਗੇ ਬਹੁਤ ਕੁਸ਼ਲ ਬਾਜ਼ਾਰਾਂ ਵਿੱਚ, ਉਨ੍ਹਾਂ ਪੈਟਰਨਾਂ ਨੂੰ ਜਲਦੀ ਹੀ ਆਰਬਿਟਰੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਵੀਅਤਨਾਮ ਕੇਸ ਅਤੇ ਯੂਐਸ ਪ੍ਰਤੀਕ੍ਰਿਤੀ ਅਧਿਐਨ ਦੇ ਵਿਚਕਾਰ ਮਿਸ਼ਰਤ ਨਤੀਜੇ ਇਸ ਅੰਤਰ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੇ ਹਨ। ਵਿਸ਼ਵ ਪੱਧਰ 'ਤੇ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ AI ਵਰਤਮਾਨ ਵਿੱਚ ਕੁਝ ਖਾਸ ਬਾਜ਼ਾਰਾਂ ਜਾਂ ਸੰਪਤੀ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਬਿਹਤਰ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਦਰਸ਼ਨ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ, ਕੁਝ ਨੇ ਵਸਤੂਆਂ ਦੀਆਂ ਕੀਮਤਾਂ ਜਾਂ ਕ੍ਰਿਪਟੋਕੁਰੰਸੀ ਰੁਝਾਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ AI ਨੂੰ ਵੱਖ-ਵੱਖ ਸਫਲਤਾ ਦੇ ਨਾਲ ਲਾਗੂ ਕੀਤਾ ਹੈ)। ਸਮੇਂ ਦੇ ਨਾਲ, ਜਿਵੇਂ-ਜਿਵੇਂ ਸਾਰੇ ਬਾਜ਼ਾਰ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਵੱਲ ਵਧਦੇ ਹਨ, ਆਸਾਨ ਭਵਿੱਖਬਾਣੀ ਜਿੱਤਾਂ ਲਈ ਵਿੰਡੋ ਘੱਟ ਜਾਂਦੀ ਹੈ।

• ਸ਼ੁੱਧਤਾ ਬਨਾਮ ਮੁਨਾਫ਼ਾ: ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਨਿਵੇਸ਼ ਮੁਨਾਫ਼ੇ ਤੋਂ ਵੱਖ ਕਰਨਾ ਵੀ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ । ਇੱਕ ਮਾਡਲ ਇੱਕ ਸਟਾਕ ਦੀ ਰੋਜ਼ਾਨਾ ਉੱਪਰ-ਹੇਠਾਂ ਦੀ ਗਤੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਸਿਰਫ਼ 60% ਸਹੀ ਹੋ ਸਕਦਾ ਹੈ - ਜੋ ਕਿ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਹੀਂ ਲੱਗਦਾ - ਪਰ ਜੇਕਰ ਉਹਨਾਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਇੱਕ ਸਮਾਰਟ ਵਪਾਰ ਰਣਨੀਤੀ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹ ਕਾਫ਼ੀ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੇ ਹਨ। ਇਸਦੇ ਉਲਟ, ਇੱਕ ਮਾਡਲ 90% ਸ਼ੁੱਧਤਾ ਦਾ ਮਾਣ ਕਰ ਸਕਦਾ ਹੈ ਪਰ ਜੇਕਰ 10% ਵਾਰ ਇਹ ਗਲਤ ਹੈ ਤਾਂ ਇਹ ਵੱਡੀਆਂ ਮਾਰਕੀਟ ਚਾਲਾਂ (ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਵੱਡੇ ਨੁਕਸਾਨ) ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਲਾਭਕਾਰੀ ਨਹੀਂ ਹੋ ਸਕਦਾ। ਬਹੁਤ ਸਾਰੇ AI ਸਟਾਕ ਭਵਿੱਖਬਾਣੀ ਯਤਨ ਦਿਸ਼ਾਤਮਕ ਸ਼ੁੱਧਤਾ ਜਾਂ ਗਲਤੀ ਨੂੰ ਘੱਟ ਕਰਨ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੇ ਹਨ, ਪਰ ਨਿਵੇਸ਼ਕ ਜੋਖਮ-ਅਨੁਕੂਲ ਰਿਟਰਨ ਦੀ ਪਰਵਾਹ ਕਰਦੇ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ, ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ ਅਕਸਰ ਸ਼ਾਰਪ ਅਨੁਪਾਤ, ਡਰਾਅਡਾਊਨ, ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਇਕਸਾਰਤਾ ਵਰਗੇ ਮੈਟ੍ਰਿਕਸ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ, ਨਾ ਕਿ ਸਿਰਫ਼ ਕੱਚਾ ਹਿੱਟ ਦਰ। ਕੁਝ AI ਮਾਡਲਾਂ ਨੂੰ ਐਲਗੋਰਿਦਮਿਕ ਵਪਾਰ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਸਥਿਤੀਆਂ ਅਤੇ ਜੋਖਮ ਨੂੰ ਆਪਣੇ ਆਪ ਪ੍ਰਬੰਧਿਤ ਕਰਦੇ ਹਨ - ਉਹਨਾਂ ਦਾ ਅਸਲ ਪ੍ਰਦਰਸ਼ਨ ਸਟੈਂਡਅਲੋਨ ਭਵਿੱਖਬਾਣੀ ਅੰਕੜਿਆਂ ਦੀ ਬਜਾਏ ਲਾਈਵ ਵਪਾਰ ਰਿਟਰਨ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ। ਹੁਣ ਤੱਕ, ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖੁਦਮੁਖਤਿਆਰ "AI ਵਪਾਰੀ" ਜੋ ਸਾਲ ਦਰ ਸਾਲ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਪੈਸਾ ਕਮਾਉਂਦਾ ਹੈ, ਅਸਲੀਅਤ ਨਾਲੋਂ ਵਧੇਰੇ ਵਿਗਿਆਨਕ ਕਲਪਨਾ ਹੈ, ਪਰ ਤੰਗ ਐਪਲੀਕੇਸ਼ਨਾਂ (ਜਿਵੇਂ ਕਿ ਇੱਕ AI ਮਾਡਲ ਜੋ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੀ ਮਾਰਕੀਟ ਅਸਥਿਰਤਾ ਜਿਸਨੂੰ ਵਪਾਰੀ ਕੀਮਤ ਵਿਕਲਪਾਂ ਲਈ ਵਰਤ ਸਕਦੇ ਹਨ, ਆਦਿ) ਨੇ ਵਿੱਤੀ ਟੂਲਕਿੱਟ ਵਿੱਚ ਇੱਕ ਜਗ੍ਹਾ ਲੱਭ ਲਈ ਹੈ।

ਕੁੱਲ ਮਿਲਾ ਕੇ, ਸਬੂਤ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ AI ਕੁਝ ਖਾਸ ਮਾਰਕੀਟ ਪੈਟਰਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਸੰਭਾਵਨਾ ਨਾਲੋਂ ਬਿਹਤਰ ਸ਼ੁੱਧਤਾ ਨਾਲ ਕਰ ਸਕਦਾ ਹੈ , ਅਤੇ ਅਜਿਹਾ ਕਰਨ ਨਾਲ ਇੱਕ ਵਪਾਰਕ ਕਿਨਾਰਾ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਉਹ ਕਿਨਾਰਾ ਅਕਸਰ ਛੋਟਾ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਲਾਭ ਉਠਾਉਣ ਲਈ ਸੂਝਵਾਨ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜਦੋਂ ਕੋਈ ਪੁੱਛਦਾ ਹੈ, ਕੀ AI ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ? , ਤਾਂ ਮੌਜੂਦਾ ਸਬੂਤਾਂ ਦੇ ਅਧਾਰ ਤੇ ਸਭ ਤੋਂ ਇਮਾਨਦਾਰ ਜਵਾਬ ਇਹ ਹੈ: AI ਕਈ ਵਾਰ ਖਾਸ ਸਥਿਤੀਆਂ ਵਿੱਚ ਸਟਾਕ ਮਾਰਕੀਟ ਦੇ ਪਹਿਲੂਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਹਰ ਸਮੇਂ ਸਾਰੇ ਸਟਾਕਾਂ ਲਈ ਨਿਰੰਤਰ ਅਜਿਹਾ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਸਫਲਤਾਵਾਂ ਅੰਸ਼ਕ ਅਤੇ ਸੰਦਰਭ-ਨਿਰਭਰ ਹੁੰਦੀਆਂ ਹਨ।

ਸਿੱਟਾ: ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ AI ਲਈ ਯਥਾਰਥਵਾਦੀ ਉਮੀਦਾਂ

ਏਆਈ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਿਨਾਂ ਸ਼ੱਕ ਵਿੱਤ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਔਜ਼ਾਰ ਬਣ ਗਏ ਹਨ। ਉਹ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ, ਲੁਕਵੇਂ ਸਬੰਧਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਨ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਉੱਡਦੇ ਸਮੇਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਿੱਚ ਵੀ ਉੱਤਮ ਹਨ। ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਵਿੱਚ, ਏਆਈ ਨੇ ਠੋਸ ਪਰ ਸੀਮਤ ਜਿੱਤਾਂ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਹਨ। ਨਿਵੇਸ਼ਕ ਅਤੇ ਸੰਸਥਾਵਾਂ ਅਸਲ ਵਿੱਚ ਏਆਈ ਤੋਂ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸਹਾਇਤਾ ਦੀ ਉਮੀਦ ਕਰ ਸਕਦੇ ਹਨ - ਉਦਾਹਰਣ ਵਜੋਂ, ਭਵਿੱਖਬਾਣੀ ਸੰਕੇਤ ਪੈਦਾ ਕਰਕੇ, ਪੋਰਟਫੋਲੀਓ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਕੇ, ਜਾਂ ਜੋਖਮ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਕੇ - ਪਰ ਇੱਕ ਕ੍ਰਿਸਟਲ ਬਾਲ ਵਜੋਂ ਕੰਮ ਨਹੀਂ ਕਰਨਾ ਜੋ ਮੁਨਾਫ਼ੇ ਦੀ ਗਰੰਟੀ ਦਿੰਦਾ ਹੈ।

AI ਕੀ
ਸਕਦਾ ਹੈ : AI ਨਿਵੇਸ਼ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦਾ ਹੈ। ਇਹ ਸਾਲਾਂ ਦੇ ਮਾਰਕੀਟ ਡੇਟਾ, ਨਿਊਜ਼ ਫੀਡ ਅਤੇ ਵਿੱਤੀ ਰਿਪੋਰਟਾਂ ਨੂੰ ਸਕਿੰਟਾਂ ਵਿੱਚ ਛਾਂਟ ਸਕਦਾ ਹੈ, ਸੂਖਮ ਪੈਟਰਨਾਂ ਜਾਂ ਵਿਗਾੜਾਂ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਇੱਕ ਮਨੁੱਖ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਸਕਦਾ ਹੈ ( ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ... | FMP )। ਇਹ ਸੈਂਕੜੇ ਵੇਰੀਏਬਲ (ਤਕਨੀਕੀ, ਬੁਨਿਆਦੀ, ਭਾਵਨਾ, ਆਦਿ) ਨੂੰ ਇੱਕ ਸੁਮੇਲ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ ਜੋੜ ਸਕਦਾ ਹੈ। ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੇ ਵਪਾਰ ਵਿੱਚ, AI ਐਲਗੋਰਿਦਮ ਬੇਤਰਤੀਬ ਸ਼ੁੱਧਤਾ ਨਾਲੋਂ ਥੋੜ੍ਹਾ ਬਿਹਤਰ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਇੱਕ ਸਟਾਕ ਦੂਜੇ ਨੂੰ ਪਛਾੜ ਦੇਵੇਗਾ, ਜਾਂ ਇੱਕ ਬਾਜ਼ਾਰ ਅਸਥਿਰਤਾ ਵਿੱਚ ਵਾਧੇ ਦਾ ਅਨੁਭਵ ਕਰਨ ਵਾਲਾ ਹੈ। ਇਹ ਵਧਦੇ ਕਿਨਾਰੇ, ਜਦੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਸ਼ੋਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਅਸਲ ਵਿੱਤੀ ਲਾਭਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰ ਸਕਦੇ ਹਨ। AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ - ਮੰਦੀ ਦੀਆਂ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਜਾਂ ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਭਵਿੱਖਬਾਣੀ ਦੇ ਵਿਸ਼ਵਾਸ ਪੱਧਰ ਬਾਰੇ ਸੂਚਿਤ ਕਰਨਾ। AI ਦੀ ਇੱਕ ਹੋਰ ਵਿਹਾਰਕ ਭੂਮਿਕਾ ਰਣਨੀਤੀ ਆਟੋਮੇਸ਼ਨ : ਐਲਗੋਰਿਦਮ ਉੱਚ ਗਤੀ ਅਤੇ ਬਾਰੰਬਾਰਤਾ 'ਤੇ ਵਪਾਰ ਕਰ ਸਕਦੇ ਹਨ, 24/7 ਘਟਨਾਵਾਂ 'ਤੇ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਅਨੁਸ਼ਾਸਨ (ਕੋਈ ਭਾਵਨਾਤਮਕ ਵਪਾਰ ਨਹੀਂ) ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਨ, ਜੋ ਅਸਥਿਰ ਬਾਜ਼ਾਰਾਂ ਵਿੱਚ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦਾ ਹੈ।

AI ਕੀ
ਸਕਦਾ (ਫਿਰ ਵੀ): ਕੁਝ ਮੀਡੀਆ ਵਿੱਚ ਪ੍ਰਚਾਰ ਦੇ ਬਾਵਜੂਦ, AI ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਨਿਰੰਤਰ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ, ਇਸ ਲਈ ਇਹ ਬਾਜ਼ਾਰ ਨੂੰ ਹਮੇਸ਼ਾ ਹਰਾਉਂਦਾ ਹੈ ਜਾਂ ਵੱਡੇ ਮੋੜਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਬਾਜ਼ਾਰ ਮਨੁੱਖੀ ਵਿਵਹਾਰ, ਬੇਤਰਤੀਬ ਘਟਨਾਵਾਂ ਅਤੇ ਗੁੰਝਲਦਾਰ ਫੀਡਬੈਕ ਲੂਪਾਂ ਤੋਂ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੇ ਹਨ ਜੋ ਕਿਸੇ ਵੀ ਸਥਿਰ ਮਾਡਲ ਦੀ ਉਲੰਘਣਾ ਕਰਦੇ ਹਨ। AI ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਖਤਮ ਨਹੀਂ ਕਰਦਾ; ਇਹ ਸਿਰਫ ਸੰਭਾਵਨਾਵਾਂ ਵਿੱਚ ਹੀ ਕੰਮ ਕਰਦਾ ਹੈ। ਇੱਕ AI ਕੱਲ੍ਹ ਸਟਾਕ ਦੇ ਵਧਣ ਦੀ 70% ਸੰਭਾਵਨਾ ਦਾ ਸੰਕੇਤ ਦੇ ਸਕਦਾ ਹੈ - ਜਿਸਦਾ ਅਰਥ ਹੈ 30% ਸੰਭਾਵਨਾ ਇਹ ਵੀ ਹੈ ਕਿ ਇਹ ਨਹੀਂ ਵਧੇਗਾ। ਵਪਾਰ ਗੁਆਉਣਾ ਅਤੇ ਮਾੜੇ ਕਾਲਾਂ ਦਾ ਨੁਕਸਾਨ ਅਟੱਲ ਹਨ। AI ਸੱਚਮੁੱਚ ਨਵੀਆਂ ਘਟਨਾਵਾਂ (ਅਕਸਰ "ਕਾਲੇ ਹੰਸ" ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ) ਦੀ ਉਮੀਦ ਨਹੀਂ ਕਰ ਸਕਦਾ ਜੋ ਇਸਦੇ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਖੇਤਰ ਤੋਂ ਬਾਹਰ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕੋਈ ਵੀ ਸਫਲ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਮੁਕਾਬਲੇ ਨੂੰ ਸੱਦਾ ਦਿੰਦਾ ਹੈ ਜੋ ਇਸਦੇ ਫਾਇਦੇ ਨੂੰ ਖਤਮ ਕਰ ਸਕਦਾ ਹੈ। ਸੰਖੇਪ ਵਿੱਚ, ਇੱਕ ਕ੍ਰਿਸਟਲ ਬਾਲ ਦੇ ਬਰਾਬਰ ਕੋਈ AI ਨਹੀਂ ਹੈ ਜੋ ਮਾਰਕੀਟ ਦੇ ਭਵਿੱਖ ਵਿੱਚ ਦੂਰਦਰਸ਼ਤਾ ਦੀ ਗਰੰਟੀ ਦਿੰਦਾ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਕਿਸੇ ਵੀ ਹੋਰ ਦਾਅਵੇ ਤੋਂ ਸਾਵਧਾਨ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ।

ਨਿਰਪੱਖ, ਯਥਾਰਥਵਾਦੀ ਦ੍ਰਿਸ਼ਟੀਕੋਣ:
ਇੱਕ ਨਿਰਪੱਖ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ, AI ਨੂੰ ਰਵਾਇਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਮਨੁੱਖੀ ਸੂਝ ਦੇ ਬਦਲ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਸੁਧਾਰ ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ। ਅਭਿਆਸ ਵਿੱਚ, ਬਹੁਤ ਸਾਰੇ ਸੰਸਥਾਗਤ ਨਿਵੇਸ਼ਕ ਮਨੁੱਖੀ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਅਤੇ ਪੋਰਟਫੋਲੀਓ ਪ੍ਰਬੰਧਕਾਂ ਤੋਂ ਇਨਪੁਟ ਦੇ ਨਾਲ AI ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। AI ਸੰਖਿਆਵਾਂ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ ਅਤੇ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਆਉਟਪੁੱਟ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਮਨੁੱਖ ਉਦੇਸ਼ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ, ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ, ਅਤੇ ਸੰਦਰਭ ਲਈ ਰਣਨੀਤੀਆਂ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਦੇ ਹਨ (ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਅਣਕਿਆਸੇ ਸੰਕਟ ਦੌਰਾਨ ਇੱਕ ਮਾਡਲ ਨੂੰ ਓਵਰਰਾਈਡ ਕਰਨਾ)। AI-ਸੰਚਾਲਿਤ ਟੂਲਸ ਜਾਂ ਟ੍ਰੇਡਿੰਗ ਬੋਟਸ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਪ੍ਰਚੂਨ ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਚੌਕਸ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਟੂਲ ਦੇ ਤਰਕ ਅਤੇ ਸੀਮਾਵਾਂ ਨੂੰ ਸਮਝਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ AI ਸਿਫ਼ਾਰਸ਼ ਦੀ ਅੰਨ੍ਹੇਵਾਹ ਪਾਲਣਾ ਕਰਨਾ ਜੋਖਮ ਭਰਿਆ ਹੈ - ਇੱਕ ਨੂੰ ਇਸਨੂੰ ਬਹੁਤ ਸਾਰੇ ਲੋਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਇਨਪੁਟ ਵਜੋਂ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ।

ਯਥਾਰਥਵਾਦੀ ਉਮੀਦਾਂ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹੋਏ, ਕੋਈ ਇਹ ਸਿੱਟਾ ਕੱਢ ਸਕਦਾ ਹੈ: ਏਆਈ ਕੁਝ ਹੱਦ ਤੱਕ ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਨਿਸ਼ਚਤਤਾ ਨਾਲ ਨਹੀਂ ਅਤੇ ਗਲਤੀ ਤੋਂ ਬਿਨਾਂ ਨਹੀਂ । ਇਹ ਸਹੀ ਫੈਸਲਾ ਲੈਣ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਵਧਾ ਕੁਸ਼ਲਤਾ , ਜੋ ਕਿ ਮੁਕਾਬਲੇ ਵਾਲੇ ਬਾਜ਼ਾਰਾਂ ਵਿੱਚ ਲਾਭ ਅਤੇ ਨੁਕਸਾਨ ਵਿੱਚ ਅੰਤਰ ਹੋ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਗਰੰਟੀ ਨਹੀਂ ਦੇ ਸਕਦਾ ਜਾਂ ਇਕੁਇਟੀ ਬਾਜ਼ਾਰਾਂ ਦੀ ਅੰਦਰੂਨੀ ਅਸਥਿਰਤਾ ਅਤੇ ਜੋਖਮ ਨੂੰ ਖਤਮ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਜਿਵੇਂ ਕਿ ਇੱਕ ਪ੍ਰਕਾਸ਼ਨ ਨੇ ਦੱਸਿਆ ਹੈ, ਕੁਸ਼ਲ ਐਲਗੋਰਿਦਮ ਦੇ ਨਾਲ ਵੀ, ਸਟਾਕ ਮਾਰਕੀਟ ਵਿੱਚ ਨਤੀਜੇ ਡੀਪ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਟਾਕ ਮਾਰਕੀਟ ਭਵਿੱਖਬਾਣੀ ) ਦੇ ਕਾਰਨ "ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਅਣਪਛਾਤੇ"

ਅੱਗੇ ਦਾ ਰਸਤਾ:
ਅੱਗੇ ਦੇਖਦੇ ਹੋਏ, ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ AI ਦੀ ਭੂਮਿਕਾ ਵਧਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਚੱਲ ਰਹੀ ਖੋਜ ਕੁਝ ਸੀਮਾਵਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰ ਰਹੀ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ, ਉਹ ਮਾਡਲ ਵਿਕਸਤ ਕਰਨਾ ਜੋ ਸ਼ਾਸਨ ਤਬਦੀਲੀਆਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹਨ, ਜਾਂ ਹਾਈਬ੍ਰਿਡ ਪ੍ਰਣਾਲੀਆਂ ਜੋ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਅਤੇ ਘਟਨਾ-ਸੰਚਾਲਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਦੋਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੀਆਂ ਹਨ)। ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ ਏਜੰਟਾਂ ਜੋ ਅਸਲ-ਸਮੇਂ ਵਿੱਚ ਨਵੇਂ ਮਾਰਕੀਟ ਡੇਟਾ ਦੇ ਅਨੁਕੂਲ ਬਣਦੇ ਹਨ, ਜੋ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਸਥਿਰ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲਾਂ ਨਾਲੋਂ ਬਦਲਦੇ ਵਾਤਾਵਰਣ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਸੰਭਾਲ ਸਕਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਵਹਾਰਕ ਵਿੱਤ ਜਾਂ ਨੈੱਟਵਰਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਤਕਨੀਕਾਂ ਨਾਲ AI ਨੂੰ ਜੋੜਨ ਨਾਲ ਮਾਰਕੀਟ ਗਤੀਸ਼ੀਲਤਾ ਦੇ ਅਮੀਰ ਮਾਡਲ ਪ੍ਰਾਪਤ ਹੋ ਸਕਦੇ ਹਨ। ਫਿਰ ਵੀ, ਸਭ ਤੋਂ ਉੱਨਤ ਭਵਿੱਖ AI ਵੀ ਸੰਭਾਵਨਾ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਅੰਦਰ ਕੰਮ ਕਰੇਗਾ।

ਸੰਖੇਪ ਵਿੱਚ, "ਕੀ AI ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ?" ਦਾ ਜਵਾਬ ਹਾਂ ਜਾਂ ਨਾਂਹ ਵਿੱਚ ਨਹੀਂ ਹੈ। ਸਭ ਤੋਂ ਸਹੀ ਜਵਾਬ ਇਹ ਹੈ: AI ਸਟਾਕ ਮਾਰਕੀਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਅਚਨਚੇਤ ਨਹੀਂ ਹੈ। ਇਹ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ, ਜਦੋਂ ਸਮਝਦਾਰੀ ਨਾਲ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਵਪਾਰਕ ਰਣਨੀਤੀਆਂ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ, ਪਰ ਇਹ ਬਾਜ਼ਾਰਾਂ ਦੀ ਬੁਨਿਆਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਦੂਰ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਇਸਦੀਆਂ ਕਮਜ਼ੋਰੀਆਂ ਤੋਂ ਜਾਣੂ ਰਹਿੰਦੇ ਹੋਏ, ਇਸਦੀਆਂ ਸ਼ਕਤੀਆਂ - ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਪੈਟਰਨ ਪਛਾਣ - ਲਈ AI ਨੂੰ ਅਪਣਾਉਣ ਦੀ ਲੋੜ ਹੈ। ਅਜਿਹਾ ਕਰਨ ਨਾਲ, ਕੋਈ ਵੀ ਦੋਵਾਂ ਸੰਸਾਰਾਂ ਦੇ ਸਭ ਤੋਂ ਵਧੀਆ ਦਾ ਲਾਭ ਉਠਾ ਸਕਦਾ ਹੈ: ਮਨੁੱਖੀ ਨਿਰਣੇ ਅਤੇ ਮਸ਼ੀਨ ਇੰਟੈਲੀਜੈਂਸ ਇਕੱਠੇ ਕੰਮ ਕਰਨਾ। ਸਟਾਕ ਮਾਰਕੀਟ ਕਦੇ ਵੀ 100% ਅਨੁਮਾਨਯੋਗ ਨਹੀਂ ਹੋ ਸਕਦਾ, ਪਰ ਯਥਾਰਥਵਾਦੀ ਉਮੀਦਾਂ ਅਤੇ AI ਦੀ ਸਮਝਦਾਰੀ ਨਾਲ ਵਰਤੋਂ ਦੇ ਨਾਲ, ਮਾਰਕੀਟ ਭਾਗੀਦਾਰ ਇੱਕ ਲਗਾਤਾਰ ਵਿਕਸਤ ਹੋ ਰਹੇ ਵਿੱਤੀ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਬਿਹਤਰ-ਸੂਚਿਤ, ਵਧੇਰੇ ਅਨੁਸ਼ਾਸਿਤ ਨਿਵੇਸ਼ ਫੈਸਲਿਆਂ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਨ।

ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਵ੍ਹਾਈਟਪੇਪਰ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:

🔗 ਉਹ ਨੌਕਰੀਆਂ ਜਿਨ੍ਹਾਂ ਨੂੰ AI ਨਹੀਂ ਬਦਲ ਸਕਦਾ - ਅਤੇ ਕਿਹੜੀਆਂ ਨੌਕਰੀਆਂ ਨੂੰ AI ਬਦਲੇਗਾ?
ਖੋਜੋ ਕਿ ਕਿਹੜੇ ਕਰੀਅਰ ਭਵਿੱਖ ਲਈ ਸੁਰੱਖਿਅਤ ਹਨ ਅਤੇ ਕਿਹੜੇ ਸਭ ਤੋਂ ਵੱਧ ਜੋਖਮ ਵਿੱਚ ਹਨ ਕਿਉਂਕਿ AI ਵਿਸ਼ਵਵਿਆਪੀ ਰੁਜ਼ਗਾਰ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇ ਰਿਹਾ ਹੈ।

🔗 ਮਨੁੱਖੀ ਦਖਲਅੰਦਾਜ਼ੀ ਤੋਂ ਬਿਨਾਂ ਜਨਰੇਟਿਵ ਏਆਈ ਕੀ ਕਰਨ 'ਤੇ ਨਿਰਭਰ ਹੋ ਸਕਦਾ ਹੈ?
ਵਿਹਾਰਕ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਜਨਰੇਟਿਵ ਏਆਈ ਦੀਆਂ ਮੌਜੂਦਾ ਸੀਮਾਵਾਂ ਅਤੇ ਖੁਦਮੁਖਤਿਆਰ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸਮਝੋ।

🔗 ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਵਿੱਚ ਜਨਰੇਟਿਵ ਏਆਈ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ?
ਜਾਣੋ ਕਿ ਏਆਈ ਕਿਵੇਂ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਆਟੋਨੋਮਸ ਟੂਲਸ ਨਾਲ ਖਤਰਿਆਂ ਤੋਂ ਬਚਾਅ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ ਸਾਈਬਰ ਲਚਕੀਲੇਪਣ ਨੂੰ ਵਧਾ ਰਿਹਾ ਹੈ।