معماری مدل‌های یادگیری عمیق از ساختاری با عنوان «شبکه عصبی» (Neural Network) تشکیل شده است که با نام «شبکه عصبی مصنوعی» (Artificial Neural Network) نیز شناخته می‌شوند. پس رابطه بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق همانند دوایر تو در تو است. شاید ساده‌ترین راه برای تصور رابطه مثلث هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، تشبیه آنها به عروسک‌های ماتریوشکا روسی است. یعنی به این شکل که هر کدام تو در تو و جزئی از قبلی هستند. یعنی یادگیری ماشین زیر شاخه هوش‌مصنوعی است و یادگیری عمیق زیر شاخه‌ای از یادگیری ماشین، و هر دوی اینها سطوح مختلف هوش مصنوعی هستند.

یادگیری ماشین درواقع به‌معنای یادگیری کامپیوتر از داده‌هایی است که دریافت می‌کند و در آن الگوریتم‌ها برای انجام‌دادن یک کار خاص تعبیه شده‌اند. آن‌ها الگوهای موجود در داده‌ها را تشخیص می‌دهند و یک آنالیز مقدماتی روی آن انجام می‌دهند. الگوریتم‌های یادگیری عمیق را می‌توان تکامل پیچیده‌ای از الگوریتم‌های یادگیری ماشین در نظر گرفت. یادگیری عمیق، الگوریتم‌هایی را توصیف می‌کند که داده‌ها را با ساختاری منطقی، شبیه به نحوه‌ استدلال و استنتاج انسان، تجزیه‌وتحلیل می‌کنند. برای دست‌یابی به این هدف، یادگیری عمیق از الگوریتم‌هایی با ساختار لایه‌ای به‌نام شبکه‌های عصبی مصنوعی (ANN) استفاده می‌کند. در طراحی چنین الگوریتم‌هایی از شبکه عصبی بیولوژیکی مغز انسان الهام گرفته شده است که به فرایند یادگیری می‌انجامد. همانطور که تصمیم‌گیری انسان بر اساس ترکیب محاسبه و احساس است، سعی شده که الگوریتم‌های جدید هوش مصنوعی نیز در این راستا طراحی شود. مثال بارزی که در این زمینه می‌توان ارائه کرد، ماشین ترجمه است. اگر فرایند ترجمه از یک زبان به زبان دیگر بر اساس یادگیری ماشین باشد ترجمه خیلی مکانیکی، تحت اللفظی و بعضا نامفهوم خواهد بود. ولی اگر از یادگیری عمیق برای ترجمه استفاده شود؛ سیستم، بسیاری از متغیرهای مختلف را در فرایند ترجمه دخالت می‌دهد تا ترجمه‌ای شبیه مغز انسان صورت گیرد که طبیعی و قابل فهم است. تفاوت گوگل ترنسلیت 10 سال پیش با اکنون چنین تفاوتی را نشان می‌دهد.

یکی از قابلیت‌های یادگیری ماشین و یادگیری عمیق، پیش بینی بازار سهام است. امروزه در شیوه‌های مدرن، پیش بینی تحولات قیمتی در بازار سهام معمولا به سه روش تحلیل رگرسیونی، تحلیل تکنیکال و با استفاده از یادگیری عمیق صورت می‌گیرد. روش اول تحلیل رگرسیونی است. تحلیل رگرسیونی فن و تکنیکی آماری برای بررسی و مدل‌سازی ارتباط بین متغیرها است؛ مثلا رابطه بین میزان تورم و نوسانات قیمت سهام. در اینجا بیشتر از علم آمار استفاده می‌شود و قیمت احتمالی سهام بر اساس نرخ تورم محاسبه می‌شود. دومین شیوه پیش‌بینی بازار سهام، تحلیل تکنیکال است. در این تحلیل با استفاده از قیمت‌های گذشته و نمودار قیمتی و سایر اطلاعات مانند حجم، رفتار احتمالی بازار سهام در آینده بررسی می‌شود. در اینجا بیشتر علم آمار و ریاضیات (بخش احتمالات) کاربرد دارد و معمولا در تحلیل تکنیکال از مدل‌های خطی استفاده می‌شود و همزمان متغیرهای مختلف کمی ‌و کیفی مد نظر قرار نمی‌گیرند. اگر ماشین ما فقط روی تحولات بازار سهام تحلیل تکنیکال انجام دهد در واقع از الگوی یادگیری ماشین پیروی کرده است. اما مدل دیگر پیش‌بینی قیمت سهام، استفاده از هوش مصنوعی از نوع یادگیری عمیق است که به آن شبکه‌های عصبی مصنوعی (ANN) می‌گویند. شبکه‌های عصبی مصنوعی در مدل سازی فرایندهای غیرخطی که منتج به قیمت و روند سهام می‌شوند، می‌تواند بسیار مفید باشد. همچنین درصد خطای شبکه عصبی نسبت به تحلیل رگرسیونی و تکنیکال به مراتب کمتر است.

شبکه‌های عصبی در دو فاز آموزش و پیش بینی عمل می‌کنند. در طول مرحله آموزش، شبکه عصبی با داده‌های تا الان بازار، از جمله قیمت ارزهای دیجیتال، حجم معاملات، شاخص‌های اقتصادی و سایر اطلاعات مرتبط تغذیه می‌شود. شبکه از این داده‌ها یاد می‌گیرد و پارامترهای داخلی خود را برای تشخیص الگوها و همبستگی‌ها تنظیم می‌کند. این فرآیند یادگیری تحت نظارت، اساس توانایی شبکه برای پیش‌بینی در آینده را تشکیل می‌دهد. پس از آموزش کافی شبکه عصبی، وارد فاز پیش‌بینی می‌شود. در این بخش، داده‌های جدید و فوری را تحویل می‌گیرد و از طریق لایه‌های به هم پیوسته شبکه پردازش می‌کند. پارامترهای داخلی شبکه که در مرحله آموزش شکل می‌گیرند، آن را قادر می‌سازد تا پیش‌بینی‌هایی مانند قیمت‌های آتی ارزهای دیجیتال یا روند بازار ارائه دهد. در گذشته از شبکه عصبی پرسپترون چند لایه استفاده می‌شد؛ اما مشکل مهم این نوع شبکه عصبی، نبود حافظه بود. به عبارت دیگر نمی‌توانست از اطلاعات موجود در حافظه و تجارب قبلی برای تحلیل وضعیت موجود بهره ببرد؛ چون اساسا چنین حافظه‌ای وجود نداشت. اما امروزه از شبکه عصبی بازگشتی با حافظه کوتاه مدت بلند (Long short-term memory یا به اختصار LSTM) استفاده می‌شود. شبکه عصبی بازگشتی، قابلیت ذخیره اطلاعات ورودی را دارد و می‌تواند از این اطلاعات در مراحل بعدی یادگیری استفاده کند. چنین ویژگی مهمی‌ در شبکه عصبی بازگشتی، قابلیت شبکه در تحلیل ساختار پیچیدۀ روابط میان داده‌های قیمت سهام را به شدت افزایش می‌دهد. امروزه بسیاری از اپلیکشن‌های بازار مانند Sigmoidal ،Trade Ideas TrendSpider ،Tickeron ،Equbot ،Kavout بر اساس شبکه عصبی نوع دوم طراحی شده‌اند و در واقع از بهترین اپلیکیشن‌های مبتنی بر هوش مصنوعی برای پیش بینی بازار سهام به‌شمار می‌آیند.

با این وصف نمی‌توان به پیش‌بینی هوش مصنوعی از بازار سهام اطمینان داشت؛ زیرا عوامل مختلفی در پیش‌بینی قیمت یک سهم دخیل هستند و فرآیند ساده‌ای نیست که به راحتی قابل مدل سازی سازی باشد. در بسیاری از موارد احساسات انسان در روند قیمتی یک سهم دخیل هستند و در برخی از موارد از منطق خاصی پیروی نمی‌کنند. همچنین ماهیت پدیده‌های اجتماعی بسیار پیچیده و دایما در حال تحول است. اثر گذاری پدیده‌های اجتماعی بر یکدیگر هم ثابت و خطی نیست و ممکن است یک حادثه کل پدیده‌های اجتماعی را شدیدا تحت تاثیر قرار دهد. مثلا با خروج ترامپ از برجام در سال 2018، کسی انتظار نداشت بازارهای مالی ایران رشد هزار درصدی داشته باشد یا ارزش پول ایران مثلا هزار درصد کاهش پیدا کند؛ ولی عملا اینگونه شد. این حادثه در تاریخ 40 سال گذشته ایران بی سابقه بود. همچنین پدیده‌های اجتماعی دایما در حال ساخته شدن هستند و شکل متعین و از پیش تعیین شده در آینده ندارند. رفتار انسان‌ها در بعضی موقعیت‌ها خطی و صرفا مثل گذشته نیست؛ بلکه ممکن است انسان‌ها در موقعیت‌های آینده، رفتاری از خود بروز دهند که ماهیتا با گذشته متفاوت باشد. در صورتی‌که هوش مصنوعی تنها بر اساس داده‌های گذشته یا تا الان، فرایند یادگیری را انجام می‌دهد. هوش مصنوعی برای یادگیری و پیش‌بینی بازار سهام به داده‌های زیاد، دقیق و معتبر نیاز دارد که معمولا در دسترس همه نیست. اگر داده‌های ورودی با کم ‌و کاست، نادرست یا کهنه باشند، توانایی تولید پاسخ درست را از دست می‌دهد. از این گذشته، شاید هوش مصنوعی با داده‌های جدیدی که در اختیار می‌گیرد ناسازگاری ‌کند و درنهایت به خطا برسد. به‌روزرسانی و اصلاح خطاهای هوش مصنوعی هم به تخصص و دانش فنی بالا نیاز دارد که در نهایت یک انسان متخصص باید آن را هدایت کند. نکته دیگر اینکه، ممکن است هوش مصنوعی کارش را درست انجام دهد ولی انسان کاملا به آن اعتماد نداشته باشد؛ همانطور که مسافران با ترس و لرز سوار ماشین‌های بدون راننده می‌شوند. در واقع کسی که می‌خواهد پولش را در بازار سهام در معرض ریسک قرار دهد، به کارشناس انسانی بیش از هوش مصنوعی اعتماد می‌کند. بنابراین هرچند تکنولوژی هوش مصنوعی می‌تواند به کاهش خطاهای انسانی و افزایش سرعت تصمیم‌گیری در بازار مالی کمک کند، ولی قادر نیست به تنهایی و به جای انسان‌، تصمیم‌گیری قابل اعتمادی برای صاحب سهام داشته باشد. بنابراین برای پیش‌بینی قیمت سهام، اگر دو تخصص مالی و علم داده در کنار هوش مصنوعی قرار گیرد بهترین نتیجه حاصل خواهد شد. البته در آینده با پیشرفت‌هایی که در هوش مصنوعی صورت می‌گیرد، ممکن است ضریب خطای آن کاهش یابد؛ ولی آینده مناسبات اجتماعی، از جمله بازار سهام، همیشه نامتعین و همراه عدم قطعیت است.


 

ITMen