Technologia, która zmienia sposób analizowania rynków.

W serwisach internetowych do analizy spółek obok tabel z przychodami i zyskami pojawiają się podsumowania przygotowane przez sztuczną inteligencję, na przykład krótka ocena spółki albo informacja, że zainteresowanie spółką rośnie. Czy takie gotowe podsumowanie może zastąpić samodzielne czytanie raportów spółki? W serwisie widać sam wniosek, natomiast nie widać, z jakich informacji program ten go ułożył ani z jakiego okresu pochodzą zebrane informacje. Odpowiedź daje sprawdzenie, skąd program bierze informacje i w jaki sposób zamienia je na wnioski, bo od sposobu pracy programu zależy, kiedy gotowe podsumowanie pomaga, a kiedy wprowadza w błąd.

Weźmy Elegancką Inwestorkę, która w 2023 roku zainwestowała 12 000 zł w akcje producenta odzieży i przed podjęciem tej decyzji przeczytała dwa ostatnie raporty roczne spółki. W serwisie do analizy spółek zobaczyła przy producencie odzieży podsumowanie mówiące o rosnącym zainteresowaniu marką, oparte na liczbie wyszukiwań nazwy firmy w internecie oraz liczbie wpisów w mediach społecznościowych. Porównała podsumowanie z raportem kwartalnym i z tym, co przeczytała wcześniej, i stwierdziła, że program w kilka minut zebrał informacje zgodne z raportami, więc w tym przypadku skrócił jej czas zbierania informacji. Przy innej spółce, producencie maszyn, podsumowanie opisywało zarząd, który odszedł rok wcześniej, z czego wynika, że program korzystał z nieaktualnych informacji i gotowy wniosek też był nieaktualny. Gdyby zawarła transakcję na akcjach producenta maszyn wyłącznie na podstawie takiego podsumowania, oparłaby decyzję na opisie firmy, który przestał być prawdziwy.

Podsumowania w serwisach do analizy spółek przygotowują programy budowane metodą uczenia maszynowego. Uczenie maszynowe polega na tym, że program otrzymuje bardzo dużo przykładów z przeszłości, na przykład dawnych danych o spółkach, i sam układa na podstawie tych przykładów reguły oceniania, zamiast korzystać z reguł zapisanych przez człowieka. Program zbudowany tą metodą przetwarza więcej informacji, niż człowiek zdoła przeczytać, ale reguły ułożone na podstawie przeszłości przestają pasować, gdy warunki w gospodarce albo w samej spółce się zmieniają. Uczenie maszynowe opisuje sposób budowy programu i nie zapowiada, czy wnioski będą trafne ani jak zmienią się ceny akcji.

Artykuł rozpoczyna się od wyjaśnienia, czym jest sztuczna inteligencja w inwestowaniu oraz jakie zadania wykonuje podczas analizy danych spółek. Następnie porównuje, ile spółek jednocześnie może obserwować człowiek, a ile program, i opisuje korzyści dla inwestorki długoterminowej, czyli łączenie danych finansowych i makroekonomicznych z opisem nastrojów wokół spółek, wcześniejsze zauważanie zmian w zachowaniu klientów oraz pomoc w nauce analizy. Dalej omawia obszary, w których takie programy są dziś używane, wraz z analizą sentymentu oraz danymi alternatywnymi. Osobna część dotyczy ograniczeń, czyli zależności wniosków od jakości informacji, programów, które nie pokazują, na jakiej podstawie powstał wniosek, oraz producentów, którzy ponieśli odpowiedzialność za nieprawdziwe zapewnienia dotyczące swoich programów. Materiał kończy się pierwszymi krokami, czyli poznaniem podstawowych pojęć, wyborem narzędzi opisujących swoje źródła informacji, porównywaniem gotowych wniosków z raportami spółek oraz utrzymaniem długiego horyzontu. Źródła: Investopedia, MSCI, OECD, S&P Dow Jones Indices, Narodowy Bank Polski, CFA Institute.