Όταν οι μηχανές ακούν και διαβάζουν αυτά που λένε οι εταιρείες

Ένα από τα βασικά πράγματα που κάνουν οι επιχειρήσεις είναι να μιλούν και να γράφουν. Και αυτό είναι μια κρίσιμη πλευρά του πώς επικοινωνούν με τους επενδυτές, ιδίως όταν θέλουν να τους προσελκύσουν.

Μάλιστα, οι επιχειρήσεις παράγουν πια έναν πολύ μεγάλο όγκο λόγου. Εάν δούμε το πόσα κείμενα και στοιχεία πρέπει να δημοσιοποιήσουν κάθε χρόνο, ιδίως αυτές που είναι εισηγμένες σε μεγάλα διεθνή χρηματιστήρια, θα δούμε πραγματικά μεγάλη παραγωγή κειμένων. Κάποια είναι υποχρεωτικά, κάποια περισσότερο εθιμικά. Από τις υποχρεωτικές καταθέσεις στοιχείων για την κατάσταση των επιχειρήσεων, μέχρι τους ετήσιους ή εξαμηνιαίους απολογισμούς, τις αναλυτικές λογιστικές καταστάσεις, τις εισηγήσεις σε γενικές συνελεύσεις, τα ειδικά έντυπα παραμονές δημόσιας εγγραφής ή αύξησης μετοχικού κεφαλαίου,  έως φυσικά τα δελτία τύπου και τις συνεντεύξεις ή ομιλίες των στελεχών των εταιρειών. Ο όγκος τους μάλιστα μεγαλώνει και στο πλαίσιο της διαρκούς προσπάθειας να τροφοδοτείται διαρκώς το επενδυτικό κοινό με πληροφορία αλλά και επειδή οι ρυθμιστικές αρχές των κεφαλαιαγορών ζητούν ολοένα και περισσότερα στοιχεία στις υποχρεωτικές δηλώσεις και ανακοινώσεις των επιχειρήσεων, ιδίως ως προς τη ρητή και σαφή επισήμανση όλων των παραγόντων κινδύνου.

Τα κείμενα αυτά προφανώς και ενδιαφέρουν τους επενδυτές, ενώ αποτελούν και αντικείμενο των διαφόρων αναλυτών που προσπαθούν μέσα από τα στοιχεία που παρατίθενται αλλά και τα κείμενα που τα συνοδεύουν να διαγνώσουν τις πραγματικές προοπτικές μιας εταιρείας και το εάν αποτελεί όντως επενδυτική ευκαιρία ή όχι.

Μόνο που στην εποχή μας θα πρέπει να διευρύνουμε κάπως την έννοια των αναγνωστών. Γιατί δεν είναι απαραίτητα άνθρωποι. Πλέον ολοένα και περισσότερο με τη μελέτη αυτών των κειμένων ασχολούνται συστήματα τεχνητής νοημοσύνης, εξειδικευμένα στην ανάλυση φυσικών γλωσσών που αναζητούν μέσα από την επεξεργασία όλου αυτού του όγκου λόγου να διαγνώσουν οικονομικές τάσεις και να άρα να εντοπίσουν τυχόν επενδυτικές ευκαιρίες.

Η ανάλυση των οικονομικών στοιχείων ήταν κάτι που ούτως ή άλλως γινόταν και με τη χρήση συστημάτων τεχνητής νοημοσύνης. Αυτό που είναι αποτελεί νέα εξέλιξη τα τελευταία χρόνια είναι ότι αυτό επεκτείνεται και σε όλα τα άλλα κείμενα των επιχειρήσεων

Οι επενδυτικές επιλογές στην εποχή των αλγορίθμων και της τεχνητής νοημοσύνης

Όλα αυτά έχουν να κάνουν και με μια σε εξέλιξη επανάσταση στον τρόπο με τον οποίο λειτουργούν οι κεφαλαιαγορές. Ούτως ή άλλως, η ικανότητα πρόβλεψης τάσεων, ακόμη και μέσα από περίπλοκους υπολογισμούς και εκτιμήσεις ήταν βασική πλευρά της λειτουργίας των αγορών εδώ και δεκαετίες και οι αναλυτές χρησιμοποιούσαν ολοένα και μεγαλύτερη υπολογιστική δύναμη για μπορούν να τρέχουν όλο και πιο περίπλοκα μοντέλα με σκοπό να μεγιστοποιήσουν την απόδοση και να ελαχιστοποιήσουν το ρίσκο.

Όμως, πλέον έχουμε ένα σύνολο από πρακτικές που έχουν πολύ περισσότερο να κάνουν με την τεχνητή νοημοσύνη καθαυτή. Πρακτικές όπως οι συναλλαγές μέσω αλγόριθμων (algorithmic trading), όπου στη βάση μερικών βασικών εντολών ένα πρόγραμμα υπολογιστή τρέχει με ιδιαίτερα γρήγορο ρυθμό συναλλαγές, δημιουργώντας κέρδη σε ταχύτητα και συχνότητα που θα ήταν αδύνατη εάν μιλούσαμε για έναν άνθρωπο, ή οι ρομποτικοί σύμβουλοι, όπου έχουμε ψηφιακές πλατφόρμες που προσφέρουν αυτοματοποιημένες και καθοδηγούμενες από αλγόριθμους υπηρεσίες χρηματοοικονομικού προγραμματισμού, αλλάζουν άρδην την εικόνα των αγορών και των συναλλαγών.

Σε όλα αυτά προστίθεται ολοένα και περισσότερο το στοιχείο της μηχανικής εκμάθησης, δηλαδή τα συστήματα τεχνητής νοημοσύνης που διαρκώς «μαθαίνουν» στη βάση των προηγούμενων στοιχείων και έτσι προσαρμόζονται διαρκώς στις πραγματικές δυναμικές και επιτροπή καλύτερη πρόβλεψη τάσεων.

Προσοχή: οι μηχανές ακούνε και διαβάζουν

Η επέκταση της χρήσης συστημάτων τεχνητής νοημοσύνης στις συναλλαγές και στην εκτίμηση τάσεων, σήμαινε ότι χρειαζόταν αυτό να συμπεριλάβει και όλων των ειδών τα κείμενα και τις ανακοινώσεις των επιχειρήσεων Αυτό δεν αφορά απλώς τα οικονομικά στοιχεία που περιλαμβάνονται σε αυτά, αλλά και τα ίδια τα κείμενα. Άλλωστε, τα ίδια τα οικονομικά στοιχεία και το τι περιλαμβάνουν οι λογιστικές καταστάσεις δεν έχουν αλλάξει εδώ και δεκαετίες. Ωστόσο, με τα κείμενα τα πράγματα είναι διαφορετικά.

Οι περισσότεροι άνθρωποι που ασχολούνται με τις αγορές ξέρουν ότι ενίοτε αυτά τα κείμενα φαντάζουν μάλλον βαρετά. Είναι γεμάτα από υποχρεωτικές γνωστοποιήσεις και διαρκείς  νομικές επικλήσεις που μάλλον δεν προσφέρουν πολλά. Και βέβαια είναι και κείμενα «δημοσίων σχέσεων», γραμμένα συχνά με τρόπο που να προσφέρουν μια εικόνα της επιχείρησης πολύ πιο κολακευτική από την πραγματική. Το ίδιο ισχύει και για τις συνεντεύξεις ή τις τηλεδιασκέψεις με επενδυτές όπου τα στελέχη των επιχειρήσεων σχολιάζουν τις επιδόσεις τους ή αναλύουν μελλοντικά σχέδια.

Όμως, αρκετοί πιστεύουν ότι πλέον αποτελούν και έναν πραγματικό θησαυρό στοιχείων. Αρκεί να βάλεις τις μηχανές να ασχοληθούν με αυτά. Ο τομέας της επεξεργασίας φυσικών γλωσσών (natural language processing) είναι ένας από τους πιο αναπτυσσόμενους στην τεχνητή νοημοσύνη. Ουσιαστικά, η επιδίωξη είναι μέσα από μορφές μηχανικής εκμάθησης τα υπολογιστικά συστήματα να μπορούν να αναγνωρίσουν και να εκτιμήσουν όλη την περιπλοκότητα της ανθρώπινης γλώσσας. Τα συστήματα NLP έτσι υπόσχονται την επεξεργασία τεράστιων όγκων δεδομένων που μέχρι τώρα δεν αποτελούσαν απαραίτητα πεδίο τέτοιας ανάλυσης. Ο στόχος είναι να μπορέσουν να εντοπίσουν μια τάση, μια κρίσιμη πληροφορία που να μπορεί να μετατραπεί σε επενδυτική επιλογή, να διαβάσουν «πίσω από τις γραμμές». Και αυτό να το κάνουν όσο πιο γρήγορα μπορούν ώστε να μπορούν να το συνδυάσουν με τα σύγχρονα αυτοματοποιημένα συστήματα συναλλαγών στη βάση αλγορίθμων.

Και αυτό μπορεί να εξηγήσει γιατί έχει αυξηθεί κατακόρυφα ο αριθμός των εταιρικών δηλώσεων στην αμερικανική επιτροπή κεφαλαιαγοράς τις οποίες έχουν «κατεβάσει» μηχανικά και ρομποτικά συστήματα: από 360.861 το 2003 σε 165.318.719 το 2016, σύμφωνα με μια έρευνα.

Οι μηχανές που ακούν τα συναισθήματα των κεντρικών τραπεζιτών

Ένα μεγάλο μέρος των επενδυτικών συναλλαγών έχει να κάνει με τη διαρκή αναζήτηση «σημαδιών» ή στοιχείων που να μπορούν. Για παράδειγμα οι ομιλίες των κεντρικών τραπεζιτών πάντα επηρεάζουν τις αγορές. Μια ομιλία που αποπνέει έναν θετικό τόνο και είναι αισιόδοξη ως προς βασικές τάσεις της οικονομίας θα δημιουργήσει και ανάλογο κλίμα στις αγορές που θα ανέβουν.

Όμως, ο θετικός αυτός τόνος δεν αφορά μόνο το περιεχόμενο των ομιλιών αυτών, αλλά ακόμη και τον ίδιο τον τόνο της φωνής. Την επίδραση αυτή διαισθητικά την γνωρίζαμε από παλιά. Όμως, πλέον έχουμε τη δυνατότητα να αναλύσουμε και το περιεχόμενο των κειμένων αλλά και τον ίδιο τον τόνο της φωνής. Δηλαδή, να μετρήσουμε τον τρόπο που επηρεάζονται οι αγορές από τέτοιες παραμέτρους.

Αυτό στηρίζεται σε συστήματα βαθιάς μηχανικής εκμάθησης πάνω στην εκτίμηση του θετικού η αρνητικού τόνου της εκφοράς του ανθρώπινου λόγου. Τρεις ερευνητές από το Πανεπιστήμιο Μπέρκλεϊ, το Πανεπιστήμιο του Ρίντινγκ και το Πανεπιστήμιο του Μπίρμινχαμ, κατάφεραν με αυτόν τον τρόπο να υπολογίσουν ότι εάν ο τόνος μιας συνέντευξης κεντρικού τραπεζίτη μετατοπιστεί από αρνητικό σε θετικό πρόσημο, τότε θα υπάρξει σαφής και μετρήσιμη άνοδος σε βασικές αγορές. Και αυτό το δοκίμασαν έχοντας ως υλικό τα ηχητικά από συνεντεύξεις του Μπεν Μπέρνακε, της Τζάνετ Γέλεν και του Τζερόμ Πάουελ, δηλαδή των τριών τελευταίων διοικητών της FED.

Οι εταιρείες καλό είναι να προσέχουν τι λένε

Όλες αυτές τις τάσεις έχουν και μια αντίστροφη συνέπεια. Ολοένα και περισσότερο τόσο οι εταιρείες στις δηλώσεις και ανακοινώσεις τους, όσο και τα στελέχη τους όταν μιλάνε, προσέχουν τι και πώς το λένε ακριβώς επειδή γνωρίζουν ότι τα συστήματα τεχνητής νοημοσύνης θα αναλύσουν αυτό που θα πουν. Αυτό φτάνει ακόμη και στο σημείο να αναζητούν συνώνυμες εκφράσεις που θα παρουσίαζαν γεγονότα ως λιγότερο αρνητικά.

Ωστόσο, οι ειδικοί υποστηρίζουν ότι στο τέλος είναι μάλλον δύσκολο να «ξεγελάσεις» τον αλγόριθμο, ιδίως από τη στιγμή που τα συστήματα επεξεργασίας φυσικών γλωσσών, διαρκώς μαθαίνουν και άρα γίνονται πιο ικανά να διακρίνουν αυτό που πραγματικά ισχύει πίσω από την εταιρική «ιδιόλεκτο».