Γιατί τα AI εργαλεία μετοχών επινοούν στοιχεία, και πώς το σταματάμε

Βάλε ένα ticker σε ένα chatbot γενικής χρήσης και ζήτησέ του ανάλυση, και θα πάρεις κάτι που διαβάζεται υπέροχα: έναν τακτοποιημένο δείκτη P/E, μια σίγουρη σημείωση ότι insiders αγόρασαν το προηγούμενο τρίμηνο, μια καθαρή παράγραφο για το πώς περιστρέφεται ο κλάδος. Ο λόγος ρέει, η δομή είναι επαγγελματική, ο τόνος σίγουρος.

Πολλά από αυτά μπορεί επίσης να είναι ψευδή. Όχι επειδή το μοντέλο είναι χαλασμένο, αλλά επειδή κάνει ακριβώς αυτό για το οποίο φτιάχτηκε, και αυτή η δουλειά δεν είναι "ανάφερε γεγονότα".

Πώς μοιάζουν τα επινοημένα στοιχεία στην ανάλυση μετοχών

Όταν ένα AI επινοεί, παράγει μια σίγουρη, ρέουσα, εύλογη δήλωση που απλώς δεν είναι αληθινή (στην ορολογία του AI αυτό λέγεται hallucination). Στα χρηματοοικονομικά η αστοχία είναι ιδιαίτερα επικίνδυνη, γιατί το αποτέλεσμα είναι γεμάτο ακριβώς με τις λεπτομέρειες που το κάνουν να φαίνεται αξιόπιστο:

• Έναν πολλαπλασιαστή αποτίμησης κοντά στην πραγματικότητα αλλά διακριτικά λάθος, το περσινό P/E, ή έναν forward αριθμό που παρουσιάζεται ως trailing.
• Μια συναλλαγή insider που δεν έγινε ποτέ, ή μια πραγματική με αντεστραμμένη κατεύθυνση.
• Έναν καταλύτη παρμένο από ένα άρθρο δύο ετών, περιγραμμένο σαν να είναι αυτής της εβδομάδας.
• Μια αναφερόμενη πηγή που δεν υπάρχει, ένα report, ένα filing, μια σημείωση αναλυτή, κατασκευασμένη από το μηδέν επειδή η πρόταση χρειαζόταν παραπομπή για να ακούγεται ολοκληρωμένη.

Το κοινό πρόβλημα είναι ότι κανένα από αυτά δεν επισημαίνεται ως εικασία. Κάθονται στην ίδια σίγουρη παράγραφο με τις πραγματικά σωστές δηλώσεις, και τίποτα στο κείμενο δεν σου λέει ποιο είναι ποιο.

Γιατί συμβαίνει: το μοντέλο προβλέπει λέξεις, όχι γεγονότα

Ένα μεγάλο γλωσσικό μοντέλο είναι, στον πυρήνα του, ένας πολύ εξελιγμένος προβλέπτης της επόμενης λέξης. Έχει διαβάσει τεράστιο όγκο κειμένου και έμαθε τι τείνει να ακολουθεί. Όταν του ζητάς τις ελεύθερες ταμειακές ροές μιας εταιρείας, δεν ψάχνει τον αριθμό. Παράγει τη στατιστικά πιο εύλογη συνέχεια της ερώτησής σου, και ένας αριθμός που μοιάζει συγκεκριμένος είναι πιο εύλογος από το "δεν είμαι σίγουρο".

Εκεί είναι όλη η παγίδα. Το μοντέλο είναι βελτιστοποιημένο να είναι ρέον, και η ροή ανταμείβει τις σίγουρες λεπτομέρειες. Το "η απόδοση κεφαλαίου της είναι γύρω στο 14%" διαβάζεται καλύτερα από το "θα ήθελα να το ελέγξω". Έτσι, όταν ο πραγματικός αριθμός δεν είναι αξιόπιστα αποθηκευμένος στην εκπαίδευσή του, το μοντέλο δεν σταματά, παράγει έναν αριθμό που ταιριάζει στο σχήμα μιας απάντησης. Για ένα χαλαρό κείμενο, εντάξει. Για μια επενδυτική απόφαση, είναι νάρκη.

Δύο δομικές αδυναμίες το χειροτερεύουν:

1. Τα δεδομένα εκπαίδευσης είναι παγωμένα και θολά. Ένα μοντέλο εκπαιδευμένο πριν μήνες δεν έχει ιδέα τι ανακοίνωσε μια εταιρεία την προηγούμενη εβδομάδα, και ακόμα και παλαιότεροι αριθμοί είναι ανακατεμένοι με όλα όσα διάβασε ποτέ, όχι αποθηκευμένοι σαν καθαρό καθολικό.
2. Το μοντέλο θέλει να συμφωνεί με τον εαυτό του. Μόλις γράψει "το bull case είναι ισχυρό" στην αρχή, η υπόλοιπη απάντηση τείνει να το επιβεβαιώνει, όχι να το αμφισβητεί. Αυτό είναι confirmation bias, ψημένο μέσα.

Η λύση, μέρος πρώτο: μην ζητάς από το μοντέλο να θυμάται, βάλ' το να φέρνει τα δεδομένα

Η πιο σημαντική σχεδιαστική απόφαση στο Ploutos AI είναι ότι το γλωσσικό μοντέλο δεν είναι ποτέ η πηγή ενός αριθμού. Κάθε νούμερο που μπαίνει σε μια ανάλυση φέρνεται ζωντανά, τη στιγμή που την τρέχεις, από πραγματική πηγή: θεμελιώδη και τιμές, filings από το SEC EDGAR για συναλλαγές insider και σημαντικά γεγονότα, ροές νέων και sentiment, και ούτω καθεξής.

Η δουλειά του μοντέλου αλλάζει από "θυμήσου τα γεγονότα" σε "συλλογίσου πάνω σε γεγονότα που σου δίνω αυτή τη στιγμή". Αυτή είναι μια δουλειά στην οποία τα γλωσσικά μοντέλα είναι πραγματικά καλά, να ζυγίζουν μια απόδοση κεφαλαίου απέναντι σε έναν μέσο όρο κλάδου, να παρατηρούν ότι οι ελεύθερες ταμειακές ροές αποκλίνουν από τα δηλωμένα κέρδη, να συνδέουν ένα filing 8-K με έναν δηλωμένο κίνδυνο. Οι αριθμοί δεν είναι η γνώμη του, είναι είσοδοι που δεν επιτρέπεται να εφεύρει. Και όταν τα δεδομένα απλώς δεν υπάρχουν, σταματάμε αντί να γεμίσουμε το κενό με εικασία.

Γι' αυτό και η δουλειά χωρίζεται σε στάδια αντί για ένα γιγαντιαίο prompt. Κάθε στάδιο έχει μια στενή δουλειά βασισμένη σε συγκεκριμένα δεδομένα, που αφήνει πολύ λιγότερο χώρο στο μοντέλο να ξεστρατίσει στην εφεύρεση. Όλη η ακολουθία περιγράφεται στην αναλυτική περιγραφή του pipeline μας.

Η λύση, μέρος δεύτερο: βάλε το μοντέλο να επιχειρηματολογεί εναντίον του εαυτού του

Η θεμελίωση σκοτώνει τα εφευρεμένα γεγονότα. Δεν σκοτώνει, από μόνη της, το δεύτερο πρόβλημα, το μοντέλο που πείθει τον εαυτό του για το ίδιο του το συμπέρασμα. Γι' αυτό προσθέτουμε ένα σκόπιμα αντίπαλο βήμα.

Αφού διαμορφωθεί ένα verdict, ένα ξεχωριστό και πιο ικανό πέρασμα του μοντέλου λαμβάνει τις επιλογές με μία εντολή: βρες τι κάναμε λάθος. Του λέμε να συμπεριφερθεί σαν εχθρικός short-seller. Για κάθε ιδέα πρέπει να παραγάγει την πιο αδύναμη υπόθεση της θέσης, έναν κίνδυνο που δεν επισήμανε το πρώτο πέρασμα, ένα συγκεκριμένο bear case, και το συγκεκριμένο παρατηρήσιμο γεγονός που θα αποδείκνυε τη θέση λανθασμένη.

Αυτό μετράει περισσότερο ακριβώς εκεί που το confirmation bias είναι πιο επικίνδυνο: στις ιδέες που βαθμολογήθηκαν καλά. Ένα εργαλείο που σου λέει μόνο γιατί μια ιδέα είναι καλή δεν κάνει έρευνα, κάνει marketing. Το να επιβάλλεις μια δομημένη αντίκρουση είναι το αντίδοτο.

Γιατί το "απλώς ανάφερε τις πηγές σου" δεν αρκεί

Ένα συνηθισμένο μισό μέτρο είναι να ζητάς από το μοντέλο να αναφέρει πηγές. Βοηθάει στην εμφάνιση και σχεδόν σε τίποτα άλλο, γιατί ένα μοντέλο που θα εφεύρει ένα P/E θα εφεύρει εξίσου ευχάριστα και την παραπομπή δίπλα του. Μια κατασκευασμένη υποσημείωση δεν είναι δικλείδα ασφαλείας, είναι ένα δεύτερο επινοημένο στοιχείο με κουστούμι.

Η μόνη αξιόπιστη λύση είναι αρχιτεκτονική: τα γεγονότα πρέπει να έρχονται από έξω από το μοντέλο και να είναι επαληθεύσιμα, και η συλλογιστική πρέπει να δοκιμάζεται από κάτι που έχει δουλειά να διαφωνεί. Οι παραπομπές είναι επίπεδο παρουσίασης. Η θεμελίωση είναι επίπεδο υποδομής. Δεν είναι υποκατάστατα.

Τι σημαίνει αυτό για σένα

Όταν διαβάζεις μια AI ανάλυση μετοχής, η σωστή ερώτηση δεν είναι "ακούγεται έξυπνο αυτό;". Η ροή είναι δωρεάν, και είναι ακριβώς αυτό από το οποίο φτιάχνεται ένα επινοημένο στοιχείο. Οι σωστές ερωτήσεις είναι: από πού ήρθε κάθε αριθμός, και τι προσπάθησε να το αποδείξει λάθος;

Αυτός είναι ο πήχης που βάζουμε στον εαυτό μας. Οι αριθμοί φέρνονται, δεν θυμούνται. Τα συμπεράσματα αμφισβητούνται, δεν απλώς δηλώνονται. Και όταν τα δεδομένα είναι πολύ φτωχά για να γίνει κάποιο από τα δύο ειλικρινά, το λέμε. Αν θες να δεις το θεμελιωμένο pipeline να παράγει μια πλήρη ανάλυση, μπορείς να τρέξεις μία, ή να διαβάσεις πώς δένουν μεταξύ τους τα πέντε στάδια.

Σημαντική ενημέρωση

Αυτό το άρθρο περιγράφει τη μεθοδολογία πίσω από ένα εργαλείο έρευνας. Δεν αποτελεί επενδυτική συμβουλή και δεν λαμβάνει υπόψη τις προσωπικές σου περιστάσεις, τους στόχους ή την οικονομική σου κατάσταση.

Το αποτέλεσμα κάθε ανάλυσης που τρέχει στο Ploutos AI είναι αποκλειστικά για ενημερωτικούς και εκπαιδευτικούς σκοπούς. Οι αξιολογήσεις του μοντέλου, οι εκτιμήσεις εύλογης αξίας, οι δείκτες margin of safety και κάθε άλλο ποσοτικό αποτέλεσμα παράγονται από αυτοματοποιημένο σύστημα σε μια δεδομένη στιγμή και μπορεί να καταστούν παρωχημένα καθώς αλλάζουν οι συνθήκες αγοράς, τα θεμελιώδη μεγέθη ή τα νέα. Είναι αναλυτικά σημεία αναφοράς που παράγει ένα μοντέλο, όχι τιμές-στόχοι ή εντολές προς ενέργεια.

Η επένδυση σε μετοχές ενέχει κίνδυνο, συμπεριλαμβανομένης της πιθανής απώλειας του συνόλου του επενδυμένου κεφαλαίου. Η παρελθούσα απόδοση οποιασδήποτε ανάλυσης, μεθοδολογίας ή στρατηγικής δεν αποτελεί αξιόπιστο δείκτη μελλοντικών αποτελεσμάτων. Διαφορετικοί επενδυτές καταλήγουν σε διαφορετικά συμπεράσματα από την ίδια πληροφορία, ανάλογα με τους στόχους, τον χρονικό ορίζοντα, τη φορολογική κατάσταση και την ανοχή τους στον κίνδυνο.

Φέρεις αποκλειστική ευθύνη για τις επενδυτικές σου αποφάσεις. Πριν ενεργήσεις βάσει οποιασδήποτε πληροφορίας από αυτόν τον ιστότοπο, οφείλεις να αξιολογήσεις αν είναι κατάλληλη για τις περιστάσεις σου και να συμβουλευτείς κατάλληλα πιστοποιημένο επαγγελματία αν έχεις οποιαδήποτε αμφιβολία.

Δες τους Όρους για την πλήρη αποποίηση ευθύνης και τις γνωστοποιήσεις.