Europos Centrinio Banko (ECB) paskelbtame tyrimų biuletenyje mokslininkai įspėja apie naują finansinio nestabilumo šaltinį – patį dirbtinio intelekto (DI) sistemų architektūrinį modelį. Atlikti simuliaciniai eksperimentai atskleidė, kad autonominiai DI agentai, veikdami identiškoje aplinkoje ir siekdami tų pačių tikslų, priima kardinaliai skirtingus sprendimus, galinčius sukelti masinį kapitalo pasitraukimą iš fondų arba neprognozuojamus rinkos svyravimus.
Daugiau šia tema: ES ekonomika ir finansai, ECB
Algoritmų tipai ir jų elgsena krizių simuliacijose
Tyrimo autoriai išanalizavo dviejų pagrindinių kategorijų DI sistemų elgseną stilizuotame investicinių fondų akcijų išsipirkimo žaidime. Pirmoji grupė – pastiprinimu grįsto mokymosi (angl. *reinforcement learning*) sistemos, kurios sprendimus priima iteraciniu bandymų ir klaidų metodu bei yra plačiai taikomos algoritminėje prekyboje (simuliacijoje naudoti „Q-learning“ algoritmai). Antroji grupė – didieji kalbos modeliai (LLM), kurie sprendimus generuoja remdamiesi kontekstiniu mąstymu ir mokymosi metu įsisavintais dėsningumais. Šiuo metu algoritminė prekyba jau sudaro 60–70 proc. akcijų sandorių apimties JAV ir kitose didžiosiose rinkose, o mažmeniniai investuotojai vis dažniau naudoja LLM finansinėms konsultacijoms gauti.
Eksperimento rezultatai parodė, kad „Q-learning“ algoritmai pasižymi itin aukštu koordinacijos lygiu, tačiau yra linkę į kraštutines, panikos sukeltas kapitalo atsiėmimo bangas, primenančias masinį indėlininkų bėgimą iš bankų. Dėl vadinamojo „karštos krosnies efekto“ šie algoritmai, patyrę bent vieną investicinio fondo įsipareigojimų neįvykdymo epizodą mokymosi procese, pradeda nuvertinti pasilikimo fonde naudą. Todėl jie masiškai išsiparduoda akcijas net ir esant labai stipriems ekonominiams fundamentams, taip įstrigdami visiems nenaudingame nuostolingame balanse. Priešingai, LLM modeliai niekada neišsiperka akcijų esant stipriems ekonominiams rodikliams, tačiau jų elgesys tampa chaotiškas ir neprognozuojamas esant vidutinėms reikšmėms, nes ekonomikos teorija jiems nepateikia vieno unikalaus atsakymo.
Rekomendacijos reguliuotojams ir rinkos dizaino pokyčiai
Mokslininkai nustatė, kad LLM modelių neprognozuojamumą ir nesugebėjimą koordinuoti veiksmų galima sumažinti įtraukiant privačią, triukšmingą informaciją apie ekonominius rodiklius, kuri tarnauja kaip tam tikras lūkesčių inkaras ir suartina modelių priimamus sprendimus. Tuo tarpu bandymų ir klaidų metodu besivadovaujantys „Q-learning“ investuotojai į tokius papildomus signalus visiškai nereaguoja. Tyrėjų teigimu, šie atradimai pritaikomi ir kitiems scenarijams, kur finansinį pažeidžiamumą lemia investuotojų lūkesčiai – valiutų atakoms ar stabiliųjų skaitmeninių monetų (angl. *stablecoins*) žlugimui.
Ateityje, DI agentams vis giliau integruojantis į finansų sektorių, tradicinio finansinio raštingumo vartotojams nebeužteks – mažmeniniams investuotojams prireiks ir technologinio raštingumo žinių. Finansų įstaigos privalės savo rizikos valdymo sistemose matyti, ar ir kaip jų klientai naudoja DI įrankius. Reguliuotojams rekomenduojama įtraukti technologinės kompetencijos vertinimo priemones į investuotojų apsaugos sistemas, pavyzdžiui, į standartizuotus klausimynus pagal Finansinių priemonių rinkų direktyvą (MiFID). Galiausiai, siekiant apsaugoti sisteminį stabilumą nuo algoritmų sukeltos panikos, rinkose gali prireikti tokių techninių įrankių kaip automatiniai prekybos stabdikliai (angl. *circuit breakers*).
Šis straipsnis parengtas pagal Europos Centrinio Banko tyrimų medžiagą.
