Koneoppiminen ja tekoäly sijoittajan työkaluina: tarkastelussa uhat ja mahdollisuudet

Abstract

Rahoitusmarkkinoiden teknologinen murros, erityisesti koneoppimisen ja generatiivisen tekoälyn nopea kehitys, asettaa sijoittajalle sekä uusia analyyttisiä mahdollisuuksia että tunnistamattomia uhkia. Ymmärrys siitä, mitä nämä teknologiat käytännössä voivat tehdä ja missä niiden käyttö voi mennä pieleen, on noussut keskeiseksi taidoksi niin yksityissijoittajille kuin rahoitusalan ammattilaisille.

Tässä kandidaatintutkielmassa selvitetään kirjallisuuskatsauksen menetelmin, miten koneoppiminen soveltuu osakekurssien ennustamiseen ja miten generatiivinen tekoäly täydentää näitä kvantitatiivisia menetelmiä laadullisen informaation käsittelyssä. Tutkimuskysymys kattaa molempien teknologioiden mahdollisuudet ja ongelmat sijoittajan näkökulmasta. Tiedonhankinta on toteutettu kansainvälisiä tieteellisiä tietokantoja ja vertaisarvioituja lähteitä hyödyntäen.

Kirjallisuuskatsauksen perusteella koneoppimismallit, erityisesti LSTM-pohjainen syväoppiminen ja ensemble-menetelmät, kykenevät tuottamaan tilastollisesti merkitsevää ennustetarkkuutta lyhyen aikavälin osakekurssikehityksessä. Generatiivinen tekoäly tarjoaa puolestaan systemaattisen väylän laadulliseen informaatioon, jota perinteiset numeeriset mallit eivät tavoita. Teknologiat täydentävät toisiaan, eivät kilpaile keskenään. Kumpaankin liittyy kuitenkin kriittisiä rajoitteita: koneoppimisessa ylisovittuminen ja läpinäkymättömyys, generatiivisessa tekoälyssä hallusinaatioalttius. Näiden ymmärtäminen on ehdoton edellytys vastuulliselle soveltamiselle.