Розширена анотація українською мовою

Дане дослідження систематизує аргументи та контраргументи в межах наукової дискусії з питання ролі та значення штучного інтелекту у процесах трансформації фінансового сектору на основі технологічних інновацій, зокрема – через запровадження електронного ринку алгоритмічної та високочастотної торгівлі. Штучні нейронні мережі (сконфігуровані нейрони) є моделями, побудованими як біологічні нейронні мережі для виконання широкого спектру завдань (кластеризація, класифікація, розпізнавання зразків тощо), в тому числі – щодо прийняття фінансових та інвестиційних рішень. Основною метою дослідження є аналіз неврологічної природи прийняття фінансових рішень з позиції різниці у характеристиках відповідей у реальному та гіпотетичному середовищах. В роботі обґрунтовано суттєву роль штучного інтелекту у прийнятті фінансових рішень у реальних умовах. Автором виділені перешкоди, з якими людина стикається в процесі моделювання фінансових рішень за різних гіпотетичних умов. В статті досліджено особливості здійснення високочастотної торгівлі на фінансових ринках, що останнім часом набула великої популярності. Автор дослідження констатує, що ефективність цієї форми алгоритмічної торгівлі, поряд із технологічним забезпеченням передавання даних, істотно залежить від швидкості прийняття рішень. Потреба у виборі оптимального варіанту з великої кількості існуючих опцій з урахуванням динамічної природи внутрішніх та зовнішніх умов виступає рушієм впровадження технологій штучного інтелекту в процес прийняття рішень на фінансових ринках, що у свою чергу сприяє виникненню нових фінансових інструментів та форм торговельних операцій. Теоретично доведено, що цей процес поряд зі зростанням складності комп’ютерних мереж і технологічних інновацій у мережевих системах, з одного боку, забезпечує зростання економічної якості ринку, але, з іншого боку, ‒ утворює нові системні ризики на фінансових ринках. Враховуючи тенденції розвитку досліджень неврології мозку, теорії обчислень та економічної теорії зі зростанням кількості варіантів вибору, проведене дослідження дозволяє зробити висновок, що здатність людей знаходити найкращий доступний варіант швидко зменшується порівняно з технологічно доступними обчислювальним ресурсами.

Ключові слова: штучний інтелект, торгівля на фінансових ринках, високочастотні процеси прийняття рішень, неврологія, фінансові рішення, фінансовий сектор, електронні ринки.

Класифікація JEL: D8, D89, O31.

Цитувати як: An. Njegovanović. (2018). Artificial Intelligence: Financial Trading and Neurology of Decision. Financial Markets, Institutions and Risks, 2(2), 58-68. DOI: 10.21272/fmir.2(2).58-68.2018

Список використаних джерел

1. Berger, Rob. (2015). 7 Robo Advisors That Make Investing Effortless. Forbes Magazine. Aggour, Kareem S., Piero P. Bonissone, William E. Cheetham, and Richard P. Messmer.
2. Brogaard, J. (2010) High frequency trading and its impact on market quality. Northwestern University Kellogg School of Management. Working Paper.
3. Diamandis, Peter. (2015). The World in 2025: 8 Predictions for the Next 10 Years. Singularity Hub.
4. De Martino, B., Camerer, C. F. and Adolphs, R. (2010). Amygdala damage eliminates monetary loss aversion. Proceedings of the National Academy of Sciences, 107, 3788-3792.
5. Frank, M. J. and Claus, E. D. (2006). Anatomy of a Decision: Striato-Orbitofrontal Interactions in Reinforcement Learning, Decision Making, and Reversal. Psychological Review, 113(2), 300- 326.
6. Frank, M. J., Cohen, M. X. and Sanfey, A. G. (2009). Multiple Systems in Decision Making: A Neurocomputational Perspective. Current Directions in Psychological Science, 18(2), 73-77.
7. Gilden, Schmuckler and Clayto, Kumar, Zhou and Glaser, Westheimer. (1993. The perception of natural contour, Psychological Review.
8. Hikosaka, O. (1989). Neural mechanisms of procedural learning.
9. Hikosaka, O. (1989). Role of basal ganglia in initiation of voluntary movements. In Arbib, M. A. and Amari, S. (Eds.), Dynamic Interactions in Neural Networks: Models and Data. New York, NY, USA: Springer-Verla, 153-167).
10. Kang, M. J., Rangel, A., Camus, M. and Camerer, C. F. (2011). Hypothetical and Real Choice Differentially Activate Common Valuation Areas. The Journal of Neuroscience, 31(2), 461-468.
11. Kulkarni, Nitish. (2016). Computer Vision Startup Third Eye Pivots From Google Glass To Mobile. TechCrunch.
12. Levine, D. S. (2007). How Does the Brain Create, Change and Selectively Override its Rules of Conduct?. In Perlovsky, L. I. and Kozma, R. (Eds.), Neurodynamics of Cognition and Consciousness Berlin, Germany: Springer-Verla, 163-181.
13. Markoff, John. (2015). A Learning Advance in Artificial Intelligence Rivals Human Abilities. The New York Time.
14. Miller, Stephen. (2011). Computer Scientist Coined ‘Artificial Intelligence’. WS.
15. Miller, Greg. (2014). The Huge, Unseen Operation Behind the Accuracy of Google Maps. Wired.com.
16. McCarthy, John. (2007). What Is Artificial Intelligence? Computer Science Department Stanford University.
17. Thomason, Richmond. (2003). Logic and Artificial Intelligence. Department of Philosophy University of Michigan.
18. Nash, Kim S. (2015). PayPal Fights Fraud with Machine Learning, WSJ.
19. Naz, Mufassra, Alpha Tom Kodamullil, and Martin Hofmann‐Apitius. (2015). Reasoning over Genetic Variance Information in Cause and‐effect Models of Neurodegenerative Diseases. Briefings in Bioinformatics Advance Acces.
20. Nadkarni, Prakash M., Lucila Ohno‐Machado, and Wendy W. Chapman. (2011). Natural Language Processing: An Introduction. Journal of the American Medical Informatics Association, 544‐51.
21. B. H. Juang, L. R. Rabiner. (2005). Automatic speech recognition ‐ A brief history of the technology development. Elsevier Encyclopedia of Language and Linguistics.
22. Pareek, Rahul. (2012). Web Intelligence‐An Emerging Vertical of Artificial Intelligence. International Journal of Engineering And Computer Science.
23. Rettinger, Jonathan. (2015). How Close Are We to a Real Self‐Driving Car? The Huffington Pos.
24. Mui, Chunka. (2013). Google’s Trillion‐Dollar Driverless Car ‐ Part 2: The Ripple Effects. Forbes Magazine.
25. Realistic Facial Reconstructions Enhanced by Combining Three Computer Vision Methods. (2015).
26. Rettinger, Jonathan. (2015). How Close Are We to a Real Self‐Driving Car? The Huffington Post, 21 Oct.; Mui, Chunka. Google’s Trillion‐Dollar Driverless Car ‐‐ Part 2: The Ripple Effects. Forbes Magazine.
27. Swärdh, J-E. (2008). Hypothetical bias and certainty calibration in a value of time experiment. Stockholm: Swedish National Road & Transport Research Institute (VTI).
28. Tortora, G. J. and Derrickson, B. (2011). Principles of Anatomy and Physiology (13th ed.). New Jersey, NJ, USA: Wiley & Sons.
29. Thomas, M. S. C. and McClelland, J. L. (2008). Connectionist models of cognition. In Sun, R. (Ed.), Cambridge handbook of computational psychology(pp). Cambridge, MA, USA: Cambridge University Press, 23-58
30. Yeomans, Mike. (2015). What Every Manager Should Know About Machine Learning. Harvard Business Review.
31. Zhang, F. (2010). High-frequency trading, stock volatility, and price discovery. Available at SSRN 1691679.