Story

JPMorgan เผย AI Agent สร้างผลตอบแทนชนะพอร์ต 60/40 ในการทดสอบย้อนหลัง

ENTHMSVIIDZHZH-TWJAKOHI
Jul 10, 20261 min read
JPMorgan เผย AI Agent สร้างผลตอบแทนชนะพอร์ต 60/40 ในการทดสอบย้อนหลัง

Summary

งานวิจัยของ JPMorgan พบว่า AI Agent ที่พัฒนาขึ้นสามารถสร้างผลตอบแทนได้สูงกว่าพอร์ตการลงทุนแบบ 60/40 ในการทดสอบย้อนหลัง 20 ปี แต่ธนาคารย้ำว่านี่ยังไม่ใช่ข้อพิสูจน์ว่า AI จะเอาชนะตลาดได้จริง

Text size
Background

JPMorgan Chase เปิดเผยผลการวิจัยเบื้องต้นที่แสดงให้เห็นว่า เอเจนต์ปัญญาประดิษฐ์ (AI Agent) ที่พัฒนาขึ้นเพื่อการลงทุน สามารถสร้างผลตอบแทนได้ดีกว่าพอร์ตการลงทุนแบบดั้งเดิมที่แบ่งสัดส่วน 60% ในหุ้นและ 40% ในตราสารหนี้ (60/40) ในการจำลองข้อมูลย้อนหลัง

ผลการทดสอบเบื้องต้น

สำนักข่าว Bloomberg รายงานโดยอ้างอิงบันทึกจากทีมนักกลยุทธ์ของ JPMorgan นำโดย Thomas Salopek ระบุว่า AI Agent ถูกสร้างขึ้นเพื่อปรับเปลี่ยนการลงทุนระหว่างหุ้นและตราสารหนี้ตามสภาวะตลาดที่เปลี่ยนแปลงไป

ในการทดสอบย้อนหลัง (backtest) ครอบคลุมข้อมูลในช่วงสองทศวรรษที่ผ่านมา ระบบ AI ที่ทำผลงานได้ดีที่สุดสามารถสร้างผลตอบแทนสูงกว่าพอร์ต 60/40 ถึง 0.7 จุดเปอร์เซ็นต์ต่อปี โดยมีความผันผวนที่ต่ำกว่า นอกจากนี้ยังทำผลงานได้ดีกว่าโมเดลการลงทุนตามกฎเกณฑ์ (rules-based model) ของ JPMorgan เองอีกด้วย

ไม่ใช่เครื่องมือการันตีผลตอบแทน

JPMorgan ย้ำอย่างหนักแน่นว่าผลลัพธ์ดังกล่าวมาจากการจำลองข้อมูลในอดีต ไม่ใช่การลงทุนด้วยเงินจริง และเตือนนักลงทุนไม่ให้สรุปว่า AI สามารถเอาชนะตลาดได้อย่างสม่ำเสมอ

Sample IUX Markets – In-articleAd

"เราขอเตือนอย่างยิ่งต่อการยอมรับคำตอบของ AI ที่มีความมั่นใจเกินควรและอิงจากข้อมูลภายในกลุ่มตัวอย่าง (in-sample) โดยไม่ไตร่ตรอง" ทีมนักกลยุทธ์ระบุในบันทึก พร้อมเสริมว่า "AI Agent จำเป็นต้องตั้งอยู่บนพื้นฐานของกระบวนการจัดสรรสินทรัพย์ที่ผ่านการคิดมาอย่างดี ไม่ใช่การสันนิษฐานอย่างไร้เดียงสาว่าตัวเอเจนต์สามารถเป็นแหล่งความรู้ในตัวเองได้"

ก้าวต่อไปของ AI ในโลกการเงิน

งานวิจัยชิ้นนี้ถือเป็นความพยายามครั้งแรกของ JPMorgan ในการสร้างระบบ AI เพื่อระบุสภาวะตลาด (market regimes) และสะท้อนถึงแนวโน้มของสถาบันการเงินขนาดใหญ่ที่กำลังทดสอบศักยภาพของ AI ในระดับที่สูงขึ้น

ในช่วงสองปีที่ผ่านมา ธนาคารต่างๆ ได้นำแบบจำลองภาษาขนาดใหญ่ (Large Language Models) มาใช้ในเครื่องมือวิจัย การเขียนโค้ด และการลงทุนภายในองค์กร แต่การวิจัยล่าสุดนี้ชี้ให้เห็นถึงการก้าวไปสู่การทดสอบว่าระบบเหล่านี้จะสามารถทำการตัดสินใจจัดสรรเงินทุน (capital allocation) ข้ามตลาดต่างๆ ได้หรือไม่

Back to latest news

LATEST