در سال ۲۰۲۶، یک مطالعه علمی برجسته در پایگاه پیشچاپ arXiv.org منتشر شد که توجه متخصصان روانشناسی مالی، هوش مصنوعی و دنیای معاملهگری را به خود جلب کرد. این پژوهش بررسی میکند که چگونه سوگیریهای شناختی انسانها، مانند اعتماد بیشازحد و ترس از ضرر، میتوانند در مدلهای تصمیمگیری مالی هوش مصنوعی جای بگیرند و عملکرد الگوریتمهای معاملاتی را بهبود دهند یا واقعگرایانهتر کنند.
زمینه و اهمیت پژوهش
درک سوگیریهای انسانی و تأثیر آنها بر تصمیمات مالی یکی از محورهای اصلی اقتصاد رفتاری و روانشناسی سرمایهگذاری است. سوگیریهای شناختی انحرافهای سیستماتیک از منطق و قضاوتهای عقلانی هستند که میتوانند موجب تصمیمات نادرست و نوسانات بازار شوند. برای مثال، ترس از ضرر، اعتماد بیشازحد، رفتار گلهای و چسبندگی به باورهای قبلی، تأثیر مستقیم بر عملکرد معاملهگران و سرمایهگذاران دارند.
هوش مصنوعی و یادگیری ماشینی بهطور فزایندهای در مدیریت سرمایه و الگوریتمهای ترید به کار گرفته میشوند، اما این سیستمها اغلب رفتار انسانی را نادیده میگیرند. بیشتر مدلهای هوش مصنوعی مالی بر فرض عقلانیت کامل بنا شدهاند؛ یعنی این مدلها انتظار دارند عاملها در بازار همواره منطقی و بیطرفانه تصمیم بگیرند، اما دنیای واقعی پیچیدهتر است و تصمیمات معاملهگران تحت تأثیر هیجانات و سوگیریهای روانی قرار دارد.
پژوهش ۲۰۲۶: ادغام سوگیریهای شناختی در یادگیری تقویتی
این مطالعه با عنوان “Incorporating Cognitive Biases into Reinforcement Learning for Financial Decision-Making” و نویسندگی Liu He، برای نخستین بار سوگیریهای شناختی انسانی را وارد چارچوب یادگیری تقویتی در سیستمهای هوش مصنوعی مالی کرده است. یادگیری تقویتی از طریق پاداش و تنبیه به عاملها میآموزد که چگونه بهترین تصمیمها را در محیطهای پیچیده اتخاذ کنند و در بازیها، رباتیک و به تدریج در تصمیمگیریهای مالی کاربرد دارد.
در این پژوهش، سوگیریهایی مانند اعتماد بیشازحد و ترس از ضرر به ساختار پاداشدهی الگوریتمها وارد شده و عملکرد آنها در محیطهای شبیهسازیشده و بازارهای واقعی با الگوریتمهای استاندارد بدون سوگیری مقایسه شده است. نتایج نشان داد که ادغام سوگیریهای انسانی باعث میشود الگوریتمها رفتارهایی شبیه به معاملهگران واقعی از خود نشان دهند، بهویژه در شرایط نوسان بالا و عدم قطعیت بازار. با این حال، نتایج همواره قطعی نبوده و در برخی سناریوها افزودن سوگیری عملکرد را بهبود نمیبخشید، که نشاندهنده چالشهای طراحی این مدلهاست.
روش تحقیق و یافتهها
محقق ابتدا سوگیریهای انسانی را به شکل وزنهای پاداش در الگوریتم یادگیری تقویتی وارد کرد و سپس مدلها را در شبیهسازی بازار و محیطهای واقعی آزمود. نتایج نشان داد که الگوریتمهای مجهز به سوگیریهای انسانی رفتارهای واقعگرایانهتر از خود نشان میدهند و واکنشهای انسانی به نوسانات و ریسکهای بازار را بهتر بازنمایی میکنند. این یافتهها نشان میدهد که هوش مصنوعی تنها با تکیه بر منطق محض نمیتواند به رفتارهای پیچیده انسانی در بازار پاسخ دهد و برای تحلیل دقیقتر، روانشناسی معاملهگری باید در طراحی الگوریتمها لحاظ شود.
اهمیت سوگیریهای انسانی در معاملهگری
تصمیمات مالی واقعی تنها بر پایه دادهها و فرمولهای ریاضی اتخاذ نمیشوند. هیجانات معاملهگران، پیشفرضهای ذهنی آنها در مواجهه با ریسک و پاداش، و واکنش به استرسهای بازار تأثیر مستقیم بر سودآوری و مدیریت ریسک دارند. سوگیریهایی مانند ترس از ضرر میتوانند باعث شوند معاملهگران موقعیتهای ضررده را طولانی نگه دارند، اعتماد بیشازحد آنها را به انجام معاملات ریسکی ترغیب کند و رفتار گلهای موجب ایجاد حباب قیمت یا سقوط ناگهانی شود. این رفتارها در شبیهسازی بازار نیز تأثیرگذار بوده و نشان میدهد مدلهای مالی بدون در نظر گرفتن روانشناسی انسان ناقص هستند.
پیام اصلی برای معاملهگران و بازارهای مالی
اولین پیام این پژوهش این است که هوش مصنوعی باید رفتار انسان را بهتر درک کند. سیستمهای امروزی علیرغم سرعت و توانایی پردازش بالا، رفتار انسانی را نادیده میگیرند و افزودن سوگیریهای شناختی میتواند به توسعه رباتهای معاملهگر واقعگراتر منجر شود.
دوم، همکاری میان انسان و ماشین اهمیت زیادی دارد. الگوریتمهایی که صرفاً مبتنی بر منطق محض هستند، در شرایط واقعی بازار و هیجانهای آن ممکن است شکست بخورند. ترکیب روانشناسی معاملهگری و هوش مصنوعی میتواند سیستمهایی مقاوم و قابلاعتماد ایجاد کند.
سوم، آموزش سوگیریهای شناختی به معاملهگران حرفهای ضروری است. شناخت سوگیریهای خود میتواند تفاوت میان سود و زیان را رقم بزند و مهارتی است که تحلیل تکنیکال یا بنیادی به آن نمیپردازد.
چشمانداز آینده بازارهای مالی
این پژوهش بخشی از روندی بزرگتر است که تعامل میان رفتار انسانی، هوش مصنوعی و تصمیمگیری مالی را بررسی میکند. ترکیب اقتصاد رفتاری، روانشناسی شناختی و هوش مصنوعی میتواند نسل جدیدی از سیستمهای معاملهگری ایجاد کند که نه تنها سریع و دقیق هستند، بلکه رفتار انسانی را نیز شبیهسازی و بهینهسازی میکنند. این روند میتواند در آینده نزدیک قواعد بازی در بازارهای مالی جهانی را تغییر دهد و الگوریتمها را انسانیتر و کارآمدتر کند.
