Silnik FunduszAI: dlaczego AI potrzebuje dedykowanej architektury

Standardowe modele sztucznej inteligencji nie są przystosowane do samodzielnej analizy bieżącego rynku. Ich główne ograniczenie polega na tym, że nie mają bezpośredniego dostępu do aktualnych notowań, komunikatów spółek, raportów finansowych ani najnowszych informacji makroekonomicznych.

Dlatego, aby AI mogła realnie wspierać proces inwestycyjny, konieczne było zaprojektowanie dedykowanego systemu informacyjnego. Jego architektura opiera się na ciągłym przetwarzaniu danych: od ich pozyskiwania i agregacji, przez wielopoziomową analizę, aż po systematyczną weryfikację podejmowanych decyzji inwestycyjnych.

Dlaczego popularne chatboty nie grają na giełdzie?

Większość osób kojarzy sztuczną inteligencję z oknem czatu. W świecie finansów takie narzędzie jest jednak niewystarczające. Modele językowe bazują przede wszystkim na danych historycznych, a więc nie wiedzą, co wydarzyło się dziś rano na rynku, jakie komunikaty opublikowały spółki ani jak zmieniło się otoczenie makroekonomiczne.

W praktyce oznacza to, że sam model nie może być traktowany jako pełnoprawny system analityczny. Aby AI mogła wspierać realne decyzje inwestycyjne, trzeba przenieść ją z poziomu „inteligentnego czatu" do kontrolowanego środowiska operacyjnego, w którym pracuje na aktualnych, zweryfikowanych i odpowiednio przygotowanych danych.

Aby zrozumieć, jak działa cały proces, warto prześledzić jego kolejne etapy.

1. Pozyskiwanie i agregacja danych

Fundamentem systemu jest warstwa danych działająca w trybie ciągłym. Integruje ona programatycznie informacje z kluczowych źródeł: notowań giełdowych, raportów finansowych, komunikatów spółek oraz szerokiego spektrum danych makroekonomicznych.

Skala przetwarzania jest znacząca. System analizuje dane techniczne dla 60 spółek, a od marca do czerwca przetworzył miliony słów pochodzących z raportów, komunikatów i prasy branżowej. Dzięki temu agenci AI nie opierają się na ogólnej wiedzy modelu, lecz na aktualnym, ustrukturyzowanym obrazie rynku.

2. Selekcja i weryfikacja informacji

Samo zgromadzenie tysięcy artykułów i dokumentów tygodniowo nie wystarcza. Kluczowe jest oddzielenie informacji istotnych od szumu informacyjnego.

W tym celu teksty są przetwarzane z wykorzystaniem wyszukiwania semantycznego oraz wektoryzacji. Zanim trafią do dalszej analizy, przechodzą przez proces deduplikacji i ocenę wiarygodności źródeł. Pozwala to ograniczyć powielanie tych samych informacji, wychwytywać najważniejsze wątki i budować bardziej spójny obraz sytuacji.

Efektem tego procesu jest cotygodniowy brief przygotowywany dla każdej z 60 analizowanych spółek z indeksów WIG20 i mWIG40.

3. Proces decyzyjny

Dopiero na tym etapie uruchamiane są zaawansowane procesy AI, które symulują pracę zespołu analitycznego.

Najpierw czterech wirtualnych ekspertów niezależnie analizuje dostępne dane i przygotowuje własne wstępne raporty. Następnie dochodzi do konfrontacji argumentów — poszczególne perspektywy są zestawiane ze sobą, a system identyfikuje punkty zgodne, rozbieżności i potencjalne ryzyka.

Kolejnym krokiem jest synteza. Wirtualny dyrektor analizuje przebieg debaty i formułuje jedną spójną rekomendację. Ostateczna decyzja należy do modelu pełniącego rolę prezesa, który podejmuje decyzję o ewentualnym zajęciu pozycji rynkowej.

Każdy cykl kończy się weryfikacją podjętych decyzji w odniesieniu do faktycznego zachowania kursu akcji. Dzięki temu system nie tylko generuje rekomendacje, ale również uczy się oceniać jakość własnego procesu decyzyjnego.

To zasadniczo zmienia sposób wykorzystania AI w inwestowaniu. Zamiast polegać na intuicyjnej odpowiedzi chatbota, system wykonuje powtarzalną, uporządkowaną pracę badawczą. W efekcie dostarcza analizy oparte na danych, a nie na ogólnej wiedzy modelu czy pojedynczym zapytaniu użytkownika.

Ciekawostka: gdy AI wolała się wstrzymać

Podczas pierwszych testów systemu pozwolono modelowi na trzecią odpowiedź poza „w górę" i „w dół" — mógł po prostu stwierdzić: „wstrzymuję się". Efekt okazał się zaskakujący. AI bardzo często wybierała właśnie tę opcję, unikając jednoznacznych prognoz. Z perspektywy modelu było to racjonalne zachowanie: brak decyzji oznaczał mniejsze ryzyko popełnienia błędu. W praktyce prowadziło jednak do nadmiernej pasywności. To właśnie dlatego architektura została zmieniona — agenci AI muszą dziś przedstawiać przeciwstawne argumenty, wchodzić ze sobą w spór i ostatecznie opowiedzieć się po jednej ze stron: czy dana spółka ma większe szanse wzrosnąć, czy spaść. Dzięki temu proces decyzyjny jest bardziej zbliżony do rzeczywistej pracy zespołu analityków.

Ciekawostka: samoocena i wzajemna ocena agentów

Do architektury dołożono również mechanizmy autorefleksji oraz wzajemnej oceny agentów. Przykładowo wirtualny dyrektor ma dostęp do swoich wcześniejszych uzasadnień, podjętych decyzji oraz informacji o tym, czy okazały się trafne. Dzięki temu może identyfikować powtarzające się błędy i modyfikować swoje podejście, jeśli zauważy, że wcześniejsze hipotezy nie znajdują potwierdzenia w rzeczywistości rynkowej.

Podobnie działa model pełniący rolę prezesa. Widzi on rekomendacje przygotowane przez dyrektora, ale kieruje się nieco innym zestawem priorytetów i mechanizmów decyzyjnych, zaprojektowanych tak, aby lepiej odzwierciedlać bardziej „ludzkie" podejście do oceny ryzyka i szans inwestycyjnych. Co istotne, decyzje obu agentów można analizować zarówno osobno, jak i łącznie. Pozwala to sprawdzić nie tylko skuteczność całego procesu, ale również odpowiedzieć na pytanie, czy dodatkowa warstwa decyzyjna faktycznie poprawia wyniki, czy w konkretnych sytuacjach raczej im szkodzi.