ربات‌ها پیش‌بینی‌های کلان را خواهند نوشت

دو روش اساسی برای استفاده از هوش مصنوعی برای پیش‌بینی قیمت سهام وجود دارد:

1. یک مدل یادگیری عمیق برای پیش‌بینی قیمت سهام می‌سازید: یک شبکه عصبی عمیق راه‌اندازی می‌کنید، داده‌های تاریخی زیادی در مورد سهام به آن می‌دهید و آن را آموزش می‌دهید تا بفهمد چگونه آن داده‌ها بازده قیمت سهام را پیش‌بینی می‌کنند. سپس مدل را روی داده‌های فعلی اجرا می‌کنید، بازده‌های آینده را پیش‌بینی می‌کند و سهامی را که فکر می‌کند بالا می‌روند، می‌خرید.
2. شما یک مدل یادگیری عمیق را که شخص دیگری ساخته است، یک مدل زبانی بزرگ، مدلی که در پیش‌بینی متن خوب است، برمی‌دارید. این مدل روی یک مجموعه بزرگ از زبان انسانی آموزش داده شده است و در پاسخ دادن به سؤالاتی مانند «شعری درباره قورباغه به سبک دبلیو. بی. ییتس بنویسید» خوب است. و شما از آن سؤالاتی مانند «گزارشی درباره اینکه آیا باید سهام Nvidia Corp. را به سبک وارن بافت بخرم یا خیر، بنویسید» می‌پرسید. و سپس روی سبک نوشتن وارن بافت، که منعکس‌کننده سبک تفکر اوست، آموزش می‌بیند و پاسخ آن به سؤال شما - امیدوارید - در واقع منعکس‌کننده چیزی است که بافت ممکن است بگوید، یا آنچه که اگر یک کامپیوتر بود که زمان زیادی برای فکر کردن در مورد سؤال داشت، ممکن بود بگوید. و از آنجا که وارن بافت در انتخاب سهام خوب است، این نسخه مصنوعی از او برای شما مفید است. شما گزارش را می‌خوانید و اگر ربات وارن بافت بگوید «بخر»، می‌خرید.

رویکرد اول به طور شهودی منطقی به نظر می‌رسد و تقریباً توصیف می‌کند که شرکت‌های سرمایه‌گذاری کمی چقدر پیش می‌روند: ممکن است الگوهایی در داده‌های مالی وجود داشته باشد که بازده‌های آینده را پیش‌بینی می‌کنند و یادگیری عمیق یک تکنیک آماری برای یافتن آنها است.

رویکرد دوم به نظر می‌رسد... تا حدودی دیوانه‌وار و بیهوده و غیرمستقیم؟ در عین حال خنده‌دار و جذاب؟ این یک رویکرد برای حل مسئله با حل یک مسئله بسیار سخت‌تر و کلی‌تر است: به جای «بررسی یک تن داده برای دیدن اینکه چه سیگنال‌هایی پیش‌بینی می‌کنند که آیا سهام بالا می‌رود»، این است که «یک ربات بسازید که به طور قانع‌کننده‌ای از آگاهی انسان تقلید می‌کند و سپس آن ربات را آموزش دهید تا از آگاهی یک انسان خاص که در انتخاب سهام خوب است، تقلید کند و سپس به ربات برخی داده‌های اساسی در مورد یک سهام بدهید و سپس از ربات بخواهید پیش‌بینی کند که آیا انسان پیش‌بینی می‌کند که سهام بالا خواهد رفت یا خیر.»

تصور من این است که افرادی از رویکرد اول با موفقیت قابل توجهی استفاده می‌کنند - این تقریباً مانند Renaissance Technologies است - و رویکرد دوم بیشتر شوخی من است. اما نه کاملاً. رویکرد دوم مزایای مهمی دارد:

1. شخص دیگری - OpenAI یا xAI یا DeepSeek یا هر کس دیگری - مدل زبانی بزرگ را از قبل برای شما ساخته است، با هزینه زیاد. اگر در خط مقدم یادگیری ماشین هستید و می‌توانید هزینه مقادیر زیادی داده و محققان و ظرفیت محاسباتی را بپردازید، پیش بروید و یک مدل پیش‌بینی سهام بسازید، اما اگر فقط، مثلاً، یک دانشگاهی هستید، استفاده از مدل شخص دیگری احتمالاً آسان‌تر است. شرکت‌های مدل زبانی بزرگ مدل‌های خود را به طور گسترده منتشر می‌کنند. شرکت‌های مدل سهام این کار را نمی‌کنند. شما نمی‌توانید، مثلاً، ماهانه 20 دلار برای مدل قیمت سهام Rennaissance بپردازید.
2. از آنجا که خروجی مدل زبانی بزرگ نثر است، استدلال آن به گونه‌ای قابل توضیح است که مدل سهام نیست. مدل سهام مانند این است که «من به هر ترکیب ممکن از 100000 سری زمانی داده نگاه کرده‌ام و سیگنالی را ساخته‌ام که یک ترکیب غیرخطی از 37314 مورد از آنها است و سیگنال می‌گوید Nvidia بالا خواهد رفت» و اگر بپرسید چرا، مدل می‌گوید «خب، 37314 مجموعه داده.» شما فقط باید به آن اعتماد کنید. در حالی که ربات وارن بافت یک گزارش کوچک و خوب برای شما می‌نویسد، با دلایلی که شما باید Nvidia را بخرید. دلایل ممکن است کاملاً توهمی باشند، اما می‌توانید بروید و بررسی کنید. من یک بار نوشتم: «یکی از انتقاداتی که گاهی اوقات از هوش مصنوعی در امور مالی می‌بینید این است که کامپیوتر یک جعبه سیاه است که سهام را به دلایلی انتخاب می‌کند که کاربران انسانی آن نمی‌توانند درک کنند: روند استدلال کامپیوتر مبهم است و بنابراین نمی‌توانید مطمئن باشید که سهام را به دلایل خوب یا به دلیل همبستگی‌های ساختگی انتخاب می‌کند. ساختن یک یادداشت سرمایه‌گذاری توسط کامپیوتر این مشکل را حل می‌کند!»
3. من فکر می‌کنم که جذابیت زیبایی‌شناختی و اجتماعی تایپ کردن در یک جعبه کوچک برای گپ زدن با دوست خود ربات وارن بافت با جعبه سیاه که فقط لیستی از سهام برای خرید به شما می‌دهد، متفاوت است. این احتمالاً برای صندوق‌های پوشش ریسک کمی دقیق چندان مهم نیست، اما باید برای کسی مهم باشد. ما سال گذشته صحبت کردیم درباره یک استارت‌آپ که در حال راه‌اندازی «یک ربات چت است که مشاوره انتخاب سهام را ارائه می‌دهد» به مشتریان کارگزاری خرده‌فروشی و به نظر می‌رسید هدف این پروژه این نبود که «ربات چت همیشه سهامی را به شما می‌گوید که بالا می‌روند» بلکه «ربات چت یک شبیه‌سازی قانع‌کننده از صحبت کردن با یک کارگزار انسانی را ارائه می‌دهد»، که او نیز همیشه سهامی را به شما نمی‌گوید که بالا می‌روند. شما به هر حال با کارگزار تماس می‌گیرید. اکنون می‌توانید به جای آن به ربات چت پیامک بزنید.

و بنابراین ما همچنین سال گذشته صحبت کردیم درباره یک شرکت صندوق قابل معامله در بورس که از مدل‌های زبانی بزرگ برای شبیه‌سازی کارشناسان انسانی - افرادی با ویژگی‌های انسان‌های خاص مانند بافت - برای انتخاب سهام استفاده می‌کند. چرا از LLMها به جای ساختن یک مدل برای پیش‌بینی مستقیم قیمت سهام استفاده می‌کنید؟ خوب، زیرا LLM از قبل وجود دارد و داده‌ها از قبل وجود دارند و schtick کمی انسانی‌تر از «اینجا جعبه سیاه ما است» است.

به هر حال در اینجا یک مقاله در مورد «شبیه‌سازی نظرسنجی از پیش‌بینی‌کنندگان حرفه‌ای» توسط Anne Lundgaard Hansen، John Horton، Sophia Kazinnik، Daniela Puzzello و Ali Zarifhonarvar وجود دارد:

ما پیش‌بینی‌های اقتصادی پیش‌بینی‌کنندگان حرفه‌ای را با استفاده از مدل‌های زبانی بزرگ (LLM) شبیه‌سازی می‌کنیم. ما با استفاده از یک مجموعه داده منحصربه‌فرد که به صورت دستی جمع‌آوری شده است از ویژگی‌های شرکت‌کنندگان در نظرسنجی از پیش‌بینی‌کنندگان حرفه‌ای، شخصیت‌های پیش‌بینی‌کننده مصنوعی را می‌سازیم. سپس این شخصیت‌ها با داده‌های اقتصاد کلان بلادرنگ ارائه می‌شوند تا پاسخ‌های شبیه‌سازی‌شده به نظرسنجی SPF تولید کنند. نتایج ما نشان می‌دهد که پیش‌بینی‌های تولید شده توسط LLM شبیه به پیش‌بینی‌های انسانی هستند، اما اغلب به دقت بالاتری دست می‌یابند، به ویژه در افق‌های میان‌مدت و بلندمدت. ما استدلال می‌کنیم که این مزیت ناشی از توانایی LLMها در استخراج اطلاعات نهفته رمزگذاری شده در پیش‌بینی‌های انسانی گذشته ضمن اجتناب از سوگیری‌ها و نویز سیستماتیک است. چارچوب ما یک جایگزین مقرون‌به‌صرفه و با فرکانس بالا ارائه می‌دهد که روش‌های نظرسنجی سنتی را با استفاده از تخصص انسانی و دقت هوش مصنوعی تکمیل می‌کند.

ببینید، می‌توانید تصور کنید که با تغذیه یک تن داده‌های اقتصاد کلان فعلی در یک مدل یادگیری عمیق و تلاش برای وادار کردن آن به پیش‌بینی، داده‌های اقتصاد کلان آینده را پیش‌بینی کنید. این مزیت پاسخ مستقیم به سؤال را دارد، اما معایب مهمی مانند «به داده‌های زیادی نیاز دارید» و «باید مدل را بسازید» دارد.

یا می‌توانید با ارائه برخی از داده‌های فعلی به یک مدل زبانی بزرگ تجاری و درخواست از آن برای تظاهر به یک پیش‌بینی‌کننده انسانی، داده‌های اقتصاد کلان آینده را پیش‌بینی کنید. این مزیت را دارد که مدل از قبل وجود دارد و شما فقط باید یک اعلان خوب را تایپ کنید، احتمالاً یکی با داده‌های بسیار کمتری نسبت به آنچه یک مدل کلان بزرگ می‌خواهد. همچنین «اطلاعات نهفته رمزگذاری شده در پیش‌بینی‌های انسانی گذشته» وجود دارد. از مقاله:

مشکل پیش‌بینی یک بردار از متغیرهای اقتصادی H دوره جلوتر را در نظر بگیرید که با yt+H نشان داده می‌شود. ما فرض می‌کنیم که فرآیند پیش‌بینی واقعی توسط تابعی f اداره می‌شود که به دو نوع اطلاعات موجود در زمان t بستگی دارد: داده‌های قابل مشاهده xt و عوامل غیرقابل مشاهده zt، به علاوه یک خطای میانگین صفر غیرقابل پیش‌بینی e. …

عوامل غیرقابل مشاهده zt نشان‌دهنده هرگونه اطلاعات اضافی است که می‌تواند به پیش‌بینی yt+H کمک کند اما توسط xt گرفته نمی‌شود. این ممکن است شامل بینش‌های خصوصی، دانش دامنه ضمنی، اکتشافات درونی‌شده و شهود باشد.

انسان‌ها می‌توانند به اطلاعات قابل مشاهده و غیرقابل مشاهده دسترسی داشته باشند. با این حال، آنها این اطلاعات را به طور ناقص پردازش می‌کنند که یک اصطلاح خطا را معرفی می‌کند. …

در مقابل، الگوریتم‌ها فقط می‌توانند به xt دسترسی داشته باشند، اما xt را به طور کارآمد پردازش می‌کنند. … این نشان‌دهنده پیش‌بینی الگوریتمی سنتی با استفاده از تکنیک‌های یادگیری ماشین است. با این حال، ما از LLMها استفاده می‌کنیم که انتظارات را به روشی غیر قطعی شکل می‌دهند.

این است: انسان‌ها می‌توانند مقداری سس مخفی را به پیش‌بینی‌های اقتصاد کلان بیاورند، یک منبع اضافی از بینش - «دانش دامنه ضمنی» و غیره - که در داده‌های مورد استفاده توسط الگوریتم‌های یادگیری ماشین برای پیش‌بینی گرفته نمی‌شود. اما اگر یک الگوریتم یادگیری ماشین را روی انسان‌ها آموزش دهید، به آن سس مخفی خاص انسان دسترسی دارد و می‌تواند پیش‌بینی‌های بهتری انجام دهد.

هفتصد سال پیش، در سال 2021، BlackRock Inc. توافقی کرد تا از گروهی از بانک‌ها به رهبری Wells Fargo & Co. پول قرض بگیرد.1 به عنوان بخشی از این توافق، BlackRock و بانک‌ها بر سر سه مجموعه از «اهداف پایداری» برای تجارت BlackRock به توافق رسیدند: هدف آن استخدام کارمندان سیاهپوست و اسپانیایی‌تبار بیشتر، داشتن زنان بیشتر در نقش‌های رهبری و مدیریت دارایی‌های بیشتر با ماموریت‌های سرمایه‌گذاری پایدار بود.2 اگر به اندازه کافی از این اهداف می‌رسید، هزینه تعهد آن برای تسهیلات اعتباری - مبلغی که هر سال به بانک‌ها پرداخت می‌کرد حتی اگر واقعاً هیچ پولی برداشت نمی‌کرد - 0.01٪ از هزینه پایه توافق شده کاهش می‌یافت و نرخ بهره آن - مبلغی که اگر واقعاً هیچ پولی برداشت نمی‌کرد - 0.05٪ کاهش می‌یافت. اگر به اندازه کافی از اهداف به اندازه کافی بد دور می‌شد، هزینه تعهد و نرخ آن افزایش می‌یافت 0.01٪ و 0.05٪. بنابراین اگر BlackRock بسیار متنوع بود، 0.02٪ کمتر در سال (در هزینه‌های تعهد) از زمانی که بسیار غیرمتنوع بود، پرداخت می‌کرد. (تا جایی که من می‌توانم بگویم، از این تسهیلات اعتباری استفاده نکرده است، بنابراین من روی هزینه تعهد تمرکز می‌کنم.)

می‌توانید سعی کنید این مقررات را به روشی اعتباری عادی تجزیه و تحلیل کنید. بسیاری از توافق‌نامه‌های اعتباری حاوی نوعی تنظیم نرخ برای مواردی هستند که وام را پرخطرتر یا ایمن‌تر می‌کنند. شما می‌توانید یک توافق‌نامه اعتباری داشته باشید که نرخ آن به رتبه‌بندی اعتباری یا درآمد خالص یا نسبت‌های اهرمی مرتبط باشد: اگر اعتبار شرکت پرخطرتر شود، باید به بانک‌های خود بیشتر پرداخت کند؛ اگر ایمن‌تر شود، می‌تواند کمتر به آنها پرداخت کند. شما می‌توانید داستانی مانند این را در اینجا بیان کنید. «این اهداف پایداری در واقع پایداری بلندمدت شرکت را بهبود می‌بخشند - بنابراین نام آن - بنابراین هرچه رهبری BlackRock متنوع‌تر باشد، پایدارتر خواهد بود و بدهی آن ایمن‌تر خواهد بود. بنابراین بانک‌ها باید مایل باشند که 0.02٪ بهره کمتری را در ایالت‌های جهان بپذیرند که BlackRock متنوع‌تر از ایالت‌هایی است که کمتر متنوع است، زیرا ایالت‌های متنوع‌تر برای اعتبار بهتر هستند و بانک‌ها می‌خواهند BlackRock را تشویق کنند تا تصمیماتی بگیرد که برای اعتبار خوب هستند.»

من فکر نمی‌کنم این تحلیل درستی باشد؟3 یا بهتر است بگویم، فکر نمی‌کنم این چیزی باشد که بانک‌ها یا BlackRock به آن فکر می‌کردند. من دلایل مختلفی برای این باور دارم، اما یک دلیل ساده این است: 0.02٪ مقدار زیادی نیست. بانکی که در مورد ریسک اعتباری تصمیم‌گیری می‌کند، احتمالاً به چیزهایی مانند «اگر درآمد این شرکت زیاد کاهش یابد، اعتبار آن بسیار پرخطرتر خواهد بود و ما باید بسیار بیشتر هزینه کنیم» یا حداقل مقدار متوسط ​​فکر می‌کند؛ تصمیمات اعتباری به ندرت به اندازه 0.02٪ تنظیم می‌شوند. این امکان وجود دارد که یک BlackRock متنوع‌تر واقعاً 0.02٪ کمتر از یک BlackRock کمتر متنوع پرخطر باشد و این تفاوت هزینه درست باشد، اما اگر این درست باشد، نوعی تصادف خوش‌شانس است.

یک تحلیل واقع‌بینانه‌تر ممکن است:

1. بانک‌ها در سال 2021 دوست داشتند بتوانند بگویند که در حال انجام حجم زیادی از وام‌هایی هستند که پایدار، مرتبط با پایداری، ESG (سرمایه‌گذاری زیست‌محیطی، اجتماعی و حاکمیتی) و غیره هستند. افزودن یک - کوچک - انگیزه تنوع این وام را به یک وام «مرتبط با پایداری» تبدیل کرد و بانک‌ها می‌توانستند در گزارش‌های خود قرار دهند که در حال انجام بسیاری از وام‌های پایدار هستند.
2. BlackRock در سال 2021 نیز بسیار به این نوع چیزها علاقه‌مند بود و دریافت وام مرتبط با پایداری برای آن تبلیغات خوبی بود.

به هر حال، درست است، این 700 سال پیش بود. در اینجا وال استریت ژورنال امروز:

BlackRock در آخرین گزارش سالانه خود ارجاع به استراتژی تنوع، برابری و شمول خود را کاهش داد و به فهرست شرکت‌های وال استریت و کارفرمایان شرکتی پیوست که از DEI فاصله می‌گیرند.

این یک چرخش به ویژه قابل توجه برای BlackRock است، جایی که مدیر عامل Larry Fink زمانی DEI و سرمایه‌گذاری زیست‌محیطی، اجتماعی و حاکمیتی را پذیرفت.

Fink در نامه ای به سهامداران در سال 2021 نوشت: "همانطور که از سایر شرکت‌ها می‌خواهیم، ما یک استراتژی بلندمدت با هدف بهبود تنوع، برابری و شمول در BlackRock داریم." "برای اینکه واقعاً تغییر ایجاد کنیم، باید DEI را در همه کارهایی که انجام می‌دهیم جاسازی کنیم."

در گزارش سالانه BlackRock که روز سه‌شنبه منتشر شد، بزرگترین مدیر دارایی جهان اظهاراتی را که در گزارش‌های گذشته در مورد یک نیروی کار متنوع و فراگیر به عنوان "یک ضرورت تجاری و ضروری" درج کرده بود، حذف کرد.

BlackRock ارجاع به "استراتژی DEI سه ستونی" خود را حذف کرد. همچنین این بیانیه که "BlackRock شفافیت و اندازه‌گیری را برای استراتژی خود حیاتی می‌داند" و تجزیه و تحلیل کارکنان خود در ایالات متحده بر اساس جنسیت و قومیت خوداظهار شده، از بین رفت.

و - شاید - به طور اساسی تر:

یک پاورقی ظریف در پرونده سالانه نشان داد که BlackRock به روش دیگری از DEI عقب نشینی می‌کند. در سال 2021، این شرکت یک قرارداد مالی با گروهی از بانک‌ها منعقد کرد که هزینه‌های وام برای یک تسهیلات اعتباری 4.4 میلیارد دلاری را به توانایی آن در دستیابی به اهداف خاص، مانند دستیابی به اهداف برای زنان در رهبری ارشد و کارمندان سیاه پوست و لاتین در نیروی کار خود مرتبط می‌کرد.

BlackRock گفت که تسهیلات اعتباری مرتبط با ESG، یک ترتیبات جدید در آن زمان، پاسخگویی خود را افزایش می‌دهد.

این معیارها دیگر اعمال نخواهند شد. BlackRock روز سه شنبه فاش کرد که تسهیلات اعتباری را اصلاح کرده است تا "مکانیسم‌های قیمت‌گذاری مرتبط با پایداری را برای حذف معیارهای موجود به روز کند."

در اینجا گزارش سالانه آمده است؛ ظاهراً معیارهای مرتبط با پایداری در ماه مه 2024 حذف شدند و "معیارهای جدید، در صورت وجود" ممکن است بعداً تعیین شوند.4 من دوست دارم در این مذاکرات حضور داشته باشم. فکر می‌کنید داغ شدند؟

BlackRock: ما باید از انجام کاری که در آن اگر به اندازه کافی متنوع نباشیم، 0.01٪ اضافی به شما پرداخت می‌کنیم، و اگر بسیار متنوع باشیم، 0.01٪ کمتر به شما پرداخت می‌کنیم، دست برداریم.

بانک‌ها: چی؟ این معیارها برای تحلیل اعتباری ما حیاتی بودند و ما راحت نیستیم که فقط آنها را حذف کنیم. شما به ما قول دادید که برای دستیابی به اهداف تنوع تلاش خواهید کرد و اگر نتوانید این کار را انجام دهید، باید کل رابطه وام دهی خود را دوباره ارزیابی کنیم.

BlackRock: ...

بانک‌ها: …

BlackRock: Lol.

بانک‌ها: Ahahaha ما شما را برای یک دقیقه به دردسر انداختیم. نه، خوب است فقط آن را حذف کنید، چه کسی اهمیت می‌دهد، ما هم دیگر وام دهی مرتبط با تنوع خود را گزارش نمی‌کنیم.

در این مورد چیزی کمی آزاردهنده وجود دارد. یک توافقنامه وام بیشتر بین وام دهندگانی که یک چیز می‌خواهند و یک وام گیرنده که چیز دیگری می‌خواهد مذاکره می‌شود. به طور کلی، اگر توافقنامه وام می‌گوید که وام گیرنده باید در برخی شرایط بیشتر پرداخت کند، به این دلیل است که وام دهندگان نگران آن شرایط هستند و بر برخی از حمایت‌ها و مشوق‌ها اصرار کرده‌اند. اگر وام گیرنده نزد وام دهندگان بیاید و بگوید "آیا می‌توانیم فقط آن را فراموش کنیم"، وام دهندگان چیزهایی مانند "نه" یا "چه" یا "آیا شما در مشکل هستید؟" خواهند گفت.

و بنابراین، در سال 2021، زمانی که BlackRock این توافقنامه را امضا کرد، قرار بود نوعی تعهد پرهزینه را نشان دهد: اگر نتوانیم به اهداف تنوع خود برسیم، برای ما هزینه خواهد داشت، زیرا بانک‌های با انگیزه اقتصادی در طرف دیگر وجود دارند که ما را به این اهداف پایبند می‌کنند. اما اینطور نبود! همه چیز تقریباً جعلی بود. هیچ تعهد واقعی وجود نداشت و وقتی برای BlackRock ناخوشایند شد، برای بانک‌ها نیز به همین ترتیب ناخوشایند شد و آنها می‌توانستند فقط آن را فراموش کنند.

به طور کلاسیک، اگر شما مدیر عامل یک شرکت سهامی عام هستید و همچنین سهامدار بزرگی در یک شرکت متفاوت هستید و شرکت سهامی عام شما با شرکت دیگری که مالک آن هستید معامله می‌کند، این یک تعارض منافع است. هیئت مدیره شرکت سهامی عام شما باید یک کمیته ویژه از مدیران مستقل تشکیل دهد تا معامله را بررسی کند و مطمئن شود که منصفانه است و شما باید خود را از مذاکرات منع کنید و هنگامی که معامله انجام می‌شود، شرکت سهامی عام شما باید آن را به طور گسترده افشا کند تا سهامداران بفهمند که شما چه می‌کنید.

بنابراین Elon Musk مدیر عامل شرکت Tesla Inc. است و همچنین سهامدار بزرگی در شرکتی به نام SolarCity Corp بود. در سال 2016، SolarCity وضعیت خوبی نداشت و Musk تصمیم گرفت - متاسفم، هیئت مدیره Tesla و SolarCity تصمیم گرفتند - که Tesla باید SolarCity را بخرد. این کار را کرد، سهامداران Tesla شکایت کردند و یک مبارزه حقوقی طولانی در مورد تعارضات منافع آشکار درگیر در یکی از شرکت‌های Musk برای نجات دیگری وجود داشت. در نهایت Musk پیروز شد، با این نتیجه که قاضی این معامله و نحوه تصویب آن کامل نبود، اما به اندازه کافی خوب بود.

از آن زمان Musk به کارهای بزرگتری روی آورده است و در وال استریت ژورنال امروز Jonathan Weil سوالاتی مانند می‌پرسد: آیا Elon Musk مالک دولت ایالات متحده است؟ و: اگر چنین است، این چه تاثیری بر تعهدات افشای Tesla دارد؟

در اینجا سوال مطرح است: آیا Tesla و دولت "طرف‌های مرتبط" برای اهداف اصول حسابداری پذیرفته شده عمومی هستند؟ پاسخ به نظر می‌رسد بله باشد، هر چقدر هم که این عجیب به نظر برسد. ...

تعیین طرف مرتبط به این معنی است که Tesla، در افشاهای خود به سرمایه گذاران، ممکن است مجبور شود شروع به گزارش معاملاتی کند که با دولت دارد اگر قابل توجه باشند. همچنین این امر نشان می‌دهد که Musk چقدر قدرتمند شده است. استانداردهای حسابداری ایالات متحده می‌گویند که دلیل الزام به چنین افشاهایی این است که "نمی‌توان فرض کرد که معاملاتی که شامل طرف‌های مرتبط هستند، به صورت بازویی انجام می‌شوند، زیرا شرایط لازم برای معاملات رقابتی و بازار آزاد ممکن است وجود نداشته باشد."

سایر شرکت‌های سهامی عام قبلاً در افشاهای خود، دولت ایالات متحده را به عنوان یک طرف مرتبط معرفی کرده‌اند، از جمله American International Group، General Motors، Fannie Mae و Freddie Mac. اما این به این دلیل بود که دولت آنها را نجات داد و سهام مالکیت زیادی را در طول بحران مالی سال 2008 به دست آورد. اگر Tesla بخواهد شروع به شناسایی دولت به عنوان یک طرف مرتبط در گزارش‌های خود به سرمایه گذاران کند، به دلیل میزان کنترلی است که Musk بر دولت دارد، نه برعکس.

بر اساس استانداردهای حسابداری ایالات متحده، Tesla و دولت در صورتی طرف‌های مرتبط محسوب می‌شوند که یکی از آنها "بتواند به طور قابل توجهی بر مدیریت یا سیاست‌های عملیاتی دیگری تأثیر بگذارد تا حدی که یکی از طرف‌های معامله کننده ممکن است از پیگیری کامل منافع جداگانه خود منع شود."

من نمی‌دانم Tesla چقدر معامله تجاری با دولت دارد؛ این احتمالاً برای SpaceX مرتبط‌تر است، اما SpaceX خصوصی است، بنابراین تاکید کمتری بر حسابداری آن وجود دارد. با این حال: مطمئنا. ما به نقطه‌ای نرسیده‌ایم که Tesla مجبور شود ادغام دولت را در حسابداری خود انجام دهد، که نتیجه بسیار خنده‌دارتر خواهد بود. 34 تریلیون دلار بدهی دولتی را فقط برای به هم ریختن تحلیلگران در ترازنامه Tesla قرار دهید.

در جای دیگر Kara Carlson از بلومبرگ گزارش‌هایی دارد مبنی بر اینکه صندوق‌های پوشش ریسک و بانک‌های سرمایه‌گذاری در حال استخدام هوش مصنوعی برای پیش‌بینی دانشجویانی هستند که می‌خواهند بانکدار جوان شوند:

دومینیون روجو، که مشاوره شغلی مالی را برای نسل Z ارائه می‌دهد، می‌گوید بیشتر مشتریان در سال‌های اخیر از او می‌پرسند که آیا باید از هوش مصنوعی برای ساخت رزومه استفاده کنند یا خیر. او می‌گوید، در حالی که شرکت‌ها استخدام‌کنندگان انسانی دارند، تعداد بیشتری از آنها به هوش مصنوعی روی می‌آورند تا رزومه‌ها را بررسی کرده و استعدادهای برتر را پیدا کنند.

این امر بانکداران جوان‌تر را تحت فشار می‌گذارد تا خودکار شوند یا خودکار شوند. او به داوطلبان توصیه می‌کند که نام، معدل و تجربیات خود را در هوش مصنوعی وارد کرده و به آن دستور دهند که رزومه‌ای بنویسد که آنها را در بین 15٪ برتر داوطلبان قرار دهد. روجو می‌گوید: «در حال حاضر، هر کسی که به این فکر نمی‌کند، در وضعیت بدی قرار خواهد گرفت.»

دلیل استخدام بانکداران جوان این نیست که به طور شهودی به امور مالی فکر می‌کنند؛ دلیل استخدام بانکداران جوان این است که می‌توانند 70 ساعت در هفته اکسل را وارد کنند. هوش مصنوعی می‌تواند این کار را بهتر انجام دهد - در واقع، در حال حاضر دارد این کار را بهتر انجام می‌دهد! - بنابراین چه نیازی به استخدام انسان دارید؟ شاید هوش مصنوعی در حال حاضر تمام کارها را انجام می‌دهد، و آن فقط ربات‌ها هستند که بررسی می‌کنند که کدام ربات‌ها باید در داخل استخدام شوند.