تطبيق نماذج اللغة الكبيرة في الأسواق المالية

تتناول المقالة إمكانات نماذج اللغة الكبيرة (LLMs) في التنبؤ بالأسواق المالية. وتشير إلى أن نماذج اللغة الكبيرة هي متعلمات ذاتية التراجع، مماثلة للنماذج المستخدمة في التداول الكمي. ومع ذلك، فإن البيانات المالية أكثر ضوضاءً وأقل تنظيماً من اللغة، كما أن كفاءة السوق تجعل التنبؤ صعباً. في مؤتمر NeurIPS 2023، قارنت شركة Hudson River Trading رمز التدريب الخاص بـ GPT-3 (500 مليار رمز) برموز بيانات السوق السنوية (177 مليار رمز للأسهم الأمريكية). يمكن أن يجمع التعلم متعدد الوسائط بين بيانات الأسعار والبيانات البديلة مثل الأخبار أو صور الأقمار الصناعية. تتشارك عملية البقايا في المالية (نماذج العوامل) والذكاء الاصطناعي (الشبكات المتبقية) فكرة مماثلة تتمثل في التنبؤ بالانحرافات عن بنية مشتركة. يمكن لنوافذ السياق الطويلة لنماذج اللغة الكبيرة التقاط ظواهر السوق متعددة النطاقات، لكن التنبؤ بآفاق زمنية متعددة في المستقبل لا يزال صعباً. يمكن أن يؤدي توليد البيانات الاصطناعية إلى تعزيز بيانات السوق النادرة، وقد تساعد النماذج التوليدية في محاكاة الأحداث المتطرفة. تخلص المقالة إلى أنه على الرغم من أنه من غير المرجح أن تستولي نماذج اللغة الكبيرة على التداول الكمي قريباً، إلا أنها قد تعزز التحليل الأساسي، وتدعو إلى إبقاء العقل مفتوحاً.