Anwendung großer Sprachmodelle in Finanzmärkten

Der Artikel untersucht die Potenziale großer Sprachmodelle (Large Language Models, LLMs) für die Vorhersage von Finanzmärkten. Es wird darauf hingewiesen, dass LLMs autoregressive Lerner sind, ähnlich wie Modelle, die im quantitativen Handel verwendet werden. Allerdings sind Finanzdaten verrauschter und weniger strukturiert als Sprache, und die Markteffizienz erschwert Vorhersagen. Auf der NeurIPS 2023 verglich Hudson River Trading die Trainings-Token von GPT-3 (500 Milliarden) mit den jährlichen Marktdaten-Token (177 Milliarden für US-Aktien). Multimodales Lernen könnte Preisdaten mit alternativen Daten wie Nachrichten oder Satellitenbildern kombinieren. Residualisierung in der Finanzwelt (Faktormodelle) und in der Künstlichen Intelligenz (Residualnetzwerke) teilen eine ähnliche Idee: die Vorhersage von Abweichungen von einer gemeinsamen Struktur. Die langen Kontextfenster von LLMs können mehrskalige Marktphänomene erfassen, aber die Vorhersage mehrerer zukünftiger Zeithorizonte bleibt herausfordernd. Synthetische Datengenerierung könnte knappe Marktdaten ergänzen, und generative Modelle könnten helfen, extreme Ereignisse zu simulieren. Der Artikel kommt zu dem Schluss, dass LLMs zwar den quantitativen Handel nicht sofort übernehmen werden, aber die fundamentale Analyse fördern könnten, und ermutigt, offen zu bleiben.