Suurten kielimallien soveltaminen rahoitusmarkkinoilla
OpenAI
Hudson River Trading
Kvantitatiiviset kaupankävijät tutkivat, voivatko suuret kielimallit (Large Language Models, LLM), jotka ovat menestyneet luonnollisessa kielessä, ennustaa rahoituksen aikasarjoja. Haasteita ovat korkea kohina-signaalisuhde, vähemmän jäsennelty data ja aktiivinen kilpailu. Lupaavia tekniikoita ovat muun muassa monimuotoinen oppiminen, residuaalien käsittely ja synteettisen datan tuottaminen.
Artikkelissa tarkastellaan suurten kielimallien (LLM) potentiaalia rahoitusmarkkinoiden ennustamisessa. Siinä todetaan, että LLM:t ovat autoregressiivisiä oppijoita, samankaltaisia kuin kvantitatiivisessa kaupankäynnissä käytetyt mallit. Rahoitusdata on kuitenkin meluisampaa ja vähemmän jäsenneltyä kuin kieli, ja markkinoiden tehokkuus tekee ennustamisesta vaikeaa. NeurIPS 2023 -konferenssissa Hudson River Trading vertasi GPT-3:n harjoitusmerkkejä (500 miljardia) vuotuisiin markkinadatamerkkeihin (177 miljardia yhdysvaltalaisille osakkeille). Monimuotoinen oppiminen voi yhdistää hintatiedot vaihtoehtoisiin tietoihin, kuten uutisiin tai satelliittikuviin. Residualisointi rahoituksessa (faktorimallit) ja tekoälyssä (residuiverkot) jakavat saman ajatuksen ennustaa poikkeamia yhteisestä rakenteesta. LLM:ien pitkät konteksti-ikkunat voivat kuvata monimittakaavaisia markkinailmiöitä, mutta useiden tulevien aikahorisonttien ennustaminen on edelleen haastavaa. Synteettisen datan tuottaminen voisi täydentää niukkaa markkinadataa, ja generatiiviset mallit saattavat auttaa simuloimaan äärimmäisiä tapahtumia. Artikkeli päättelee, että vaikka LLM:t eivät todennäköisesti ota pian valtaa kvantitatiivisessa kaupankäynnissä, ne saattavat tehostaa perusanalyysiä, ja kehottaa pitämään mielen avoimena.
Lähde: The Gradient —
Alkuperäinen