Application des grands modèles de langage dans les marchés financiers

L'article examine le potentiel des grands modèles de langage (LLM) pour la prédiction des marchés financiers. Il note que les LLM sont des apprenants autorégressifs, similaires aux modèles utilisés dans le trading quantitatif. Cependant, les données financières sont plus bruitées et moins structurées que le langage, et l'efficacité des marchés rend la prédiction difficile. Lors de la conférence NeurIPS 2023, Hudson River Trading a comparé les jetons d'entraînement de GPT-3 (500 milliards) aux jetons annuels de données de marché (177 milliards pour les actions américaines). L'apprentissage multimodal pourrait combiner les données de prix avec des données alternatives comme les actualités ou les images satellite. La résidualisation en finance (modèles factoriels) et en intelligence artificielle (réseaux résiduels) partagent une idée similaire : prédire les écarts par rapport à une structure commune. Les fenêtres de contexte longues des LLM peuvent capturer des phénomènes de marché multi-échelles, mais prédire plusieurs horizons temporels futurs reste difficile. La génération de données synthétiques pourrait enrichir les données de marché rares, et les modèles génératifs pourraient aider à simuler des événements extrêmes. L'article conclut que, même si les LLM ne devraient pas remplacer le trading quantitatif de sitôt, ils pourraient renforcer l'analyse fondamentale et exhorte à garder un esprit ouvert.