Penerapan Model Bahasa Besar di Pasar Keuangan
OpenAI
Hudson River Trading
Para pedagang kuantitatif sedang menjajaki apakah Model Bahasa Besar (LLM), yang sukses dalam bahasa alami, dapat memprediksi deret waktu keuangan. Tantangan meliputi rasio noise terhadap sinyal yang tinggi, data yang kurang terstruktur, dan persaingan aktif. Namun, teknik seperti pembelajaran multimodal, residualisasi, dan pembuatan data sintetis menunjukkan potensi.
Artikel ini mengkaji potensi Large Language Models (LLM) untuk prediksi pasar keuangan. Disebutkan bahwa LLM adalah pembelajar autoregresif, mirip dengan model yang digunakan dalam perdagangan kuantitatif. Namun, data keuangan lebih berisik dan kurang terstruktur dibandingkan bahasa, dan efisiensi pasar membuat prediksi menjadi sulit. Pada NeurIPS 2023, Hudson River Trading membandingkan token pelatihan GPT-3 (500 miliar) dengan token data pasar tahunan (177 miliar untuk saham AS). Pembelajaran multimodal dapat menggabungkan data harga dengan data alternatif seperti berita atau citra satelit. Residualisasi dalam keuangan (model faktor) dan kecerdasan buatan (AI) (jaringan residual) memiliki ide serupa dalam memprediksi penyimpangan dari struktur umum. Jendela konteks panjang LLM dapat menangkap fenomena pasar multi-skala, tetapi memprediksi beberapa cakrawala waktu masa depan tetap menantang. Pembuatan data sintetis dapat menambah data pasar yang langka, dan model generatif dapat membantu mensimulasikan peristiwa ekstrem. Artikel menyimpulkan bahwa meskipun LLM tidak mungkin mengambil alih perdagangan kuantitatif dalam waktu dekat, mereka dapat meningkatkan analisis fundamental dan mendorong untuk tetap berpikiran terbuka.
Sumber: The Gradient —
asli