大規模言語モデルの金融市場への応用

本記事は、大規模言語モデル（LLM）の金融市場予測への応用可能性について考察している。著者は、LLMが自己回帰型学習器であり、量的取引に使用されるモデルと類似していると指摘する。しかし、金融データは言語データよりもノイズが多く構造化されておらず、市場の効率性が予測を困難にしている。NeurIPS 2023では、Hudson River TradingがGPT-3の学習トークン数（5000億）と米国株式の年間市場データトークン数（1770億）を比較した。マルチモーダル学習により、価格データとニュースや衛星画像などの代替データを組み合わせることが可能になる。金融における残差化（因子モデル）とAIにおける残差ネットワークは、共通構造からの偏差を予測するという点で類似した考え方に基づく。LLMの長大なコンテキストウィンドウは、マルチスケールの市場現象を捉えることができるが、複数の将来の時間軸を予測することは依然として困難である。合成データ生成は不足しがちな市場データを補完する可能性があり、生成モデルは極端なイベントのシミュレーションに役立つかもしれない。本記事は、LLMが近い将来に量的取引を取って代わる可能性は低いが、ファンダメンタル分析を強化する可能性はあると結論づけ、柔軟な姿勢を保つよう促している。