Toepassing van Grote Taalmodellen in Financiële Markten

Het artikel onderzoekt de potentie van Large Language Models (LLM's) voor financiële marktvoorspellingen. Het merkt op dat LLM's autoregressieve leerders zijn, vergelijkbaar met modellen die worden gebruikt in kwantitatieve handel. Financiële gegevens zijn echter ruisiger en minder gestructureerd dan taal, en marktefficiëntie maakt voorspelling moeilijk. Op NeurIPS 2023 vergeleek Hudson River Trading de trainings-tokens van GPT-3 (500 miljard) met jaarlijkse marktdata-tokens (177 miljard voor Amerikaanse aandelen). Multimodaal leren zou prijsdata kunnen combineren met alternatieve data zoals nieuws of satellietbeelden. Residualisering in de financiële wereld (factormodellen) en in AI (residual networks) delen een soortgelijk idee van het voorspellen van afwijkingen van een gemeenschappelijke structuur. De lange contextvensters van LLM's kunnen multi-schaal marktverschijnselen vastleggen, maar het voorspellen van meerdere toekomstige tijdshorizonten blijft uitdagend. Synthetische datageneratie zou schaarse marktdata kunnen aanvullen, en generatieve modellen kunnen helpen bij het simuleren van extreme gebeurtenissen. Het artikel concludeert dat LLM's waarschijnlijk niet snel de kwantitatieve handel zullen overnemen, maar ze kunnen fundamentele analyse een boost geven, en het roept op om een open geest te houden.