Aplicação de Grandes Modelos de Linguagem nos Mercados Financeiros

O artigo examina o potencial dos Modelos de Linguagem de Grande Escala (LLMs) para previsão de mercados financeiros. Observa que os LLMs são aprendizes autorregressivos, semelhantes aos modelos usados em negociação quantitativa. No entanto, os dados financeiros são mais ruidosos e menos estruturados que a linguagem, e a eficiência do mercado torna a previsão difícil. Na NeurIPS 2023, a Hudson River Trading comparou os tokens de treinamento do GPT-3 (500 bilhões) aos tokens anuais de dados de mercado (177 bilhões para ações dos Estados Unidos). A aprendizagem multimodal poderia combinar dados de preços com dados alternativos, como notícias ou imagens de satélite. A residualização em finanças (modelos fatoriais) e em inteligência artificial (redes residuais) compartilham uma ideia semelhante de prever desvios de uma estrutura comum. As janelas de contexto longo dos LLMs podem capturar fenômenos de mercado em múltiplas escalas, mas prever múltiplos horizontes temporais futuros continua sendo desafiador. A geração de dados sintéticos poderia aumentar os escassos dados de mercado, e modelos generativos podem ajudar a simular eventos extremos. O artigo conclui que, embora seja improvável que os LLMs assumam a negociação quantitativa em breve, eles podem impulsionar a análise fundamentalista e insta a manter a mente aberta.