Ứng dụng Mô hình Ngôn ngữ Lớn trong Thị trường Tài chính

Bài báo xem xét tiềm năng của các mô hình ngôn ngữ lớn (LLMs) trong việc dự đoán thị trường tài chính. Tác giả lưu ý rằng LLMs là các bộ học tự hồi quy, tương tự như các mô hình được sử dụng trong giao dịch định lượng. Tuy nhiên, dữ liệu tài chính nhiễu hơn và ít cấu trúc hơn ngôn ngữ, và hiệu quả thị trường khiến việc dự đoán trở nên khó khăn. Tại hội nghị NeurIPS 2023, Hudson River Trading đã so sánh số token huấn luyện của GPT-3 (500 tỷ) với số token dữ liệu thị trường hàng năm (177 tỷ đối với cổ phiếu Mỹ). Học đa phương thức có thể kết hợp dữ liệu giá với dữ liệu thay thế như tin tức hoặc ảnh vệ tinh. Phần dư hóa trong tài chính (mô hình yếu tố) và trí tuệ nhân tạo (mạng phần dư) có cùng ý tưởng dự đoán độ lệch khỏi một cấu trúc chung. Cửa sổ ngữ cảnh dài của LLMs có thể nắm bắt các hiện tượng thị trường đa tỷ lệ, nhưng việc dự đoán nhiều khung thời gian tương lai vẫn là thách thức. Tạo dữ liệu tổng hợp có thể bổ sung dữ liệu thị trường khan hiếm, và các mô hình sinh có thể giúp mô phỏng các sự kiện cực đoan. Bài báo kết luận rằng mặc dù khó có khả năng LLMs thay thế giao dịch định lượng trong thời gian ngắn, chúng có thể thúc đẩy phân tích cơ bản và khuyến khích giữ một tư duy cởi mở.