在金融市场中应用大型语言模型

本文探讨将大型语言模型应用于量化交易任务的可能性，特别是价格预测与交易。作者指出，LLM 是自回归学习器，可被适配为对价格序列而非单词序列进行建模。然而，关键问题在于信噪比：语言学中的文本具有人类可预测的语法结构，而金融序列则包含众多随机因素，如非理性交易和宏观经济冲击。在 NeurIPS 2023 会议上，Hudson River Trading 公司比较了 GPT-3 的训练 token 数（5000 亿）与可获取的市场 token 数（每年 1770 亿），表明数据量相当，但价格的可预测性却远低于文本。有前景的方法包括多模态学习（融合价格、新闻、卫星图像）、残差化方法以提取收益的特异性成分，以及利用长上下文窗口分析跨尺度现象（从微观结构到基本面因素）。合成数据可辅助训练策略，随后在实际数据上校准，而生成模型则可用于模拟极端事件。总体而言，尽管存在怀疑，作者呼吁对可能的突破保持开放态度。