大型语言模型在金融市场中的应用

本文探讨了大语言模型（LLM）在金融市场预测中的潜力。文章指出，LLM是自回归学习器，与量化交易中使用的模型类似。然而，金融数据比语言数据噪声更大、结构性更弱，市场有效性也使得预测变得困难。在2023年神经信息处理系统大会（NeurIPS 2023）上，哈德逊河交易公司（Hudson River Trading）将GPT-3的训练token数量（5000亿）与年度市场数据token数量（美国股票为1770亿）进行了比较。多模态学习可以将价格数据与新闻或卫星图像等替代数据结合起来。金融中的残差化（因子模型）和人工智能中的残差（残差网络）共享一个相似的理念，即预测偏离共同结构的偏差。LLM的长上下文窗口可以捕捉多尺度的市场现象，但预测多个未来时间范围仍然具有挑战性。合成数据生成可以扩充稀缺的市场数据，而生成式模型可能有助于模拟极端事件。文章总结道，尽管LLM不太可能很快取代量化交易，但它们可能会促进基本面分析，并敦促人们保持开放的心态。