- Ha crecido el interés por saber si los modelos de lenguaje de gran escala (LLM), que recientemente han logrado avances notables en el campo del procesamiento de lenguaje natural, también pueden aplicarse en los mercados financieros.
- Los LLM muestran un desempeño sobresaliente al modelar secuencias de tokens que representan palabras o partes de palabras, lo que les permite realizar tareas como traducción, preguntas y respuestas, y generación de oraciones similares a las humanas.
Posibilidades de uso de los LLM en los mercados financieros
- Los traders cuantitativos están interesados en saber si los LLM pueden usarse para predecir precios u operaciones.
- Esto implica modelar secuencias de precios u operaciones en lugar de secuencias de palabras.
- Este enfoque puede enseñarnos mucho sobre la IA generativa y el modelado de series temporales financieras.
Diferencias entre los LLM y los datos de los mercados financieros
- Los LLM son aprendices autorregresivos que usan tokens previos o elementos anteriores de una secuencia para predecir el siguiente elemento o token.
- Sin embargo, en los datos de los mercados financieros, la cantidad de datos disponibles para entrenamiento y su contenido informativo son limitados.
- Por ejemplo, GPT-3 fue entrenado con 500 mil millones de tokens, mientras que en el mercado bursátil solo hay disponibles 177 mil millones de tokens al año.
- Además, en los mercados financieros los tokens corresponden a precios, rendimientos o volumen de negociación, y son mucho más difíciles de predecir que las sílabas o palabras en un modelo de lenguaje.
- En los mercados financieros hay mucho más ruido que señal, y los participantes pueden realizar operaciones irracionales o negociar por motivos no relacionados con cambios fundamentales.
Posibilidades de aplicar tecnología de IA en los mercados financieros
- El aprendizaje multimodal busca construir modelos integrados usando datos de distintas modalidades, como imágenes y texto.
- En finanzas, puede utilizarse para hacer predicciones integrando distintos tipos de información no relacionada con precios, como datos técnicos de series temporales, sentimiento en Twitter, interacciones gráficas, artículos de noticias en lenguaje natural e imágenes satelitales.
- La residualización (residualization) cumple un papel importante tanto en finanzas como en IA, aunque con funciones distintas en cada ámbito.
- Uno de los principales factores del éxito de los LLM es su capacidad para identificar similitudes o intensidades entre tokens a lo largo de horizontes largos.
- En los mercados financieros, esto podría ayudar a analizar fenómenos multiescala que expliquen ciertos aspectos de los cambios del mercado a través de distintos marcos temporales.
Formas de usar LLM en los mercados financieros
- Los LLM pueden usarse para generar trayectorias simuladas de precios de acciones que imiten características observadas en el mercado.
- Esto puede ser muy útil considerando que los datos de los mercados financieros son escasos en comparación con otras fuentes.
- Los datos sintéticos podrían abrir la puerta a técnicas de metaaprendizaje que ya se han aplicado con éxito en áreas como la robótica.
- Los profesionales de los mercados financieros suelen interesarse en eventos extremos, donde es más probable que una estrategia de trading experimente ganancias o pérdidas significativas.
- Los modelos generativos capaces de muestrear escenarios extremos pueden ser útiles, pero como estos eventos son raros por definición, resulta difícil determinar los parámetros adecuados y muestrear datos de esa distribución.
Potencial de los LLM para el análisis de inversión
- Por ahora, parece poco probable que los LLM sustituyan al trading cuantitativo, aunque sí podrían ayudar en el análisis fundamental.
- A medida que los modelos de IA evolucionen, podrían ayudar a refinar tesis de inversión, detectar inconsistencias en comentarios de la gerencia y descubrir relaciones potenciales entre industrias y empresas relacionadas.
- Estos modelos podrían ofrecer a todos los inversionistas algo parecido al papel que cumple Charlie Munger.
Opinión de GN⁺
- Claramente existe potencial para usar LLM en los mercados financieros, pero por ahora parece difícil que reemplacen al trading cuantitativo.
- La escasez de datos y la naturaleza ruidosa de la información financiera limitan su uso directo.
- Aun así, podrían ser útiles para integrar información no relacionada con precios mediante aprendizaje multimodal o residualización, así como para realizar análisis a largo plazo.
- La generación de datos simulados y el muestreo de escenarios extremos con LLM pueden ser usos interesantes.
- Sin embargo, la rareza de los eventos extremos puede dificultar la configuración adecuada de parámetros y el muestreo.
- Aunque parece difícil que los LLM sustituyan el trading cuantitativo en sí, se espera que sí puedan usarse de forma útil en el proceso de análisis de inversión.
- Los LLM pueden desempeñar un papel de apoyo para los analistas humanos al recopilar y analizar grandes volúmenes de información.
- Dado que los mercados financieros son intrínsecamente difíciles de predecir, se requiere cautela frente a los enfoques que usan LLM.
- Aun así, considerando la velocidad del avance de los LLM, no parece posible descartar por completo su uso futuro en los mercados financieros.
- Como tecnología relacionada, existe una plataforma de desarrollo de modelos financieros basada en crowdsourcing con recompensas en criptomonedas, como Erasure de Numerai.
- En general, la aplicación de LLM a los mercados financieros aún está en una etapa temprana y requerirá mucha investigación y experimentación. Sin embargo, a largo plazo se espera que la IA tenga un gran impacto en los mercados financieros.
Aún no hay comentarios.