Мечты о замене людей в финансах могут сбыться

ChatGPT — самое быстрорастущее приложение всех времен: всего через два месяца после запуска в ноябре у него более 100 миллионов пользователей. Это позволяет пользователям вести человеческие беседы, включающие разумные и зачастую правильные ответы на всевозможные вопросы. Как и люди, он может запрашивать дополнительную информацию и объяснять свои рассуждения.

Сейчас мы видим первые академические исследования по использованию ChatGPT в финансах. Два недавних исследования показывают, что GPT выглядит многообещающей технологией как для улучшения процесса принятия инвестиционных решений, так и для объяснения этих решений. Возможно, давняя мечта о замене людей в финансах сбывается.

В декабре я писал, что «неутомимая машина, способная переваривать всю информацию и невосприимчивая к предубеждениям, должна явно превосходить людей, когда дело доходит до инвестиций. Но это не так». Управление финансами было одной из первых целей исследований искусственного интеллекта, или ИИ, поскольку казалось, что это простая и весьма полезная задача. Но до сих пор ИИ преуспел только в нишевых приложениях в сфере финансов.

GPT означает «Генераторный предварительно обученный трансформатор» — идея пятилетней давности, которая может изменить правила игры в приложениях искусственного интеллекта. В широком смысле существует три подхода к извлечению полезной информации из данных. Используя структурированные данные, такие как бухгалтерские данные или историю цен, вы можете применять статистику и формальные модели. С полностью неструктурированными данными — сериями битов, которые могут быть фотографиями, физическими измерениями, текстом или чем-то еще — существуют алгоритмы, которые могут извлекать закономерности и прогнозировать будущие входные данные.

Язык находится где-то посередине. Существует структура, означающая, что только определенные комбинации букв являются понятными словами, и существуют грамматические правила для объединения слов. Но есть исключения из правил и нюансы, выходящие за рамки буквального текста. Чтобы понять текст, вам нужно много знаний предметной области и контекста. Есть старая история — она восходит к 1956 году, когда она уже была старой — о работнике искусственного интеллекта, который создал программу для перевода между английским и русским языками. Она дала ему фразу «с глаз долой, с глаз долой» перевести на русский, а потом перевела с русского обратно на английский и получила «невидимый идиот». Не существует языковых правил, которые бы говорили нам, что эта фраза является афоризмом о забывчивости, а не описанием человека, но ни один из носителей языка не допустит ошибки.

Модели GPT — самый популярный на сегодняшний день подход к работе с языковыми данными, но в количественной торговле и инвестициях уже много лет используются более грубые языковые модели. Человек-исследователь внимательно и медленно читает соответствующую информацию, такую ​​как заявления компаний, новости, опросы и отчеты об исследованиях. Компьютеры могут читать огромные объемы информации на многих языках и мгновенно делать выводы. Это очень важно для высокочастотной торговли, когда главное — на миллисекунду раньше определить, является ли заголовок новости хорошей или плохой новостью для курса акций.

Большинство языковых моделей, используемых сегодня в количественных финансах, рассматривают их как структурированные данные. Алгоритмы ищут определенные слова или просто измеряют количество слов в заголовке или пресс-релизе. Некоторые алгоритмы ищут определенные шаблоны или структуры. Но никто из основных не пытается понять смысл текста, и никто из них не может объяснить, почему они приходят к таким выводам или ведут дальнейший разговор на эту тему.

Теперь выходят две статьи под названием «Может ли ChatGPT расшифровать Fedspeak?» и «Может ли ChatGPT прогнозировать движение цен на акции?» Мы говорим не о том, что SkyNet захватит Уолл-стрит, а о том, превосходит ли ChatGPT старые модели, многие из которых рассматривают язык как структурированный, в принятии быстрых решений относительно коротких текстов.

В первом документе ChatGPT предлагалось определить, является ли отдельное предложение из заявления Федеральной резервной системы «голубиным» (предполагающим, что центральный банк скорее будет снижать, чем повышать процентные ставки) или «ястребом» (предполагающим обратное). Алгоритм высокочастотной торговли может оценивать каждое предложение в релизе ФРС и использовать полученные результаты вместе с другими данными для торговли фьючерсами на федеральные фонды или другими инструментами до того, как аналитики закончат читать первое слово в релизе.