Aplicações da tecnologia LLM no mercado financeiro

• O interesse em saber se os grandes modelos de linguagem (LLMs), que recentemente alcançaram avanços notáveis na área de processamento de linguagem natural, também podem ser aplicados ao mercado financeiro está crescendo
• Os LLMs apresentam excelente desempenho na modelagem de sequências de tokens que representam palavras ou partes de palavras, o que lhes permite realizar tarefas como tradução, perguntas e respostas e geração de frases semelhantes às humanas

Possibilidades de uso de LLMs no mercado financeiro

• Traders quantitativos têm interesse em saber se é possível usar LLMs para prever preços ou negociações
• Isso significa modelar sequências de preços ou negociações em vez de sequências de palavras
• Essa abordagem pode ensinar muito sobre IA generativa e modelagem de séries temporais financeiras

Diferenças entre LLMs e dados do mercado financeiro

• LLMs são aprendizes autorregressivos, que usam tokens anteriores ou elementos anteriores da sequência para prever o próximo elemento ou token
• No entanto, nos dados do mercado financeiro, a quantidade de dados disponível para treinamento e o conteúdo informacional são limitados
• Por exemplo, o GPT-3 foi treinado com 500 bilhões de tokens, enquanto no mercado de ações só há 177 bilhões de tokens disponíveis por ano
• Além disso, os tokens no mercado financeiro, como preços, retornos ou volume de negociação, são muito mais difíceis de prever do que sílabas ou palavras em modelos de linguagem
• No mercado financeiro, há muito mais ruído do que sinal, e os participantes do mercado podem negociar de forma irracional ou por motivos não relacionados a mudanças fundamentais

Possibilidade de aplicar tecnologias de IA ao mercado financeiro

• O aprendizado multimodal tem como objetivo construir modelos integrados usando dados de diferentes modalidades, como imagens e texto
• Nas finanças, isso pode ser usado para prever integrando vários tipos de informações não relacionadas a preço, como dados técnicos de séries temporais, sentimento no Twitter, interações gráficas, artigos de notícias em linguagem natural e imagens de satélite
• A residualização (residualization) desempenha um papel importante tanto em finanças quanto em IA, mas com funções diferentes em cada área
• Um dos principais fatores de sucesso dos LLMs é a capacidade de identificar similaridades ou intensidades entre tokens ao longo de horizontes longos
• No mercado financeiro, isso pode ajudar a analisar fenômenos multiescala que conseguem explicar alguns aspectos das mudanças do mercado em vários horizontes temporais

Formas de usar LLMs no mercado financeiro

• É possível usar LLMs para gerar trajetórias simuladas de preços de ações que imitem características observadas no mercado
• Isso pode ser muito útil considerando que os dados do mercado financeiro são escassos em comparação com outras fontes
• Dados artificiais podem abrir caminho para técnicas de meta-aprendizado que já foram aplicadas com sucesso em áreas como robótica
• Profissionais do mercado financeiro frequentemente se interessam por eventos extremos, nos quais uma estratégia de negociação tem maior probabilidade de experimentar lucros ou perdas significativos
• Modelos generativos capazes de amostrar cenários extremos podem ser úteis, mas como eventos extremos são raros por definição, é difícil determinar parâmetros adequados e amostrar dados dessa distribuição

Possibilidades de uso de LLMs na análise de investimentos

• No momento, parece baixa a probabilidade de LLMs substituírem o trading quantitativo, mas eles podem ajudar na análise fundamentalista
• À medida que os modelos de IA evoluem, eles podem ajudar a refinar teses de investimento, encontrar inconsistências em comentários da administração ou descobrir relações potenciais entre setores e empresas relacionados
• Esses modelos podem oferecer a todo investidor um papel semelhante ao de Charlie Munger

Opinião do GN⁺

• Há claramente potencial para usar LLMs no mercado financeiro, mas, por enquanto, parece difícil que substituam o trading quantitativo
  • Devido à escassez de dados e ao alto nível de ruído no mercado financeiro, há limitações para o uso direto de LLMs
  • Ainda assim, técnicas como aprendizado multimodal e residualização podem ajudar na integração de informações não relacionadas a preço ou em análises de longo horizonte
• A geração de dados simulados com LLMs e a amostragem de cenários extremos podem ser formas interessantes de aplicação
  • No entanto, a raridade dos eventos extremos pode dificultar a definição de parâmetros adequados e o processo de amostragem
• Embora pareça difícil que LLMs substituam o trading quantitativo em si, espera-se que possam ser úteis no processo de análise de investimentos
  • No processo de reunir e analisar grandes volumes de informação, os LLMs podem atuar como apoio a analistas humanos
• Como o mercado financeiro é, por natureza, uma área difícil de prever, é necessária uma postura cautelosa em relação a abordagens baseadas em LLMs
  • Ainda assim, considerando a velocidade de evolução dos LLMs, não parece possível descartar totalmente seu potencial de uso futuro no mercado financeiro
• Uma tecnologia relacionada é a Erasure, da Numerai, uma plataforma de desenvolvimento de modelos financeiros baseada em crowdsourcing com recompensas em criptomoedas
• De modo geral, a aplicação de LLMs ao mercado financeiro ainda está em estágio inicial, e parece que serão necessárias muitas pesquisas e experimentos. No longo prazo, porém, espera-se que a IA tenha grande impacto sobre o mercado financeiro