Come usare gli LLM nella finanza

La rivoluzione dell’IA ha portato a investimenti frenetici sia in aziende private che pubbliche e ha catturato l’immaginazione del pubblico nel 2023. Prodotti consumer trasformativi come ChatGPT sono alimentati da Large Language Models (LLM) che eccellono nel modellare sequenze di token che rappresentano parole o parti di parole. Sorprendentemente, dalla previsione del token successivo emerge una comprensione strutturale, e gli agenti sono in grado di completare compiti come la traduzione, la risposta alle domande e la generazione di prosa simile a quella umana da semplici prompt degli utenti.

Gli LLM (Large Language Models) possono essere utilizzati in una varietà di modi nella finanza, grazie alla loro capacità di elaborare grandi quantità di testo, comprendere il contesto e generare previsioni. Più nello specifico gli LLM come ChatGPT sono noti tecnicamente come apprenditori autoregressivi: utilizzano, in sostanza, token o elementi precedentemente elaborati in una sequenza al fine di predire il prossimo token. In un contesto di trading quantitativo la maggior parte della ricerca si concentra sull’identificare proprio la struttura autoregressiva: ciò significa trovare sequenze di notizie, ordini o cambiamenti fondamentali che meglio predicono i prezzi futuri, e per questo possono essere usati in modo abbastanza naturale.

Ci sono vari modi in cui gli LLM possono essere impiegati nel settore finanziario:

1. Analisi dei dati testuali: Gli LLM possono analizzare report finanziari, notizie, tweet, post sui social media e altri dati testuali per estrarre informazioni rilevanti. Possono identificare trend, sentiment del mercato e altre informazioni utili per prendere decisioni di investimento.
2. Generazione di report: Gli LLM possono automatizzare la generazione di report finanziari, analisi di mercato e altre comunicazioni aziendali. Possono riassumere dati complessi in modo chiaro e comprensibile per gli investitori e gli stakeholder.
3. Previsione dei mercati: Utilizzando dati storici e informazioni attuali, gli LLM possono essere addestrati per fare previsioni sui movimenti futuri dei mercati finanziari. Possono aiutare gli investitori a prendere decisioni informate sulle strategie di trading e di investimento.
4. Gestione del rischio: Gli LLM possono analizzare contratti finanziari complessi e documenti legali per identificare potenziali rischi e opportunità. Possono aiutare le istituzioni finanziarie a valutare e gestire in modo proattivo i rischi finanziari.
5. Servizi clienti: Gli LLM possono essere utilizzati per migliorare l’esperienza del cliente nel settore finanziario. Possono rispondere alle domande dei clienti, fornire assistenza automatizzata e personalizzata, e persino aiutare nella pianificazione finanziaria individuale.
6. Compliance normativo: Gli LLM possono aiutare le aziende finanziarie a rispettare i requisiti normativi attraverso l’analisi dei testi normativi, la revisione dei contratti e la valutazione della conformità.

Stando alla società Hudson River Trading, che ha presentato queste analisi ad una conferenza pubblica del 2023, se si considerano circa 3.000 azioni negoziabili, 10 punti dati per azione al giorno, su 252 giorni di trading all’anno e 23.400 secondi in una giornata di trading, si stimano ben 177 miliardi di token di mercato azionario disponibili ogni anno come dati di mercato

Il principio di fondo è quello del completamento delle frasi, in effetti: quando facciamo una ricerca su Google Google suggerisce in maniera autoregressiva come finisce la ricerca che stiamo scrivendo. per esempio se stiamo cercando servizi di trading potrebbe suggerirci che la maggior parte degli utenti si concentra su quelli che costano di meno, quelli economici. Noi stessi quando parliamo con gli amici e prevediamo dove vogliono arrivare i nostri amici con un discorso e tante volte non li facciamo parlare, spesso facendoli arrabbiare per questo. In contesti di trading, i “token” sono i prezzi, rendimenti o scambi anziché sillabe o parole; i prezzi sono chiaramente più difficili da prevedere di quanto avvenga per un linguaggio. Il linguaggio possiede infatti una struttura linguistica sottostante (ad esempio, una grammatica, quella inglese o quella italiana). Non è difficile immaginare un essere umano che prevede la prossima parola in una frase, tuttavia lo stesso essere umano troverebbe estremamente difficile prevedere il prossimo rendimento dato una sequenza di scambi precedenti. Tutto sta nel capire quanto siano prevedibili segnali e quale sia l’interesse da parte degli attori in gioco a renderli tali, soprattutto.  Un ingrediente chiave per le impressionanti performance dei LLM è la loro capacità di discernere affinità o forze tra token su orizzonti temporali lunghi noti come finestre di contesto. Nei mercati finanziari, la capacità di concentrare l’attenzione su orizzonti temporali lunghi consente l’analisi di fenomeni multi-scala, con alcuni aspetti dei cambiamenti di mercato spiegati su orizzonti temporali molto diversi. Ad esempio, a un estremo, le informazioni fondamentali (ad esempio, i guadagni) possono essere incorporate nei prezzi nel corso di mesi, i fenomeni tecnici (ad esempio, il momentum) potrebbero realizzarsi nel corso di giorni, e, all’altro estremo, i fenomeni di microstruttura (ad esempio, lo squilibrio del libro degli ordini) potrebbero avere un orizzonte temporale di secondi o minuti.

Nonostante lo scetticismo medio che gli LLM possano trovare applicazione nel trading, potrebbero migliorare l’analisi fondamentale. Man mano che i modelli di intelligenza artificiale migliorano, è facile immaginare che possano aiutare gli analisti a perfezionare una tesi di investimento, scoprire incongruenze nei commenti della gestione o trovare relazioni latenti tra settori tangenziali e imprese. È importante ricordare che gli LLM non sono in grado di sostituire completamente l’esperienza umana e il giudizio nei settori finanziari. Possono essere utilizzati come strumenti complementari per migliorare l’efficienza, l’analisi e la comunicazione, ma è sempre consigliabile integrare l’analisi automatizzata con l’esperienza umana e la valutazione critica. (fonte)