- ความสนใจว่าระบบแบบจำลองภาษาขนาดใหญ่ (LLM) ซึ่งสร้างความก้าวหน้าอย่างโดดเด่นในสาขาการประมวลผลภาษาธรรมชาติเมื่อไม่นานมานี้ จะสามารถนำไปใช้ในตลาดการเงินได้หรือไม่ กำลังเพิ่มสูงขึ้น
- LLM มีประสิทธิภาพยอดเยี่ยมในการสร้างแบบจำลองลำดับของโทเค็นที่แทนคำหรือส่วนของคำ ทำให้สามารถทำงานอย่างการแปล การถามตอบ และการสร้างประโยคที่คล้ายมนุษย์ได้
ความเป็นไปได้ในการใช้ LLM ในตลาดการเงิน
- เทรดเดอร์เชิงปริมาณให้ความสนใจว่า LLM จะสามารถนำมาใช้คาดการณ์ราคาหรือการซื้อขายได้หรือไม่
- นั่นหมายถึงการสร้างแบบจำลองลำดับของราคา หรือของการซื้อขาย แทนลำดับของคำ
- แนวทางนี้อาจช่วยให้เราเข้าใจได้มากขึ้นเกี่ยวกับ generative AI และการสร้างแบบจำลองอนุกรมเวลาทางการเงิน
ความแตกต่างระหว่าง LLM กับข้อมูลตลาดการเงิน
- LLM เป็นผู้เรียนรู้แบบออโตรีเกรสซีฟ โดยใช้โทเค็นก่อนหน้า หรือองค์ประกอบก่อนหน้าในลำดับ เพื่อทำนายองค์ประกอบหรือโทเค็นถัดไป
- อย่างไรก็ตาม ในข้อมูลตลาดการเงิน ปริมาณข้อมูลและปริมาณสารสนเทศที่ใช้ฝึกได้นั้นมีข้อจำกัด
- ตัวอย่างเช่น GPT-3 ถูกฝึกด้วยโทเค็น 5 แสนล้านรายการ แต่ในตลาดหุ้นมีโทเค็นที่ใช้งานได้เพียง 1.77 แสนล้านรายการต่อปี
- นอกจากนี้ โทเค็นในตลาดการเงิน เช่น ราคา ผลตอบแทน หรือปริมาณการซื้อขาย คาดการณ์ได้ยากกว่าพยางค์หรือคำในแบบจำลองภาษาอย่างมาก
- ในตลาดการเงินมี noise มากกว่า signal อย่างมาก และผู้เข้าร่วมตลาดอาจทำการซื้อขายอย่างไร้เหตุผล หรือซื้อขายด้วยเหตุผลที่ไม่เกี่ยวข้องกับการเปลี่ยนแปลงพื้นฐาน
ความเป็นไปได้ในการประยุกต์ใช้เทคโนโลยี AI กับตลาดการเงิน
- การเรียนรู้แบบหลายโมดัลมีเป้าหมายเพื่อสร้างแบบจำลองแบบบูรณาการโดยใช้ข้อมูลจากหลายโมดาลิตี เช่น ภาพและข้อความ
- ในด้านการเงิน สามารถนำไปใช้เพื่อคาดการณ์โดยผสานข้อมูลที่ไม่ใช่ราคาได้หลายประเภท เช่น ข้อมูลอนุกรมเวลาเชิงเทคนิค ความรู้สึกบน Twitter ปฏิสัมพันธ์เชิงกราฟิก ข่าวภาษาธรรมชาติ และภาพถ่ายดาวเทียม
- residualization มีบทบาทสำคัญทั้งในด้านการเงินและ AI แต่ทำหน้าที่ต่างกันในสองสาขา
- หนึ่งในปัจจัยสำคัญของความสำเร็จของ LLM คือความสามารถในการระบุความคล้ายคลึงหรือความเข้มข้นระหว่างโทเค็นในระยะยาว
- ในตลาดการเงิน สิ่งนี้อาจช่วยในการวิเคราะห์ปรากฏการณ์หลายสเกลที่สามารถอธิบายบางแง่มุมของการเปลี่ยนแปลงตลาดในหลายช่วงเวลาได้
แนวทางการใช้ LLM ในตลาดการเงิน
- สามารถใช้ LLM เพื่อสร้างเส้นทางราคาหุ้นจำลองที่เลียนแบบลักษณะที่สังเกตได้ในตลาด
- สิ่งนี้อาจมีประโยชน์มาก เมื่อพิจารณาว่าข้อมูลตลาดการเงินมีความขาดแคลนเมื่อเทียบกับแหล่งข้อมูลประเภทอื่น
- ข้อมูลสังเคราะห์อาจเปิดทางให้กับเทคนิค meta-learning ที่ประสบความสำเร็จในสาขาอย่างหุ่นยนต์
- ผู้ปฏิบัติงานในตลาดการเงินมักสนใจเหตุการณ์สุดขั้ว ซึ่งเป็นสถานการณ์ที่กลยุทธ์การซื้อขายมีแนวโน้มจะเผชิญกำไรหรือขาดทุนจำนวนมาก
- แบบจำลองเชิงกำเนิดที่สามารถสุ่มตัวอย่างจากสถานการณ์สุดขั้วได้อาจมีประโยชน์ แต่เนื่องจากเหตุการณ์สุดขั้วเกิดขึ้นไม่บ่อยตามนิยาม จึงยากที่จะกำหนดพารามิเตอร์ที่เหมาะสมและสุ่มข้อมูลจากการกระจายนั้น
ความเป็นไปได้ของการใช้ LLM ในการวิเคราะห์การลงทุน
- ความเป็นไปได้ที่ LLM จะมาแทนการเทรดเชิงปริมาณนั้น ในเวลานี้ยังดูต่ำ
- แต่ LLM อาจช่วยในการวิเคราะห์ปัจจัยพื้นฐานได้
- เมื่อโมเดล AI พัฒนาขึ้น ก็อาจช่วยขัดเกลาเหตุผลในการลงทุน ค้นหาความไม่สอดคล้องกันในความเห็นของผู้บริหาร หรือค้นพบความสัมพันธ์ที่อาจมีอยู่ระหว่างอุตสาหกรรมและบริษัทที่เกี่ยวข้อง
- โมเดลลักษณะนี้อาจทำหน้าที่คล้าย Charlie Munger ให้กับนักลงทุนทุกคน
ความเห็นของ GN⁺
- เห็นได้ชัดว่า LLM มีความเป็นไปได้ในการนำมาใช้ในตลาดการเงิน แต่ในตอนนี้ยังดูยากที่จะใช้แทนการเทรดเชิงปริมาณ
- เนื่องจากข้อมูลตลาดการเงินมีทั้งความขาดแคลนและมี noise สูง จึงมีข้อจำกัดในการนำ LLM ไปใช้โดยตรง
- อย่างไรก็ตาม การใช้เทคนิคอย่างการเรียนรู้แบบหลายโมดัลหรือ residualization อาจช่วยในการผสานข้อมูลที่ไม่ใช่ราคา หรือทำการวิเคราะห์ในระยะยาวได้
- การสร้างข้อมูลจำลองด้วย LLM หรือการสุ่มตัวอย่างสถานการณ์สุดขั้ว อาจเป็นแนวทางการใช้งานที่น่าสนใจ
- แต่ความหายากของเหตุการณ์สุดขั้วอาจทำให้การตั้งค่าพารามิเตอร์และการสุ่มตัวอย่างเป็นเรื่องยาก
- แม้ LLM จะดูยากที่จะมาแทนการเทรดเชิงปริมาณโดยตรง แต่ก็คาดว่าจะเป็นประโยชน์ในกระบวนการวิเคราะห์การลงทุน
- ในกระบวนการรวบรวมและวิเคราะห์ข้อมูลจำนวนมหาศาล LLM อาจทำหน้าที่ช่วยเหลือนักวิเคราะห์มนุษย์ได้
- ตลาดการเงินเป็นพื้นที่ที่คาดการณ์ได้ยากโดยธรรมชาติ ดังนั้นจึงจำเป็นต้องมีท่าทีที่ระมัดระวังต่อแนวทางที่ใช้ LLM
- อย่างไรก็ตาม เมื่อพิจารณาจากความเร็วในการพัฒนาของ LLM ก็ยังไม่อาจตัดความเป็นไปได้ในการใช้งานในตลาดการเงินในอนาคตออกไปได้โดยสิ้นเชิง
- เทคโนโลยีที่เกี่ยวข้องมีอย่าง Erasure ของ Numerai ซึ่งเป็นแพลตฟอร์มพัฒนาโมเดลการเงินแบบคราวด์ซอร์สที่ใช้รางวัลเป็นคริปโทเคอร์เรนซี
- โดยรวมแล้ว การนำ LLM มาใช้กับตลาดการเงินยังอยู่ในระยะเริ่มต้น และน่าจะต้องอาศัยการวิจัยและการทดลองอีกมาก อย่างไรก็ตาม ในระยะยาวคาดว่า AI จะส่งผลกระทบอย่างมากต่อตลาดการเงิน
ยังไม่มีความคิดเห็น