BlackRocks LLM'er: "Spørgsmålet er fordelen."

Genudgivet af Platon

Abonnenter: 0

BlackRock’s LLMs: “The question is the advantage.” PlatoBlockchain Data Intelligence. Vertical Search. Ai.

En teknologi-først tilgang til at investere penge er ikke ny, men værktøjerne inden for kunstig intelligens giver forretningen nye muligheder for at overgå.

Jeff Shen, San Francisco-baseret co-chief investment officer og co-head of systematisk active equity, siger, at sprogindlæringsmodeller er ved at blive kraftfulde værktøjer.

"Vi er midt i en revolution," sagde han. "Big data, alternative data og nu generativ AI transformerer alle industrier, inklusive asset management. Der er flere tilgængelige data og bedre algoritmer til at fange disse data, og det gør systematisk investering spændende.”

Fire årtiers kvantitet

Det systematiske teams oprindelse er Barclays Global Investors-forretningen, som BlackRock opkøbte i 2009. Handlen opstod, da Barclays, hårdt ramt af den globale finanskrise, overgav sin investeringsvirksomhed for at overleve – og gjorde BlackRock til verdens største kapitalforvalter, dengang med 2.7 billioner dollars. .

BGIs rødder går tilbage til 1985 som det, der i dag kan betragtes som en fintech: en Silicon Valley-baseret operation, der bruger big data og primitive former for maskinlæring, længe før disse termer eller muligheder kom på mode. Det er en quant shop, der bruger datadrevet indsigt til at nulstille masser af små, hurtige væddemål, der arbitragerer en aktie mod en anden – Cola versus Pepsi.

Dette virker, selvom industrien eller markedet klarer sig dårligt – Country Garden versus Evergrande. Det, der tæller, er at finde en lille, kortvarig fordel, som lederen kan handle hurtigt, i skala og derefter lukke positionen. Multiplicer sådanne handler med hundreder eller tusinder på tværs af en portefølje, og firmaet skaber en stor aktiestrategi med en lav korrelation til benchmarks.

Med flere data, bedre algoritmer, øget computerkraft og elektronificeringen af aktiemarkederne var BGI dukket op som et banebrydende kraftcenter og fortsætter som BlackRocks systematiske arm.

Siden da er ETF-verdenen taget fart, hvilket gør BlackRock til verdens største kapitalforvalter. Fra september 2023 rapporterede firmaet 3.1 billioner USD i børshandlede fonde (en detailforretning) og yderligere 2.6 billioner USD i indeksfonde (til institutioner). Firmaets teknologiservicegruppe, herunder dets Aladdin-porteføljerisikosystem, er en anden vigtig bidragyder til omsætningen.

AI's fremskridt

I denne sammenhæng er den systematiske aktieforretning, en institutionel virksomhed, beskeden med 237 milliarder dollars af aktiver under forvaltning. Shen er selvfølgelig optimistisk omkring sin division. "Systematisk kvantinvestering er nu i en guldalder," sagde han.

Men spændingen omkring generativ AI, som inkluderer modeller på naturligt sprog som ChatGPT, giver Chens optimisme en vis troværdighed.

I gamle dage bestod kvanttaktik i at rangordne amerikanske store aktier efter traditionelle målinger (pris til bogføring, pris til indtjening, udbytteudbytte). Selv dengang byggede de største kvantum hedgefonde datavarehuse af forbløffende størrelse. Dette gav dem muligheden for at generere ydeevne uanset markedstendenser. De mest succesrige firmaer tjente mange penge med Renaissance Technologies i spidsen, som fra 1988 til 2018 var verdens mest profitable (og hemmelighedsfulde) investeringsfirma.

De trin, der er involveret i at køre aktive strategier, kvant eller andet, er støt automatiseret. Information er nu maskinlæsbar, såsom mæglerrapporter, virksomhedsøkonomi, mediehistorier og statsstatistikker. Behandling på naturligt sprog gjorde det muligt at gøre ustrukturerede data (alt fra en PDF til en advokats signatur) maskinlæsbare. Internet of Things og satellitbilleder har udvidet listen over ting, der kan måles og kvantificeres. Desuden giver disse nu fondsforvaltere adgang til realtidsvisninger.

Shen citerer bevægelsen af lastbiler. Geospatial tagging, WiFi-beacons og satellitbilleder gør det muligt for købere af disse data at spore flåder af lastbiler. Dette giver dem en følelse af trafik mellem leverandører og butikker, et datapunkt for at bestemme, hvordan en virksomhed klarer sig. Byg nok af disse, og en virksomhed kan udvide sit omfang for at få et makrobillede af økonomien.

Indtast GenAI

I dag tilføjer generativ AI et nyt sæt værktøjer til blandingen. Men det er ikke bare en anden måde at knuse data på. Det ændrer faktisk den måde, porteføljeforvaltere forstår information på.

Shen giver eksemplet med en nyhedsrapport om en administrerende direktør, der træder tilbage. I de sidste tyve år har teknologikyndige firmaer brugt maskinlæring til at følge en "pose of words"-tilgang. Maskinen ville analysere en tekst og lede efter koncentrationer af ord eller sætninger, der korrelerer med godt eller dårligt, køb eller salg.

I eksemplet med den administrerende direktør, der mister sit job, kan maskinen identificere syv relevante formuleringer i det indledende afsnit. Det ville mærkes som negative klynger såsom 'alarm', 'forlader virksomheden', 'erstattet', 'frustration' og 'svagere'. Det ville også fremhæve to optimistiske udtryk, 'overraskende' og 'reager positivt', men overordnet set ville vægten af negativitet få computeren til at anbefale et salg.

Hvis dette firma var en del af en Coke versus Pepsi-duo, ville BlackRock måske beslutte, at dette var et signal om at gå kort den ene og forlænge den anden, med gearing. Handelen kan vare et par timer eller et par dage, men hastigheden af analysen ville give holdet et andet resultat end massen af aktive fundamentale spillere, der stoler på en menneskelig fortolkning.

"Det var det nyeste i 2007," sagde Shen. Siden da er dataene og agloerne blevet bedre, men pose-of-word-tilgangen var stadig normen. LLM'er såsom ChatGPT ændrer dette.

LLM'er tager det samme afsnit og konkluderer i Shens eksempel, at det er en massiv positiv snarere end en dårlig nyhed. Det er fordi det ikke kun handler om at oversætte tekst, men at forstå den i sammenhæng. LLM ved, at selvom der er en masse negative ord øverst, er nøglesætningen nederst: "vi forventer, at aktien reagerer positivt".

"På trods af dette er nyheder om, at en administrerende direktør træder tilbage, forstår LLM kernen af pressemeddelelsen - den får punchline," sagde Shen.

Data og algoer

Selvom dette eksempel er designet til BlackRock-præsentationer til journalister, er implikationen, at en systematisk butik, der tilføjer LLM'er til blandingen, skal yde bedre. I dette ryddelige eksempel får porteføljeforvalteren faktisk et helt andet svar.

Det virkelige liv er ikke så pænt, men Shen siger, at LLM'er er den næste bølge af værktøjer designet til at give en leder en lille fordel. Firmaer som BlackRock bruger nu LLM'er på proprietære datasæt for at træne modellerne i finansielle og andre specifikke typer data. Han siger, at BlackRock finder, at deres proprietære LLM'er har en fordel i forhold til ChatGPT (som er trænet på internettet i almindelighed).

Dette bringer quant tilbage til det samme gamle grundlæggende: hvem har de bedste data og den bedste måde at skrubbe dem på; og hvem har så de klogeste algoer. Men LLM'er tilføjer også en anden rynke her ved at hjælpe mennesker med at forbedre deres dømmekraft.

Den menneskelige berøring

Selvom nogle quant-butikker som RenTec var berygtede for bare at følge deres computere, siger Shen, at systematiske strategier stadig kræver menneskelige beslutninger. Dette bliver tydeligt på tidspunkter, hvor de historiske data er ufuldstændige eller ikke eksisterer. For eksempel var det svært at modellere en virksomhed under Covid, fordi den sidste globale pandemi af denne størrelsesorden fandt sted for et århundrede siden. Der er ingen pålidelige data fra 1918 at bruge i dag. Så selvom quants brugte realtidsdata omkring trafik eller jobopslag for at få et overblik, krævede det stadig et menneske til at ekstrapolere, hvad dette betød for den nærmeste fremtid. Big data i sig selv var ikke en pålidelig forudsigelse.

Men med LLM'er kan mennesker stille maskinen nuancerede spørgsmål, som var umulige at stille et maskinlæringssystem. Dette gør LLM til et produktivitetsværktøj, og forskellige spørgsmål fører til forskellige resultater. De gamle big-data-modeller fra 1980'erne og 1990'erne hvilede på parsing af værdiansættelser og tilføjede i 2010'erne ting som markedsstemning. Nu er omfanget af spørgsmål bredt, hvilket muliggør menneskelig kreativitet.

"Spørgsmålet kan være en konkurrencefordel," sagde Shen.

Givet det, Shen skildrer som en lys fremtid, tyder dette på, at aktive ledelsesstile vil begynde at overgå i forhold til passive strategier? Er systematiske investeringer klar til at tilbagekræve nogle af de aktiver, der er strømmet til ETF-siden af huset?

Shen forblev uforpligtende. Industrivinderne, siger han, er de virksomheder, der omfavner AI, uanset produktet. Et sikkert svar. Derfor vil en sikker antagelse være, at den nye konkurrence, der bruger teknologi, vil fordele virksomheder med ressourcer til at få fingrene i så meget data som muligt.