BlackRockin LLM:t: "Kysymys on etu."

Teknologialähtöinen lähestymistapa rahan sijoittamiseen ei ole uusi, mutta tekoälyn työkalut antavat yrityksille uusia mahdollisuuksia menestyä paremmin.

Jeff Shen, San Franciscossa toimiva sijoitusjohtaja ja systemaattisen aktiivisen pääoman johtaja, sanoo, että kieltenoppimismalleista on tulossa tehokkaita työkaluja.

"Olemme keskellä vallankumousta", hän sanoi. "Big data, vaihtoehtoinen data ja nyt generatiivinen tekoäly muuttavat kaikkia toimialoja, myös omaisuudenhallintaa. Saatavilla on enemmän dataa ja parempia algoritmeja tietojen keräämiseen, mikä tekee järjestelmällisestä investoinnista jännittävää."

Neljä vuosikymmentä kvanttia

Systemaattisen tiimin juuret ovat Barclays Global Investors -liiketoiminnassa, jonka BlackRock osti vuonna 2009. Kauppa syntyi, kun maailmanlaajuisen finanssikriisin koettelema Barclays luopui sijoitusliiketoiminnastaan ​​selviytyäkseen – ja teki BlackRockista maailman suurimman omaisuudenhoitajan 2.7 biljoonalla dollarilla .

BGI:n juuret ulottuvat vuoteen 1985, sillä se, jota nykyään voidaan pitää fintech:na: Piilaaksoon perustuva toiminta, jossa käytetään big dataa ja primitiivisiä koneoppimisen muotoja, kauan ennen kuin nämä termit tai ominaisuudet tulivat muotiin. Se on kvanttikauppa, joka käyttää tietoihin perustuvia oivalluksia nollatakseen monia pieniä, nopeita vetoja, jotka sovittavat osakkeita toisiaan vastaan ​​– Coke vs. Pepsi.

Tämä toimii, vaikka alalla tai markkinoilla menee huonosti – Country Garden vs. Evergrande. Tärkeintä on löytää pieni, lyhytaikainen etu, jolla johtaja voi käydä kauppaa nopeasti, laajasti ja sitten sulkea positio. Kerro tällaiset kaupat sadoilla tai tuhansilla salkun yli, ja yritys luo laajan osakestrategian, jolla on alhainen korrelaatio vertailuarvoihin.

Lisää tietoa, parempia algoritmeja, kasvavaa laskentatehoa ja osakemarkkinoiden elektronisoitumista, BGI oli noussut huippuluokan voimanlähteeksi ja jatkaa BlackRockin systemaattisena haarana.

Sittemmin ETF-maailma on lähtenyt nousuun ja BlackRockista on tullut maailman suurin omaisuudenhoitaja. Syyskuussa 2023 yritys raportoi 3.1 biljoonaa dollaria pörssinoteerattuja rahastoja (vähittäiskauppa) ja vielä 2.6 biljoonaa dollaria indeksirahastoja (instituutioille). Yrityksen teknologiapalveluryhmä, mukaan lukien sen Aladdin-salkkuriskijärjestelmä, on toinen tärkeä tulontekijä.

AI:n edistyminen

Tässä yhteydessä systemaattinen osakeliiketoiminta, institutionaalinen liiketoiminta, on vaatimatonta, sillä sen hallinnoimat varat ovat 237 miljardia dollaria. Shen on luonnollisesti noussut jakautumisestaan. "Järjestelmällinen määrällinen investointi on nyt kulta-aikaa", hän sanoi.

Mutta jännitys generatiivisen tekoälyn ympärillä, joka sisältää luonnollisen kielen malleja, kuten ChatGPT:n, antaa Chenin optimismille uskoa.

Ennen vanhaan kvanttitaktiikka koostui USA:n suuryhtiöiden osakkeiden luokittelemisesta perinteisillä mittareilla (hinnasta kirjanpitoon, hinta tulokseen, osinkotuotot). Jo silloin suurimmat hedge-rahastot rakensivat hämmästyttävän kokoisia tietovarastoja. Tämä antoi heille mahdollisuuden tuottaa suorituskykyä markkinatrendeistä riippumatta. Menestyneimmät yritykset tienasivat paljon rahaa, jota johti Renaissance Technologies, joka oli vuosina 1988–2018 maailman tuottoisin (ja salailevin) sijoituspalveluyritys.

---

---

Aktiivisten strategioiden suorittamiseen liittyvät vaiheet, kvantitatiivisesti tai muuten, ovat jatkuvasti automatisoituneet. Tiedot ovat nyt koneellisesti luettavissa, kuten välittäjäraportit, yritysten taloustiedot, tiedotusvälineet ja valtion tilastot. Luonnonkielisen käsittelyn ansiosta jäsentämätön data (kaiken PDF-tiedostosta asianajajan allekirjoitukseen) muutettiin koneellisesti luettavaksi. Esineiden internet ja satelliittikuvat ovat laajentaneet listaa asioista, joita voidaan mitata ja mitata. Lisäksi ne antavat nyt rahastonhoitajille pääsyn reaaliaikaisiin näkymiin.

Shen mainitsee kuorma-autojen liikkeen. Geospatiaalinen merkintä, WiFi-majakat ja satelliittikuvat antavat näiden tietojen ostajille mahdollisuuden seurata kuorma-autoja. Tämä antaa heille tunteen toimittajien ja myymälöiden välisestä liikenteestä, joka on yksi tietopiste, jonka avulla voidaan määrittää, miten yritys pärjää. Rakenna näitä tarpeeksi, ja yritys voi laajentaa toiminta-aluettaan saadakseen makronäkymän taloudesta.

Syötä GenAI

Nykyään generatiivinen tekoäly lisää yhdistelmään uusia työkaluja. Mutta se ei ole vain toinen tapa murskata tietoja. Se itse asiassa muuttaa tapaa, jolla salkunhoitajat ymmärtävät tietoa.

Shen antaa esimerkin uutisraportista toimitusjohtajan eroamisesta. Viimeisten kahdenkymmenen vuoden ajan tekniikkaa tuntevat yritykset ovat käyttäneet koneoppimista noudattaakseen "sanapussin" lähestymistapaa. Kone jäsentäisi tekstiä ja etsi sana- tai lausepitoisuuksia, jotka korreloivat hyvään tai huonoon, ostamaan tai myymään.

Esimerkissä, jossa toimitusjohtaja menettää työpaikkansa, kone saattaa tunnistaa seitsemän asiaankuuluvaa sanamuotoa aloituskappaleesta. Se tunnistettaisiin negatiivisiksi ryhmiksi, kuten "hälytys", "jättänyt yrityksestä", "korvattu", "turhautuminen" ja "heikompi". Se korostaisi myös kahta iloista ilmaisua, "yllättävä" ja "vastaa positiivisesti", mutta kaiken kaikkiaan negatiivisuuden paino saisi tietokoneen suosittelemaan myyntiä.

Jos tämä yritys olisi osa Coke vs Pepsi -kaksikkoa, BlackRock saattaisi päättää, että tämä oli merkki lyhentää toista ja pitkittää toista vipuvaikutuksen avulla. Kauppa voi kestää muutaman tunnin tai muutaman päivän, mutta analyysin nopeus antaisi joukkueelle erilaisen lopputuloksen kuin aktiivisten perustoimijoiden massa, joka luottaa ihmisen tulkintaan.

"Se oli vuoden 2007 huippuluokkaa", Shen sanoi. Sen jälkeen data ja aglos ovat parantuneet, mutta sanapussilähestymistapa oli edelleen normi. LLM:t, kuten ChatGPT, muuttavat tätä.

LLM:t ottavat saman kappaleen ja Shenin esimerkissä päättelevät, että se on pikemminkin valtava positiivinen kuin huono uutinen. Tämä johtuu siitä, että se ei ole vain tekstin kääntämistä, vaan sen ymmärtämistä kontekstissa. LLM tietää, että vaikka ylhäällä on joukko negatiivisia sanoja, avainlause on alhaalla: "Odotamme osakkeen reagoivan myönteisesti".

"Huolimatta siitä, että tämä on uutinen toimitusjohtajan eroamisesta, LLM ymmärtää lehdistötiedotteen periaatteen - se saa osuman", Shen sanoi.

Data ja algot

Vaikka tämä esimerkki on suunniteltu BlackRock-esityksiin toimittajille, seurauksena on, että järjestelmällisen kaupan, joka lisää LLM:itä sekoitukseen, pitäisi toimia paremmin. Tässä selkeässä esimerkissä salkunhoitajalle annetaan itse asiassa täysin erilainen vastaus.

Tosielämä ei ole niin siistiä, mutta Shen sanoo, että LLM:t ovat seuraavan aallon työkaluja, jotka on suunniteltu antamaan johtajalle pieni etu. Yritykset, kuten BlackRock, käyttävät nyt LLM:itä omistusoikeudellisissa tietojoukoissa kouluttaakseen malleja taloudellisiin ja muihin erityisiin tietotyyppeihin. Hän sanoo, että BlackRock huomaa, että sen omistamilla LLM-yrityksillä on etulyöntiasema ChatGPT:hen nähden (joka on yleisesti koulutettu Internetissä).

Tämä tuo kvantit takaisin samoihin vanhoihin perusasioihin: kenellä on parhaat tiedot ja parhaat keinot sen puhdistamiseen; ja kenellä sitten on taitavimmat algot. Mutta LLM:t lisäävät tähän myös toisen ryppyn auttamalla ihmisiä parantamaan arvostelukykyään.

Ihmisen kosketus

Vaikka jotkin suurliikkeet, kuten RenTec, olivat tunnettuja siitä, että he vain seurasivat tietokoneitaan, Shen sanoo, että systemaattiset strategiat vaativat edelleen ihmisten päätöksiä. Tämä käy selväksi silloin, kun historialliset tiedot ovat epätäydellisiä tai niitä ei ole olemassa. Esimerkiksi yrityksen mallintaminen Covidin aikana oli vaikeaa, koska viimeinen tämän laajuinen globaali pandemia tapahtui sata vuotta sitten. Vuodelta 1918 ei ole luotettavia tietoja, joita voitaisiin käyttää nykyään. Joten vaikka kvantit käyttivät reaaliaikaisia ​​tietoja liikenne- tai työpaikkailmoituksista saadakseen näkemyksen, vaadittiin silti ihmisen ekstrapoloimaan, mitä tämä merkitsi lähitulevaisuudessa. Big data ei yksinään ollut luotettava ennustaja.

Mutta LLM:ien avulla ihmiset voivat kysyä koneellisesti vivahteikkaisia ​​kysymyksiä, joita oli mahdotonta kysyä koneoppimisjärjestelmältä. Tämä tekee LLM:stä tuottavuuden työkalun, ja erilaiset kysymykset johtavat erilaisiin tuloksiin. Vanhat 1980- ja 1990-luvun big data -mallit perustuivat arvioiden jäsentämiseen, ja 2010-luvulla lisäsivät asioita, kuten markkinatunnelmaa. Nyt kyseenalaistamisen kenttä on laaja, mikä mahdollistaa ihmisen luovuuden.

"Kysymys voi olla kilpailuetu", Shen sanoi.

Kun otetaan huomioon Shenin valoisa tulevaisuus, viittaako tämä siihen, että aktiiviset johtamistyylit alkavat menestyä passiivisia strategioita paremmin? Ovatko järjestelmälliset investoinnit valmiita keräämään takaisin osan talon ETF-puolelle virranneista varoista?

Shen pysyi sitoutumattomana. Hän sanoo, että teollisuuden voittajat ovat ne yritykset, jotka omaksuvat tekoälyn tuotteesta riippumatta. Turvallinen vastaus. Siksi on turvallista olettaa, että uusi tekniikkaa käyttävä kilpailu hyödyttää yrityksiä, joilla on resurssit saada käsiinsä mahdollisimman paljon dataa.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://www.digfingroup.com/blackrock-llm/