A BlackRock LLM-ei: „A kérdés az előny.”

Újra kiadta Platón

Követő: 0

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

A pénzbefektetés technológia-első megközelítése nem új keletű, de a mesterséges intelligencia eszközei új lehetőségeket adnak a vállalkozásnak a jobb teljesítményre.

Jeff Shen, a San Franciscó-i befektetési igazgató és a szisztematikus aktív tőkerészleg társvezetője szerint a nyelvtanulási modellek hatékony eszközökké válnak.

„Forradalom kellős közepén vagyunk” – mondta. „A nagy adatok, az alternatív adatok és immár a generatív AI minden iparágat átalakít, beleértve az eszközkezelést is. Több adat áll rendelkezésre, és jobb algoritmusok állnak rendelkezésre ezen adatok rögzítésére, és ez izgalmassá teszi a szisztematikus befektetést.”

Négy évtizednyi mennyiség

A szisztematikus csapat eredete a Barclays Global Investors üzletágból származik, amelyet a BlackRock 2009-ben vásárolt meg. Az üzlet akkor jött létre, amikor a globális pénzügyi válság által súlyosan sújtott Barclays feladta befektetési üzletágát a túlélés érdekében – és a BlackRockot a világ legnagyobb vagyonkezelőjévé tette, akkor 2.7 billió dollárral. .

A BGI gyökerei 1985-ig nyúlnak vissza, mint ami ma fintechnek tekinthető: egy Szilícium-völgy alapú működés, amely nagy adatokat és a gépi tanulás primitív formáit használja, jóval azelőtt, hogy ezek a kifejezések vagy képességek divatba jöttek volna. Ez egy mennyiségi bolt, amely adatvezérelt betekintést használ a sok kis, gyors fogadás nullázására, amelyek az egyik részvényt a másikkal szemben döntik el – Coke kontra Pepsi.

Ez akkor is működik, ha az iparág vagy a piac rosszul teljesít – Country Garden versus Evergrande. Az számít, hogy találjon egy apró, rövid életű élt, amellyel a menedzser gyorsan, nagy mennyiségben kereskedhet, majd bezárhatja a pozíciót. Szorozza meg az ilyen kereskedéseket százzal vagy ezrekkel egy portfólión belül, és a cég egy nagy részvénystratégiát hoz létre, alacsony korrelációval a benchmarkokkal.

Több adattal, jobb algoritmusokkal, növekvő számítási teljesítménnyel és a tőzsdék elektronizálásával a BGI élvonalbeli erőművé vált, és továbbra is a BlackRock szisztematikus karjaként működik.

Azóta az ETF világ fellendült, és a BlackRock a világ legnagyobb vagyonkezelőjévé vált. 2023 szeptemberében a cég 3.1 billió dollárnyi tőzsdén kereskedett alapról (kiskereskedelmi üzletág) és további 2.6 billió dolláros indexalapról (intézményeknek) számolt be. A cég technológiai szolgáltatási csoportja, beleértve az Aladdin portfóliókockázati rendszert is, szintén jelentős mértékben járul hozzá a bevételekhez.

Az AI fejlődése

Ebben az összefüggésben a szisztematikus részvény üzletág, egy intézményi üzletág szerény, 237 milliárd dolláros kezelt vagyonnal. Shen természetesen dühös a felosztását illetően. „A szisztematikus mennyiségi befektetések most az aranykort élik” – mondta.

De a generatív mesterséges intelligencia körüli izgalom, amely magában foglalja a természetes nyelvű modelleket, például a ChatGPT-t, némi hitelt ad Chen optimizmusának.

A régi időkben a kvantitatív taktika abból állt, hogy az amerikai nagy kapitalizációjú részvényeket hagyományos mérőszámok szerint rangsorolták (ár a könyvhöz, ár a nyereséghez, osztalékhozam). A legnagyobb mennyiségi fedezeti alapok már akkor is elképesztő méretű adattárházakat építettek. Ez lehetővé tette számukra, hogy a piaci trendektől függetlenül teljesítményt generáljanak. A legsikeresebb cégek sok pénzt kerestek, élükön a Renaissance Technologies-szal, amely 1988 és 2018 között a világ legjövedelmezőbb (és legtitkosabb) befektetési cége volt.

Az aktív stratégiák futtatásának lépései, akár mennyiségileg, akár más módon, folyamatosan automatizálódtak. Az információk ma már géppel olvashatók, például brókerjelentések, vállalati pénzügyi adatok, médiatörténetek és kormányzati statisztikák. A természetes nyelvű feldolgozás lehetővé tette a strukturálatlan adatok (a PDF-től az ügyvédi aláírásig) gépi olvashatóvá tételét. A tárgyak internete és a műholdfelvételek kibővítették a mérhető és számszerűsíthető dolgok listáját. Sőt, ezek mostantól valós idejű nézetekhez is hozzáférést biztosítanak az alapkezelőknek.

Shen a teherautók mozgását idézi. A térinformatikai címkézés, a WiFi jeladók és a műholdképek lehetővé teszik az adatok vásárlói számára, hogy nyomon kövessék a teherautók flottáját. Ez a beszállítók és az üzletek közötti forgalom érzését adja, ami egy adatpont a vállalat helyzetének meghatározásához. Építsen fel elegendő mennyiséget ezekből, és egy cég kiszélesítheti hatókörét, hogy makroképet kapjon a gazdaságról.

Írja be a GenAI-t

Ma a generatív AI új eszközökkel egészíti ki a keveréket. De ez nem csak egy újabb módja az adatok tördelésének. Valójában megváltoztatja azt, ahogyan a portfóliókezelők megértik az információkat.

Shen példát hoz egy híradásra, amely egy vezérigazgató távozásáról szól. Az elmúlt húsz évben a technológiával jártas cégek a gépi tanulást használták a „zsáknyi szó” megközelítés követésére. A gép elemzi a szöveget, és olyan szavakat vagy kifejezéseket keres, amelyek a jóhoz vagy a rosszhoz kapcsolódnak, vásárolnak vagy eladnak.

A vezérigazgató állása elvesztésének példájában a gép hét releváns megfogalmazást azonosíthat a nyitó bekezdésben. Negatív klaszterként jelölné meg, például „figyelmeztetés”, „kilépés a vállalattól”, „lecserélt”, „frusztráció” és „gyengébb”. Két optimista kifejezést is kiemelne, a „meglepő” és a „pozitív válasz”, de összességében a negativitás súlya miatt a számítógép eladást javasolna.

Ha ez a cég a Coke kontra Pepsi páros része lenne, a BlackRock úgy dönthetne, hogy ez egy jel arra, hogy az egyiket rövidre, a másikat pedig hosszúra tegyék, tőkeáttétellel. A kereskedés eltarthat néhány óráig vagy néhány napig, de az elemzés sebessége más eredményt adna a csapatnak, mint az aktív alapvető játékosok tömege, akik emberi értelmezésre támaszkodnak.

„Ez volt a technika állása 2007-ben” – mondta Shen. Azóta az adatok és az aglók javultak, de a zsákos-szavas megközelítés továbbra is jellemző volt. Az LLM-ek, például a ChatGPT megváltoztatják ezt.

Az LLM-ek ugyanazt a bekezdést veszik, és Shen példájában arra a következtetésre jutnak, hogy ez egy hatalmas pozitív hír, nem pedig egy rossz hír. Ez azért van így, mert ez nem csak a szöveg fordítását jelenti, hanem a szövegkörnyezetben való megértést is. Az LLM tudja, hogy bár fent van egy csomó negatív szó, a kulcsmondat alul van: „várjuk, hogy a részvény pozitívan reagáljon”.

„Annak ellenére, hogy ez a hír egy vezérigazgató távozásáról szól, az LLM megérti a sajtóközlemény lényegét – ez kapja meg az ütést” – mondta Shen.

Adatok és algok

Bár ezt a példát a BlackRock újságíróknak tartott prezentációira tervezték, ebből az következik, hogy egy szisztematikus üzlet, amely LLM-eket ad a keverékhez, jobban teljesít. Ebben a rendezett példában valójában teljesen más választ kap a portfóliókezelő.

A való élet nem ilyen szép, de Shen szerint az LLM-ek az eszközök következő hullámát jelentik, amelyek célja, hogy egy menedzsernek egy kis előnyt biztosítsanak. Az olyan cégek, mint a BlackRock, jelenleg LLM-eket használnak a védett adatkészleteken, hogy a modelleket pénzügyi és más specifikus adatokra tanítsák. Azt mondja, a BlackRock úgy találja, hogy saját tulajdonú LLM-jei előnyben vannak a ChatGPT-vel szemben (amelyet általában az interneten képeznek ki).

Ez visszahozza a kvantumokat ugyanazokhoz a régi alapokhoz: ki rendelkezik a legjobb adatokkal és a legjobb módszerrel azok tisztítására; és akkor kinek van a legokosabb algója. Az LLM-ek azonban itt is ráncosítanak egy másik ráncot, mivel segítenek az embereknek javítani ítélőképességükön.

Az emberi érintés

Bár néhány nagyüzlet, például a RenTec arról volt hírhedt, hogy csak követte a számítógépét, Shen szerint a szisztematikus stratégiákhoz még mindig emberi döntésekre van szükség. Ez olyankor válik világossá, amikor az előzményadatok hiányosak vagy nem léteznek. Például nehéz volt modellezni egy vállalatot a Covid idején, mert az utolsó ilyen méretű világjárvány egy évszázaddal ezelőtt volt. Nincsenek megbízható adatok 1918-ból, amelyeket ma is lehetne használni. Tehát bár a kvantumok valós idejű forgalmi vagy álláshirdetési adatokat használtak fel, hogy képet kapjanak, mégis szükség volt egy emberre, hogy extrapolálja, mit jelent ez a közeljövőben. A nagy adatok önmagukban nem voltak megbízható előrejelzők.

De az LLM-ekkel az emberek olyan árnyalatnyi kérdéseket tehetnek fel a gépnek, amelyeket lehetetlen volt feltenni egy gépi tanulási rendszerben. Ez az LLM-et termelékenységi eszközzé változtatja, és a különböző kérdések eltérő eredményekhez vezetnek. Az 1980-as és 1990-es évek régi big data modelljei az értékelések elemzésén alapultak, és a 2010-es években hozzáadtak olyan dolgokat, mint a piaci hangulat. A kérdezés köre ma már széles, ami lehetővé teszi az emberi kreativitást.

„A kérdés versenyelőnyt jelenthet” – mondta Shen.

Tekintettel arra, amit Shen fényes jövőnek tart, ez azt sugallja, hogy az aktív vezetési stílusok kezdenek jobban teljesíteni, mint a passzív stratégiák? A szisztematikus befektetések készen állnak-e arra, hogy visszakapják azokat az eszközöket, amelyek a ház ETF-oldalára áramlottak?

Shen nem kötelezte el magát. Azt mondja, hogy az iparág nyertesei azok a cégek, amelyek terméktől függetlenül magukévá teszik az AI-t. Biztonságos válasz. Ezért biztonságos feltételezés az lesz, hogy az új, technológiát használó verseny előnyt jelent a cégeknek, akik rendelkeznek azzal az erőforrással, hogy a lehető legtöbb adathoz juthassanak hozzá.