BlackRock의 LLM: "질문이 장점입니다."

플라톤에 의해 재발행

팔로워 : 0

BlackRock의 LLM: "질문은 장점입니다." PlatoBlockchain 데이터 인텔리전스. 수직 검색. 일체 포함.

돈 투자에 대한 기술 우선 접근 방식은 새로운 것이 아니지만, 인공 지능의 도구는 비즈니스에 탁월한 성과를 낼 수 있는 새로운 기회를 제공하고 있습니다.

샌프란시스코에 본사를 둔 공동 최고 투자 책임자이자 체계적인 활성 자산의 공동 책임자인 Jeff Shen은 언어 학습 모델이 강력한 도구가 되고 있다고 말합니다.

“우리는 혁명의 한가운데에 있습니다.”라고 그는 말했습니다. “빅데이터, 대체 데이터, 그리고 이제는 생성적 AI가 자산 관리를 포함한 모든 산업을 변화시키고 있습니다. 더 많은 데이터를 사용할 수 있고 해당 데이터를 캡처할 수 있는 더 나은 알고리즘이 있으므로 체계적인 투자가 흥미로워집니다.”

XNUMX년 간의 퀀트

체계적인 팀의 기원은 BlackRock이 2009년에 인수한 Barclays Global Investors 사업입니다. 이 거래는 글로벌 금융 위기로 큰 타격을 입은 Barclays가 생존을 위해 투자 사업을 포기하고 BlackRock을 세계 최대 자산 관리자로 만든 후 2.7조 XNUMX천억 달러 규모로 성장하면서 탄생했습니다. .

BGI의 뿌리는 오늘날 핀테크로 간주될 수 있는 1985년으로 거슬러 올라갑니다. 즉, 이러한 용어나 기능이 유행하기 오래 전에 빅 데이터와 원시 형태의 기계 학습을 사용하는 실리콘 밸리 기반 운영입니다. 이는 데이터 기반 통찰력을 사용하여 코카콜라 대 펩시처럼 한 주식을 다른 주식에 대해 중재하는 수많은 작고 빠른 베팅에 초점을 맞추는 퀀트 상점입니다.

이는 산업이나 시장의 상황이 좋지 않은 경우(컨트리 가든 대 에버그란데)에도 적용됩니다. 중요한 것은 관리자가 규모에 맞게 신속하게 거래한 다음 포지션을 청산할 수 있는 작고 단기적인 우위를 찾는 것입니다. 포트폴리오 전반에 걸쳐 그러한 거래를 수백 또는 수천 배로 늘리면 회사는 벤치마크와 낮은 상관관계를 갖는 대규모 주식 전략을 수립합니다.

더 많은 데이터, 더 나은 알고리즘, 증가하는 컴퓨팅 성능 및 주식 시장의 전자화를 통해 BGI는 최첨단 강자로 부상했으며 BlackRock의 체계적인 부문으로 계속해서 자리매김했습니다.

그 이후로 ETF계는 급성장하여 BlackRock을 세계 최대의 자산운용사로 만들었습니다. 2023년 3.1월 현재 이 회사는 상장지수펀드(소매업) 2.6조 XNUMX천억 달러, 인덱스 펀드(기관용) XNUMX조 XNUMX천억 달러를 보고했습니다. Aladdin 포트폴리오 위험 시스템을 포함한 회사의 기술 서비스 그룹은 수익에 대한 또 다른 중요한 기여자입니다.

AI의 발전

이러한 맥락에서 제도적 사업인 체계적 주식 사업은 관리 대상 자산이 237억 달러로 미미합니다. 물론 Shen은 자신의 부서에 대해 낙관적입니다. 그는 “체계적인 퀀트 투자는 이제 황금시대”라고 말했다.

그러나 ChatGPT와 같은 자연어 모델을 포함하는 생성 AI에 대한 기대는 Chen의 낙관주의에 어느 정도 신빙성을 부여합니다.

예전에는 퀀트 전략이 전통적인 지표(장부가액, 수익 대비 가격, 배당수익률)를 기준으로 미국 대형주 순위를 매기는 방식으로 구성되었습니다. 그럼에도 불구하고 가장 큰 퀀트 헤지펀드는 놀라운 규모의 데이터 웨어하우스를 구축했습니다. 이를 통해 시장 추세에 관계없이 성과를 창출할 수 있는 능력을 갖게 되었습니다. 가장 성공적인 기업은 1988년부터 2018년까지 세계에서 가장 수익성이 높고 비밀스러운 투자 기업이었던 Renaissance Technologies를 중심으로 많은 돈을 벌었습니다.

퀀트든 아니든 활성 전략 실행과 관련된 단계는 꾸준히 자동화되었습니다. 이제 브로커 보고서, 회사 재무, 미디어 기사, 정부 통계 등의 정보를 기계로 읽을 수 있습니다. 자연어 처리를 통해 구조화되지 않은 데이터(PDF부터 변호사 서명까지 모든 데이터)를 기계가 읽을 수 있도록 변환할 수 있게 되었습니다. 사물 인터넷과 위성 이미지는 측정하고 수량화할 수 있는 사물의 목록을 확장했습니다. 또한 이를 통해 이제 펀드 매니저는 실시간 보기에 액세스할 수 있습니다.

Shen은 트럭의 움직임을 인용합니다. 지리공간 태그 지정, Wi-Fi 비콘 및 위성 이미지를 통해 구매자는 이 데이터를 통해 트럭 차량을 추적할 수 있습니다. 이를 통해 공급업체와 매장 간의 교통 상황을 파악할 수 있으며, 이는 회사가 어떻게 운영되고 있는지 판단할 수 있는 하나의 데이터 포인트입니다. 이를 충분히 구축하면 기업은 범위를 넓혀 경제에 대한 거시적 관점을 얻을 수 있습니다.

GenAI를 입력하세요

오늘날 생성 AI는 새로운 도구 세트를 혼합에 추가하고 있습니다. 그러나 이는 데이터를 처리하는 또 다른 방법이 아닙니다. 이는 실제로 포트폴리오 관리자가 정보를 이해하는 방식을 변화시킵니다.

Shen은 CEO의 사임에 관한 뉴스 보도의 예를 제시합니다. 지난 XNUMX년 동안 기술에 정통한 기업들은 기계 학습을 사용하여 '단어 모음' 접근 방식을 따랐습니다. 기계는 텍스트를 구문 분석하고 좋고 나쁨, 구매 또는 판매와 관련된 집중된 단어나 문구를 찾습니다.

CEO가 직장을 잃은 예에서 기계는 첫 문단에서 XNUMX개의 관련 문구를 식별할 수 있습니다. '경계', '퇴사', '교체', '좌절', '약함'과 같은 부정적인 클러스터로 태그됩니다. 또한 '놀랍다'와 '긍정적으로 반응하다'라는 두 가지 긍정적인 표현을 강조하지만 전반적으로 부정적인 무게로 인해 컴퓨터는 매도를 권장하게 됩니다.

이 회사가 코카콜라 대 펩시 듀오의 일부라면 BlackRock은 이것이 레버리지를 통해 하나는 공매도하고 다른 하나는 매수하라는 신호라고 결정할 수 있습니다. 거래는 몇 시간 또는 며칠 동안 지속될 수 있지만, 분석 속도는 인간의 해석에 의존하는 활동적인 기본 플레이어의 집단과는 다른 결과를 팀에 제공할 것입니다.

Shen은 "2007년에는 이것이 최신 기술이었습니다."라고 말했습니다. 그 이후로 데이터와 아글로스는 더 좋아졌지만 여전히 BW(Bag-of-Words) 접근 방식이 표준이었습니다. ChatGPT와 같은 LLM이 이를 변경하고 있습니다.

LLM은 동일한 단락을 취하고 Shen의 예에서 그것이 나쁜 소식이 아니라 매우 긍정적이라고 결론을 내립니다. 단순히 텍스트를 번역하는 것이 아니라 맥락 속에서 이해하는 것이기 때문입니다. LLM은 위쪽에 부정적인 단어가 많이 있지만 아래쪽에 핵심 문구가 있다는 것을 알고 있습니다. '우리는 주식이 긍정적으로 반응할 것으로 기대합니다.'

Shen은 "CEO가 사임한다는 소식에도 불구하고 LLM은 보도 자료의 요점을 이해하고 핵심을 파악합니다"라고 말했습니다.

데이터 및 알고

이 예는 저널리스트를 위한 BlackRock 프리젠테이션을 위해 설계되었지만 LLM을 믹스에 추가하는 체계적인 상점이 더 나은 성과를 낼 것이라는 의미입니다. 실제로 이 깔끔한 예에서 포트폴리오 관리자는 완전히 다른 답변을 받았습니다.

실제 생활은 그다지 깔끔하지 않지만 Shen은 LLM이 관리자에게 작은 우위를 제공하기 위해 설계된 차세대 도구라고 말합니다. BlackRock과 같은 회사는 이제 금융 및 기타 특정 유형의 데이터에 대한 모델을 교육하기 위해 독점 데이터 세트에 대해 LLM을 사용하고 있습니다. 그는 BlackRock이 자사의 독점 LLM이 ChatGPT(대체로 인터넷에서 교육됨)보다 우위에 있다는 사실을 발견했다고 말합니다.

이는 퀀트를 예전과 똑같은 기본으로 다시 되돌립니다. 즉, 누가 최고의 데이터를 갖고 있고 이를 가장 잘 정리할 수 있는 수단을 갖고 있는지; 그리고 가장 영리한 알고(algo)를 갖고 있는 사람은 누구일까요? 그러나 LLM은 인간의 판단 수단을 개선하도록 도움으로써 여기에 또 다른 주름을 추가합니다.

인간의 손길

RenTec과 같은 일부 퀀트 상점은 컴퓨터만 따르는 것으로 악명이 높지만 Shen은 체계적인 전략에는 여전히 인간의 결정이 필요하다고 말합니다. 이는 과거 데이터가 불완전하거나 존재하지 않는 경우 명확해집니다. 예를 들어, 이 정도 규모의 마지막 글로벌 유행병이 1918년 전에 발생했기 때문에 코로나XNUMX 기간 동안 회사를 모델링하는 것은 어려웠습니다. 현재 사용할 수 있는 XNUMX년의 신뢰할 수 있는 데이터가 없습니다. 따라서 퀀트가 조회수를 얻기 위해 교통이나 채용 공고에 대한 실시간 데이터를 사용하는 동안 이것이 가까운 미래에 어떤 의미인지 추정하려면 여전히 사람이 필요했습니다. 빅데이터는 그 자체로는 신뢰할 수 있는 예측 변수가 아니었습니다.

그러나 LLM을 사용하면 기계 학습 시스템에서는 불가능했던 미묘한 질문을 인간이 기계에 물어볼 수 있습니다. 이는 LLM을 생산성 도구로 바꾸고 질문에 따라 결과가 달라집니다. 1980년대와 1990년대의 오래된 빅데이터 모델은 가치 평가 분석에 기반을 두었고, 2010년대에는 시장 심리와 같은 요소가 추가되었습니다. 이제는 질문의 범위가 넓어져 인간의 창의성이 가능해진다.

“이 질문은 경쟁 우위가 될 수 있습니다.”라고 Shen은 말했습니다.

Shen이 밝은 미래로 묘사한 것을 고려할 때 이는 능동적 관리 스타일이 수동적 전략에 비해 더 나은 성과를 내기 시작할 것임을 시사합니까? ETF 측으로 유입된 자산 중 일부를 회수할 체계적 투자가 준비되어 있습니까?

Shen은 확고하지 않은 태도를 유지했습니다. 그는 업계 승자는 제품에 관계없이 AI를 수용하는 기업이라고 말합니다. 안전한 답변입니다. 따라서 기술을 활용하는 새로운 경쟁이 기업에 가능한 한 많은 데이터를 확보할 수 있는 자원을 제공하는 데 도움이 될 것이라고 안전한 가정이 될 것입니다.