LLM BlackRock: „Pytanie brzmi: zaleta”.

Opublikowane ponownie przez Plato

Obserwuje: 0

LLM BlackRock: „Pytanie jest zaletą.” Inteligencja danych PlatoBlockchain. Wyszukiwanie pionowe. AI.

Podejście do inwestowania pieniędzy oparte na technologii nie jest niczym nowym, ale narzędzia sztucznej inteligencji dają przedsiębiorstwom nowe możliwości osiągania lepszych wyników.

Jeff Shen, współdyrektor ds. inwestycji z siedzibą w San Francisco i współszef działu systematycznego aktywnego kapitału, twierdzi, że modele nauki języków stają się potężnymi narzędziami.

„Jesteśmy w trakcie rewolucji” – stwierdził. „Big Data, alternatywne dane, a teraz generatywna sztuczna inteligencja przekształcają wszystkie branże, w tym zarządzanie aktywami. Dostępnych jest więcej danych i lepsze algorytmy do ich przechwytywania, co sprawia, że systematyczne inwestowanie jest ekscytujące”.

Cztery dekady ilościowe

Zespół systematyczny wywodzi się z działalności Barclays Global Investors, którą BlackRock nabył w 2009 r. Transakcja nastąpiła, gdy Barclays mocno dotknięty światowym kryzysem finansowym zrezygnował ze swojej działalności inwestycyjnej, aby przetrwać – i uczynił BlackRock największym na świecie podmiotem zarządzającym aktywami, dysponującym wówczas kwotą 2.7 biliona dolarów .

Korzenie BGI sięgają 1985 roku jako firmy, którą dziś można uznać za fintech: firmę z siedzibą w Dolinie Krzemowej, wykorzystującą duże zbiory danych i prymitywne formy uczenia maszynowego, na długo przed tym, zanim te terminy i możliwości stały się modne. Jest to sklep ilościowy, wykorzystujący wiedzę opartą na danych, aby skupić się na wielu małych, szybkich zakładach, w których arbitrażuje się jedną akcję względem drugiej – Coca-Cola kontra Pepsi.

Działa to nawet wtedy, gdy branża lub rynek radzą sobie źle – Country Garden kontra Evergrande. Liczy się znalezienie niewielkiej, krótkotrwałej przewagi, którą menedżer może szybko i na dużą skalę zrealizować, a następnie zamknąć pozycję. Pomnóż takie transakcje w całym portfelu przez setki lub tysiące, a firma utworzy dużą strategię kapitałową z niską korelacją z wzorcami.

Dzięki większej ilości danych, lepszym algorytmom, rosnącej mocy obliczeniowej i elektronizacji rynków akcji, BGI wyłoniło się jako najnowocześniejsza potęga i nadal stanowi systematyczne ramię BlackRock.

Od tego czasu świat ETF nabrał rozpędu, czyniąc BlackRock największym na świecie podmiotem zarządzającym aktywami. Według stanu na wrzesień 2023 r. firma odnotowała 3.1 biliona dolarów w funduszach notowanych na giełdzie (biznes detaliczny) i kolejne 2.6 biliona dolarów w funduszach indeksowych (dla instytucji). Grupa usług technologicznych firmy, w tym system ryzyka portfela Aladdin, to kolejny ważny element przychodów.

Postęp AI

W tym kontekście systematyczna działalność w zakresie akcji, działalność instytucjonalna, jest skromna i zarządza aktywami o wartości 237 miliardów dolarów. Shen jest oczywiście optymistycznie nastawiony do swojej dywizji. „Systematyczne inwestycje ilościowe przeżywają obecnie złoty wiek” – stwierdził.

Jednak podekscytowanie generatywną sztuczną inteligencją, która obejmuje modele języka naturalnego, takie jak ChatGPT, uwiarygadnia optymizm Chena.

W dawnych czasach taktyka ilościowa polegała na rankingu amerykańskich spółek o dużej kapitalizacji według tradycyjnych wskaźników (cena księgowa, cena w stosunku do zysków, stopa dywidendy). Już wtedy największe kwantowe fundusze hedgingowe budowały hurtownie danych o zdumiewającej wielkości. Dało im to możliwość generowania wyników niezależnie od trendów rynkowych. Firmy odnoszące największe sukcesy zarobiły dużo pieniędzy, na czele z Renaissance Technologies, które w latach 1988–2018 było najbardziej dochodową (i tajemniczą) firmą inwestycyjną na świecie.

Kroki związane z prowadzeniem aktywnych strategii, ilościowych lub innych, stale się automatyzują. Informacje, takie jak raporty brokerów, finanse firm, artykuły medialne i statystyki rządowe, można teraz odczytywać maszynowo. Przetwarzanie w języku naturalnym umożliwiło przetwarzanie nieustrukturyzowanych danych (od plików PDF po podpis prawnika) do odczytu maszynowego. Internet rzeczy i zdjęcia satelitarne poszerzyły listę rzeczy, które można zmierzyć i określić ilościowo. Co więcej, dają one teraz zarządzającym funduszami dostęp do widoków w czasie rzeczywistym.

Shen przytacza ruch ciężarówek. Oznaczanie geoprzestrzenne, sygnały nawigacyjne Wi-Fi i zdjęcia satelitarne umożliwiają nabywcom tych danych śledzenie flot ciężarówek. Daje im to poczucie ruchu pomiędzy dostawcami i sklepami, co stanowi jeden punkt danych pozwalający określić, jak radzi sobie firma. Zbuduj ich wystarczającą liczbę, a firma będzie mogła poszerzyć swój zakres, aby uzyskać makroekonomiczny obraz gospodarki.

Wejdź do GenAI

Obecnie generatywna sztuczna inteligencja dodaje do tego nowy zestaw narzędzi. Ale to nie tylko kolejny sposób na przetwarzanie danych. To faktycznie zmienia sposób, w jaki zarządzający portfelami rozumieją informacje.

Shen podaje przykład doniesienia prasowego o ustąpieniu dyrektora generalnego. Przez ostatnie dwadzieścia lat firmy znające się na technologii korzystały z uczenia maszynowego, aby zastosować podejście oparte na worku słów. Maszyna analizowała tekst i szukała skupisk słów lub wyrażeń, które odnoszą się do dobra lub zła, kupna lub sprzedaży.

Na przykładzie dyrektora generalnego tracącego pracę maszyna może zidentyfikować siedem odpowiednich sformułowań w pierwszym akapicie. Jako negatywne można by oznaczyć takie klastry, jak „powiadomienie”, „opuszczenie firmy”, „zastąpienie”, „frustracja” i „słabość”. Podkreśliłoby to również dwa optymistyczne wyrażenia: „zaskakujący” i „reaguj pozytywnie”, ale ogólnie rzecz biorąc, waga negatywności skłoniłaby komputer do zarekomendowania sprzedaży.

Gdyby ta firma stanowiła część duetu Coca-Cola kontra Pepsi, BlackRock mógłby zdecydować, że jest to sygnał do zajęcia pozycji krótkiej i długiej na drugiej, z wykorzystaniem dźwigni. Transakcja może trwać kilka godzin lub kilka dni, ale szybkość analizy dałaby zespołowi inny wynik niż masa aktywnych graczy fundamentalnych polegających na ludzkiej interpretacji.

„Taki był stan wiedzy w 2007 roku” – powiedział Shen. Od tego czasu dane i wyniki uległy poprawie, ale podejście oparte na workach słów nadal było normą. Firmy LLM, takie jak ChatGPT, zmieniają to.

LLM biorą ten sam akapit i, na przykładzie Shena, dochodzą do wniosku, że jest to raczej pozytywna wiadomość niż zła wiadomość. Dzieje się tak dlatego, że nie chodzi tylko o tłumaczenie tekstu, ale o zrozumienie go w kontekście. Spółka LLM wie, że chociaż na górze znajduje się wiele negatywnych słów, kluczowe zdanie znajduje się na dole: „oczekujemy pozytywnej reakcji akcji”.

„Mimo że jest to wiadomość o ustąpieniu dyrektora generalnego, LLM rozumie istotę komunikatu prasowego – zawiera puentę” – powiedział Shen.

Dane i algorytmy

Chociaż ten przykład został zaprojektowany na potrzeby prezentacji BlackRock dla dziennikarzy, implikacja jest taka, że sklep systematycznie dodający LLM do mieszanki powinien działać lepiej. W tym konkretnym przykładzie zarządzający portfelem otrzymuje zupełnie inną odpowiedź.

Prawdziwe życie nie jest takie fajne, ale Shen twierdzi, że LLM to kolejna fala narzędzi zaprojektowanych, aby zapewnić menedżerom niewielką przewagę. Firmy takie jak BlackRock wykorzystują obecnie LLM na zastrzeżonych zbiorach danych, aby szkolić modele na podstawie danych finansowych i innych specyficznych typów danych. Mówi, że BlackRock odkrył, że jego zastrzeżone LLM mają przewagę nad ChatGPT (który jest ogólnie szkolony w Internecie).

To sprowadza kwantyfikowanie do tych samych starych podstaw: kto ma najlepsze dane i najlepszy sposób na ich przejrzenie; a potem kto ma najmądrzejsze algo. Ale LLM dodają tutaj także kolejną zmarszczkę, pomagając ludziom ulepszyć ich sposób oceny.

Ludzki dotyk

Chociaż niektóre sklepy kwantowe, takie jak RenTec, słynęły z tego, że po prostu podążały za swoimi komputerami, Shen twierdzi, że systematyczne strategie nadal wymagają ludzkich decyzji. Staje się to jasne w sytuacjach, gdy dane historyczne są niekompletne lub w ogóle nie istnieją. Przykładowo modelowanie firmy w czasach Covidu było trudne, ponieważ ostatnia światowa pandemia tej skali miała miejsce sto lat temu. Nie ma obecnie wiarygodnych danych z 1918 r., które można by wykorzystać. Tak więc, mimo że do uzyskania wglądu w obliczeniach wykorzystano dane w czasie rzeczywistym dotyczące ruchu drogowego lub ofert pracy, nadal wymagana była ekstrapolacja przez człowieka, co to oznacza na najbliższą przyszłość. Duże zbiory danych same w sobie nie były wiarygodnym prognostykiem.

Jednak dzięki LLM ludzie mogą zadawać maszynie szczegółowe pytania, których nie dałoby się zadać systemowi uczenia maszynowego. To sprawia, że LLM staje się narzędziem zwiększającym produktywność, a różne pytania prowadzą do różnych wyników. Stare modele big data z lat 1980. i 1990. opierały się na analizie wycen, a w 2010 r. dodały takie elementy, jak nastroje rynkowe. Obecnie zakres zadawania pytań jest szeroki, co umożliwia ludzką kreatywność.

„Kwestia może stanowić przewagę konkurencyjną” – powiedział Shen.

Biorąc pod uwagę to, co Shen przedstawia jako świetlaną przyszłość, czy sugeruje to, że aktywne style zarządzania zaczną osiągać lepsze wyniki niż strategie pasywne? Czy systematyczne inwestycje są w stanie odzyskać część aktywów, które napłynęły do strony funduszy ETF?

Shen pozostał niezobowiązujący. Według niego zwycięzcami w branży są te firmy, które wykorzystują sztuczną inteligencję niezależnie od produktu. Bezpieczna odpowiedź. Dlatego można bezpiecznie założyć, że nowa konkurencja wykorzystująca technologię przyniesie korzyść firmom posiadającym zasoby umożliwiające zdobycie jak największej ilości danych.