LLMs da BlackRock: “A questão é a vantagem.”

LLMs da BlackRock: “A questão é a vantagem.”

Carimbo de data / hora: 17 de outubro de 2023 5h43
LLMs da BlackRock: “A questão é a vantagem.” Inteligência de dados PlatoBlockchain. Pesquisa vertical. Ai.

Uma abordagem que prioriza a tecnologia para investir dinheiro não é nova, mas as ferramentas de inteligência artificial estão proporcionando às empresas novas oportunidades de desempenho superior.

Jeff Shen, codiretor de investimentos e codiretor de capital ativo sistemático baseado em São Francisco, diz que os modelos de aprendizagem de idiomas estão se tornando ferramentas poderosas.

“Estamos no meio de uma revolução”, disse ele. “Big data, dados alternativos e agora a IA generativa estão transformando todos os setores, incluindo a gestão de ativos. Há mais dados disponíveis e algoritmos melhores para capturar esses dados, e isso torna o investimento sistemático estimulante.”

Quatro décadas de quant

As origens da equipa sistemática são o negócio Barclays Global Investors que a BlackRock adquiriu em 2009. O negócio surgiu quando o Barclays, duramente atingido pela crise financeira global, abandonou o seu negócio de investimentos para sobreviver – e fez da BlackRock o maior gestor de activos do mundo, então com 2.7 biliões de dólares. .

As raízes da BGI remontam a 1985 como o que hoje pode ser considerado uma fintech: uma operação baseada em Silicon Valley que utiliza big data e formas primitivas de aprendizagem automática, muito antes de estes termos ou capacidades entrarem na moda. É uma loja quantitativa, que utiliza insights baseados em dados para se concentrar em muitas apostas pequenas e rápidas que arbitram uma ação contra outra – Coca-Cola versus Pepsi.

Isso funciona mesmo que a indústria ou o mercado estejam indo mal – Country Garden versus Evergrande. O que conta é encontrar uma vantagem minúscula e de curta duração que o gestor possa negociar rapidamente, em escala, e depois fechar a posição. Multiplique essas negociações por centenas ou milhares em um portfólio e a empresa criará uma grande estratégia de ações com baixa correlação com os benchmarks.

Com mais dados, melhores algoritmos, maior poder computacional e a eletrificação dos mercados de ações, a BGI emergiu como uma potência de ponta e continua como o braço sistemático da BlackRock.

Desde então, o mundo dos ETF decolou, tornando a BlackRock a maior gestora de ativos do mundo. Em setembro de 2023, a empresa reportou US$ 3.1 trilhões em fundos negociados em bolsa (um negócio de varejo) e outros US$ 2.6 trilhões em fundos de índice (para instituições). O grupo de serviços de tecnologia da empresa, incluindo o sistema de risco de portfólio Aladdin, é outro importante contribuidor para a receita.

Progresso da IA

Neste contexto, o negócio sistemático de ações, um negócio institucional, é modesto, com 237 mil milhões de dólares de ativos sob gestão. É claro que Shen está otimista em relação à sua divisão. “O investimento quantitativo sistemático está agora numa era de ouro”, disse ele.

Mas o entusiasmo em torno da IA ​​generativa, que inclui modelos de linguagem natural como o ChatGPT, dá algum crédito ao otimismo de Chen.

Antigamente, as táticas quantitativas consistiam em classificar as ações de grande capitalização dos EUA por meio de métricas tradicionais (preço contabilístico, preço/lucro, rendimento de dividendos). Mesmo assim, os maiores fundos de hedge quantitativos construíram armazéns de dados de tamanhos surpreendentes. Isso lhes deu a capacidade de gerar desempenho independentemente das tendências do mercado. As empresas mais bem-sucedidas ganharam muito dinheiro, lideradas pela Renaissance Technologies, que de 1988 a 2018 foi a empresa de investimento mais lucrativa (e secreta) do mundo.

As etapas envolvidas na execução de estratégias ativas, quantitativas ou não, têm sido constantemente automatizadas. As informações agora podem ser lidas por máquinas, como relatórios de corretores, finanças de empresas, histórias da mídia e estatísticas governamentais. O processamento de linguagem natural tornou possível tornar dados não estruturados (qualquer coisa, desde um PDF até a assinatura de um advogado) legíveis por máquina. A Internet das Coisas e as imagens de satélite expandiram a lista de coisas que podem ser medidas e quantificadas. Além disso, estes agora dão aos gestores de fundos acesso a visualizações em tempo real.

Shen cita a movimentação de caminhões. Marcação geoespacial, beacons WiFi e imagens de satélite permitem que os compradores desses dados rastreiem frotas de caminhões. Isso lhes dá uma noção do tráfego entre fornecedores e lojas, um ponto de dados para determinar como uma empresa está se saindo. Construa um número suficiente destes e uma empresa poderá alargar o seu âmbito para obter uma visão macro da economia.

Entre na GenAI

Hoje, a IA generativa está adicionando um novo conjunto de ferramentas ao mix. Mas não é apenas mais uma forma de processar dados. Na verdade, muda a maneira como os gestores de portfólio entendem as informações.

Shen dá o exemplo de uma reportagem sobre a saída de um CEO. Nos últimos vinte anos, as empresas com experiência em tecnologia utilizaram a aprendizagem automática para seguir uma abordagem de “saco de palavras”. A máquina analisaria um texto e procuraria concentrações de palavras ou frases que se correlacionassem com bom ou ruim, compra ou venda.

No exemplo do CEO que perdeu o emprego, a máquina poderia identificar sete palavras relevantes no parágrafo inicial. Seria marcado como clusters negativos, como 'alerta', 'deixando a empresa', 'substituído', 'frustração' e 'mais fraco'. Também destacaria duas expressões otimistas, “surpreendente” e “responder positivamente”, mas no geral o peso da negatividade levaria o computador a recomendar uma venda.

Se esta empresa fizesse parte de uma dupla Coca-Cola versus Pepsi, a BlackRock poderia decidir que este era um sinal para operar vendido numa e comprada na outra, com alavancagem. A negociação pode durar algumas horas ou alguns dias, mas a velocidade da análise daria à equipa um resultado diferente do que a massa de intervenientes fundamentais activos que dependem de uma interpretação humana.

“Esse foi o estado da arte em 2007”, disse Shen. Desde então, os dados e os resultados melhoraram, mas a abordagem do saco de palavras ainda era a norma. LLMs como ChatGPT estão mudando isso.

Os LLMs pegam o mesmo parágrafo e, no exemplo de Shen, concluem que é uma notícia extremamente positiva e não uma má notícia. Isso porque não se trata apenas de traduzir um texto, mas de compreendê-lo no contexto. O LLM sabe que, embora haja um monte de palavras negativas no topo, a frase-chave está na parte inferior: “esperamos que a ação responda positivamente”.

“Apesar de ser uma notícia sobre a renúncia de um CEO, o LLM entende a essência do comunicado à imprensa – ele entende a conclusão”, disse Shen.

Dados e algoritmos

Embora este exemplo seja projetado para apresentações da BlackRock a jornalistas, a implicação é que uma loja sistemática que adicione LLMs ao mix deverá ter um desempenho melhor. Na verdade, neste exemplo claro, o gestor de carteira recebe uma resposta completamente diferente.

A vida real não é tão legal, mas Shen diz que os LLMs são a próxima onda de ferramentas projetadas para dar ao gerente uma pequena vantagem. Empresas como a BlackRock estão agora a utilizar LLMs em conjuntos de dados proprietários, a fim de treinar os modelos em dados financeiros e outros tipos específicos de dados. Ele diz que a BlackRock considera que seus LLMs proprietários têm uma vantagem sobre o ChatGPT (que é treinado em geral na Internet).

Isso traz os quants de volta aos mesmos princípios básicos: quem tem os melhores dados e os melhores meios de limpá-los; e então quem tem os algoritmos mais inteligentes. Mas os LLMs também acrescentam outra desvantagem aqui, ao ajudar os humanos a melhorar seus meios de julgamento.

O toque humano

Embora algumas lojas de quantificação, como a RenTec, fossem conhecidas por apenas seguirem seus computadores, Shen diz que estratégias sistemáticas ainda exigem decisões humanas. Isto fica claro nos momentos em que os dados históricos estão incompletos ou não existem. Por exemplo, modelar uma empresa durante a Covid foi difícil porque a última pandemia global desta magnitude ocorreu há um século. Não há dados confiáveis ​​de 1918 para usar hoje. Portanto, embora os quants usassem dados em tempo real sobre tráfego ou ofertas de emprego para obter uma visão, ainda era necessário um ser humano para extrapolar o que isso significava para o futuro próximo. O big data, por si só, não era um preditor confiável.

Mas com os LLMs, os humanos podem fazer perguntas diferenciadas à máquina que seriam impossíveis de fazer em um sistema de aprendizado de máquina. Isso transforma o LLM em uma ferramenta de produtividade, e diferentes questões levam a resultados diferentes. Os antigos modelos de big data das décadas de 1980 e 1990 baseavam-se na análise de avaliações e, na década de 2010, acrescentaram coisas como o sentimento do mercado. Agora o escopo do questionamento é amplo, o que possibilita a criatividade humana.

“A questão pode ser uma vantagem competitiva”, disse Shen.

Dado o que Shen descreve como um futuro brilhante, isso sugere que os estilos de gestão ativos começarão a ter desempenho superior ao das estratégias passivas? Estarão os investimentos sistemáticos preparados para recuperar alguns dos activos que fluíram para o lado ETF da casa?

Shen permaneceu evasivo. Os vencedores do setor, diz ele, são as empresas que adotam a IA, independentemente do produto. Uma resposta segura. Portanto, uma suposição segura será que a nova concorrência que recorre à tecnologia beneficiará as empresas com os recursos para obterem o máximo de dados possível.

Carimbo de hora:

Mais de DigFin