LLM від BlackRock: «Питання полягає в перевагі».

Перевидано Платоном

читають: 0

Магістр права BlackRock: «Питання в перевагах». PlatoBlockchain Data Intelligence. Вертикальний пошук. Ai.

Технологічний підхід до інвестування грошей не є новим, але інструменти штучного інтелекту дають бізнесу нові можливості для перевищення ефективності.

Джефф Шен, співголовний інвестиційний директор із Сан-Франциско та співголова систематичного активного капіталу, каже, що моделі вивчення мови стають потужними інструментами.

«Ми перебуваємо в розпалі революції», — сказав він. «Великі дані, альтернативні дані, а тепер і генеративний штучний інтелект трансформують усі галузі, включаючи управління активами. Є більше даних і кращі алгоритми для збору цих даних, і це робить систематичні інвестиції захоплюючими».

Чотири десятиліття кількості

Систематична команда походить від бізнесу Barclays Global Investors, який BlackRock придбав у 2009 році. Угода відбулася, коли Barclays, сильно постраждала від світової фінансової кризи, відмовилася від свого інвестиційного бізнесу, щоб вижити, і зробила BlackRock найбільшим у світі менеджером активів, який тоді становив 2.7 трильйона доларів. .

Коріння BGI сягає 1985 року як те, що сьогодні можна вважати фінтехом: операція в Кремнієвій долині, яка використовує великі дані та примітивні форми машинного навчання, задовго до того, як ці терміни чи можливості увійшли в моду. Це магазин кількісних даних, який використовує інформацію, що керується даними, щоб зосередитися на багатьох невеликих, швидких ставках, що проводять арбітраж між акціями акцій – Coca-Cola проти Pepsi.

Це працює, навіть якщо галузь чи ринок йдуть погано – Country Garden проти Evergrande. Що має значення, так це знайти крихітну, короткочасну перевагу, якою менеджер може швидко торгувати в масштабі, а потім закрити позицію. Помножте такі угоди на сотні чи тисячі в портфелі, і фірма створить стратегію великого капіталу з низькою кореляцією з контрольними показниками.

Завдяки більшій кількості даних, кращим алгоритмам, збільшенню обчислювальної потужності та електроніфікації фондових ринків BGI став передовою потужною компанією та продовжує залишатися системним підрозділом BlackRock.

Відтоді світ ETF почав розвиватися, зробивши BlackRock найбільшим у світі менеджером активів. Станом на вересень 2023 року фірма повідомила про 3.1 трильйона доларів біржових фондів (роздрібний бізнес) та ще 2.6 трильйона доларів індексних фондів (для установ). Група технологічних послуг фірми, включаючи її портфельну систему ризиків Aladdin, є ще одним важливим чинником доходу.

Прогрес ШІ

У цьому контексті систематичний бізнес з акціями, інституційний бізнес, є скромним, його активи під управлінням становлять 237 мільярдів доларів. Шен, звичайно, позитивно ставиться до свого підрозділу. «Систематичні кількісні інвестиції зараз у золотому віці», — сказав він.

Але ажіотаж навколо генеративного штучного інтелекту, який включає моделі природної мови, такі як ChatGPT, надає оптимізму Чена певної довіри.

У старі часи кількісна тактика полягала в ранжуванні акцій США з великою капіталізацією за традиційними показниками (ціна до книги, ціна до прибутку, дивідендна прибутковість). Навіть тоді найбільші кількісні хедж-фонди створювали сховища даних вражаючих розмірів. Це дало їм можливість досягти ефективності незалежно від ринкових тенденцій. Найуспішніші фірми заробили багато грошей, на чолі з Renaissance Technologies, яка з 1988 по 2018 рік була найприбутковішою (і таємною) інвестиційною компанією у світі.

Кроки, пов’язані з виконанням активних стратегій, кількісних чи інших, поступово автоматизувалися. Тепер така інформація, як звіти брокерів, фінансові дані компанії, історії ЗМІ та державна статистика, доступна для машинного зчитування. Обробка природною мовою дозволила перетворити неструктуровані дані (будь-що, від PDF до підпису юриста) у машинозчитувані. Інтернет речей і супутникові зображення розширили перелік речей, які можна виміряти та кількісно визначити. Крім того, тепер вони дають менеджерам фондів доступ до перегляду в реальному часі.

Шен посилається на рух вантажівок. Геопросторове тегування, маяки WiFi і супутникові зображення дозволяють покупцям цих даних відстежувати парки вантажівок. Це дає їм уявлення про трафік між постачальниками та магазинами, одну точку даних, щоб визначити, як працює компанія. Створіть достатньо таких, і фірма зможе розширити сферу діяльності, щоб отримати макропогляд на економіку.

Введіть GenAI

Сьогодні генеративний штучний інтелект додає новий набір інструментів. Але це не просто ще один спосіб обробки даних. Це фактично змінює те, як портфельні менеджери розуміють інформацію.

Шен наводить приклад новин про відставку генерального директора. Протягом останніх двадцяти років технічно підковані фірми використовували машинне навчання, щоб дотримуватися підходу «мішка слів». Машина аналізувала б текст і шукала концентрацію слів або фраз, які співвідносяться з хорошим чи поганим, купівлею чи продажем.

У прикладі, коли генеральний директор втратив роботу, машина може визначити сім відповідних формулювань у початковому абзаці. Це буде позначено негативними кластерами, такими як «попередження», «залишення компанії», «замінений», «розчарування» та «слабший». Це також висвітлило б два оптимістичних вирази, «здивування» та «відповідь позитивно», але загалом вага негативу змусила б комп’ютер рекомендувати продати.

Якби ця компанія була частиною дуету Coca-Cola проти Pepsi, BlackRock міг би вирішити, що це був сигнал для того, щоб піти в коротку позицію з однієї та у довгу іншу з кредитним плечем. Торгівля може тривати кілька годин або кілька днів, але швидкість аналізу дасть команді інший результат, ніж маса активних фундаментальних гравців, які покладаються на людську інтерпретацію.

«Це був рівень техніки в 2007 році», - сказав Шен. Відтоді дані та аглоси стали кращими, але підхід «мішок слів» усе ще залишався нормою. LLM, такі як ChatGPT, змінюють це.

LLM беруть той самий абзац і, у прикладі Шена, роблять висновок, що це величезна позитивна, а не погана новина. Це тому, що це не просто переклад тексту, а його розуміння в контексті. LLM знає, що хоча вгорі є купа негативних слів, унизу знаходиться ключова фраза: «ми очікуємо, що акції відреагують позитивно».

«Не дивлячись на те, що це новина про відставку генерального директора, магістр права розуміє суть прес-релізу — у ньому чітка суть», — сказав Шен.

Дані та алгоритми

Хоча цей приклад розроблено для презентацій BlackRock для журналістів, мається на увазі, що магазин, який систематично додає LLM до суміші, повинен працювати краще. У цьому акуратному прикладі насправді портфельний менеджер отримує зовсім іншу відповідь.

Реальне життя не таке гарне, але Шен каже, що магістратури — це наступна хвиля інструментів, розроблених, щоб дати менеджеру невелику перевагу. Такі фірми, як BlackRock, тепер використовують LLM на власних наборах даних, щоб навчати моделі на фінансових та інших конкретних типах даних. Він каже, що BlackRock вважає, що його запатентовані LLM мають перевагу перед ChatGPT (який навчається в Інтернеті в цілому).

Це повертає кількісні показники до тих самих старих основ: хто має найкращі дані та найкращі засоби їх очищення; а потім хто має найрозумніші алгоритми. Але магістратури також додають ще одну складку, допомагаючи людям вдосконалювати свої засоби судження.

Людський дотик

Хоча деякі кількісні магазини, такі як RenTec, були відомі тим, що просто стежили за своїми комп’ютерами, Шен каже, що систематичні стратегії все ще вимагають людських рішень. Це стає зрозумілим, коли історичні дані неповні або не існують. Наприклад, моделювати компанію під час Covid було важко, оскільки остання глобальна пандемія такого масштабу сталася століття тому. Немає достовірних даних за 1918 рік, які можна використовувати сьогодні. Таким чином, хоча кванти використовували дані в реальному часі про трафік або оголошення про роботу, щоб отримати представлення, людині все одно потрібна була екстраполяція того, що це означає для найближчого майбутнього. Великі дані самі по собі не були надійним прогнозом.

Але з LLMs люди можуть ставити машині нюансовані питання, які неможливо поставити системі машинного навчання. Це перетворює LLM на інструмент продуктивності, а різні запитання призводять до різних результатів. Старі моделі великих даних 1980-х і 1990-х років ґрунтувалися на розборі оцінок, а в 2010-х додали такі речі, як ринкові настрої. Зараз сфера запитань широка, що уможливлює творчість людини.

"Питання може бути конкурентною перевагою", - сказав Шен.

Враховуючи те, що Шен описує як світле майбутнє, чи означає це, що активні стилі управління почнуть переважати пасивні стратегії? Чи готові систематичні інвестиції повернути частину активів, які перейшли на сторону ETF?

Шен залишався упередженим. За його словами, переможцями в галузі є ті фірми, які використовують ШІ, незалежно від продукту. Безпечна відповідь. Тому можна припустити, що нова конкуренція з використанням технологій дасть перевагу компаніям, які мають ресурси, щоб отримати якомога більше даних.