L’utilisation des technologies LLM sur les marchés financiers

• L’intérêt grandit autour de la question de savoir si les grands modèles de langage (LLM), qui ont récemment réalisé des progrès spectaculaires dans le domaine du traitement du langage naturel, peuvent aussi être utilisés sur les marchés financiers
• Les LLM excellent dans la modélisation de séquences de tokens représentant des mots ou des fragments de mots, ce qui leur permet d’effectuer des tâches comme la traduction, les questions-réponses ou la génération de phrases proches du langage humain

Possibilités d’utilisation des LLM sur les marchés financiers

• Les traders quantitatifs s’intéressent à la possibilité d’utiliser des LLM pour prédire les prix ou les transactions
• Cela revient à modéliser des séquences de prix ou de transactions au lieu de séquences de mots
• Cette approche peut nous apprendre beaucoup sur l’IA générative et la modélisation des séries temporelles financières

Différences entre les LLM et les données des marchés financiers

• Les LLM sont des apprenants autorégressifs, qui utilisent les tokens précédents ou les éléments précédents d’une séquence pour prédire l’élément ou le token suivant
• Cependant, dans les données de marché financier, la quantité de données disponible pour l’entraînement ainsi que leur contenu informationnel sont limités
• Par exemple, GPT-3 a été entraîné sur 500 milliards de tokens, alors que sur le marché actions, seulement 177 milliards de tokens sont disponibles par an
• En outre, sur les marchés financiers, les tokens correspondent à des prix, des rendements ou des volumes d’échange, et sont bien plus difficiles à prédire que les syllabes ou les mots dans les modèles de langage
• Sur les marchés financiers, le bruit est bien plus important que le signal, et les participants peuvent effectuer des transactions irrationnelles ou négocier pour des raisons sans lien avec des changements fondamentaux

Applicabilité des technologies d’IA aux marchés financiers

• L’apprentissage multimodal vise à construire des modèles intégrés à partir de données issues de diverses modalités, comme les images et le texte
• En finance, cela peut servir à améliorer les prévisions en intégrant à la fois des séries temporelles techniques et différents types d’informations non liées aux prix, comme le sentiment sur Twitter, les interactions graphiques, les articles de presse en langage naturel ou les images satellites
• La residualization joue un rôle important à la fois en finance et en IA, mais avec des fonctions différentes dans chacun de ces domaines
• L’un des principaux facteurs de succès des LLM est leur capacité à identifier la similarité ou l’intensité entre des tokens sur un horizon de long terme
• Sur les marchés financiers, cela peut aider à analyser des phénomènes multi-échelles capables d’expliquer certains aspects des variations de marché sur plusieurs horizons temporels

Manières d’utiliser les LLM sur les marchés financiers

• Les LLM peuvent être utilisés pour générer des trajectoires simulées de cours boursiers imitant les caractéristiques observées sur les marchés
• Cela peut être très utile si l’on tient compte du fait que les données de marché financier sont rares par rapport à d’autres sources
• Les données artificielles peuvent ouvrir la voie à des techniques de méta-apprentissage qui ont déjà été appliquées avec succès dans des domaines comme la robotique
• Les praticiens des marchés financiers s’intéressent souvent à des événements extrêmes, où une stratégie de trading a davantage de chances de connaître des gains ou des pertes importants
• Des modèles génératifs capables d’échantillonner des scénarios extrêmes peuvent être utiles, mais comme les événements extrêmes sont par définition rares, il est difficile de déterminer les paramètres adéquats et d’échantillonner des données à partir de cette distribution

Potentiel des LLM pour l’analyse d’investissement

• À ce stade, il semble peu probable que les LLM remplacent le trading quantitatif, mais ils peuvent être utiles pour l’analyse fondamentale
• À mesure que les modèles d’IA progressent, ils pourraient aider à affiner une thèse d’investissement, à détecter des incohérences dans les commentaires des dirigeants, ou à découvrir des relations potentielles entre secteurs et entreprises connexes
• Ces modèles pourraient offrir à chaque investisseur un rôle comparable à celui de Charlie Munger

L’avis de GN⁺

• Il existe clairement un potentiel d’utilisation des LLM sur les marchés financiers, mais, à l’heure actuelle, ils semblent encore loin de pouvoir remplacer le trading quantitatif
  • La rareté des données financières et leur forte composante de bruit limitent l’usage direct des LLM
  • En revanche, des techniques comme l’apprentissage multimodal ou la residualization peuvent aider à intégrer des informations non liées aux prix ou à mener des analyses sur des horizons de long terme
• La génération de données simulées ou l’échantillonnage de scénarios extrêmes à l’aide de LLM constituent des pistes d’usage intéressantes
  • Toutefois, la rareté des événements extrêmes rend difficile le réglage approprié des paramètres et l’échantillonnage
• Même si les LLM auront sans doute du mal à remplacer directement le trading quantitatif, ils devraient pouvoir être utilisés utilement dans le processus d’analyse d’investissement
  • Dans le travail de collecte et d’analyse de grandes masses d’information, les LLM peuvent jouer un rôle d’assistance aux analystes humains
• Les marchés financiers sont par nature difficiles à prédire, ce qui impose une approche prudente vis-à-vis des méthodes fondées sur les LLM
  • Cela dit, compte tenu de la vitesse des progrès des LLM, il semble difficile d’exclure totalement leur utilisation future sur les marchés financiers
• Parmi les technologies connexes figure la plateforme de développement de modèles financiers en crowdsourcing avec récompenses en cryptomonnaie de Numerai, comme Erasure
• Globalement, l’application des LLM aux marchés financiers n’en est encore qu’à ses débuts, et nécessitera beaucoup de recherche et d’expérimentation. Mais à long terme, l’IA devrait avoir un impact majeur sur les marchés financiers