Manapság az AI-t sokan egyenlővé teszik a chatbotokkal és a nagynyelvi modellekre (LLM-ekre) épülő alkalmazásokkal. Ugyanakkor a mesterséges intelligencia alatt korábban is más technikákat értettünk: a gépi tanulás (ML, machine learning) és a mély tanulás (DL, deep learning) már régóta elterjedt, széles körben használt eszközök a pénzügyi előrejelzésre, osztályozásra és más feladatokra.
A vagyonkezelés, a trading és az árjegyzés — különösen a hedge fundok körében — aktívan alkalmazza ezeket a technikákat. A hedge fundok tipikusan gyorsan átvesznek új módszereket, mert minden apró előny (edge) számít; az edge alatt azt értjük, amikor egy eljárás szisztematikusan profitál a pénzügyi piacok mozgásából.
Miért nem ugyanazt várhatjuk el az LLM-ektől?
Bár a vagyonkezelés hatalmas adatmennyiséggel dolgozik, ez nem feltétlenül teszi a területet ideálissá az LLM-ek számára. Két fontos probléma említendő:
- Hallucinációk: az LLM-ek időnként téves vagy kitalált információval szolgálnak.
- Context rot: még ha egy modellnek nagy kontextusablaka is van, hosszabb bevitel vagy nagyobb skála mellett a modell elkezdheti elveszíteni az eredeti kontextust, és a «lyukakat» gyakran hallucinált információval tölti ki.
Ezek a jelenségek megnehezítik a megbízható információkinyerést, és azt is, hogy pusztán több adat beadásával garantáltan jobb eredményt kapjunk. Az LLM-ek működési sajátosságaiból következik, hogy kontrollálási rutinok mellett is hajlamosak maradni ezekre a viselkedésekre.
Hol lehet hasznos egy chatbot vagy LLM a vagyonkezelésben?
Az LLM-ek nem használhatatlanok: megfelelő promptolás mellett egy chatbot nagyon hatékony lehet bizonyos feladatokra. A vagyonkezelésben ez a gyakorlatban azt jelenti, hogy:
- Az ML- és DL-modellek valószínűleg megmaradnak az elsődleges előrejelző eszközöknek.
- Az LLM-ek viszont felgyorsíthatják más modellek fejlesztését, segíthetnek hibák és inkonzisztenciák megtalálásában, és így közvetetten támogathatják a befektetési döntéseket.
- Oktatási és ismeretszerzési szerepük is lehet, de ilyen használat mellett is szükség van domain-szakértőkre, akik képesek észrevenni az LLM-ek által produkált hallucinációkat.
Egy kulcsfontosságú tényező: az adatéhség és a feature-ök
Minden ML-, DL- vagy LLM-modell rendkívül adatigényes. A modellek betanítása során sokmillió vagy milliárd magyarázó változót, úgynevezett feature-öt lehet megalkotni. Ha ezek a feature-ök nem megfelelőek, a modell előrejelző teljesítménye gyenge lesz. Ez ugyanúgy igaz az LLM-ekre, ahol ráadásul gyakran nem tudjuk pontosan, milyen adatokból és hogyan tanultak.
A szerző hasonlata szerint a feature-ök olyanok, mint a sütemény hozzávalói: liszt, tojás, cukor — ezekből jó sütemény lehet. Ha azonban a hozzávalók között arckrém, fogkrém és fokhagyma szerepelne, aligha várnánk ízletes végeredményt. Ugyanígy, rossz vagy irreleváns feature-ökből nem lesz megbízható előrejelzés.
Következtetés
Az LLM-ek és chatbotok értékes kiegészítői lehetnek a vagyonkezelési folyamatoknak: felgyorsíthatják fejlesztést, segíthetnek az adattisztításban és támogathatják a döntéshozatalt. Ugyanakkor a hallucinációk, a context rot és az átláthatatlan betanítási folyamatok miatt nem helyettesítik a jól bevált ML- és DL-modelleket, és alkalmazásuk feltétlenül igényli a területi szakértelmet és gondos kontrollt.
