Gli LLM possono davvero trasformare il lavoro del gestore finanziario?
Longworth (GAM): possono raccogliere i vantaggi dell'approccio discrezionale che si combinino più efficacemente con le attuali tecniche numeriche
I modelli di intelligenza artificiale basati su modelli linguistici di grandi dimensioni (LLM), come ChatGPT e altri che hanno fatto seguito a tecnologie precedenti come Watson di IBM, hanno davvero catturato l'immaginario popolare nel 2023. Un fattore chiave dietro l'aumento dell'interesse è il fatto che tutti, dagli utenti alle prime armi agli esperti di IA, possono interagire con questi sistemi in modo molto più simile all'uomo, rispetto alle precedenti tecniche di IA.
Questi modelli possono già fornire un aiuto in molte aree supplementari del processo di investimento. Ad esempio, possono essere utilizzati per supportare la produzione di commenti di mercato, mentre gli strumenti di completamento del codice basati su LLM possono anche aiutare nel lavoro di programmazione e sviluppo. Inoltre, gli LLM hanno molte applicazioni dirette nel settore finanziario. Ad esempio, basta chiedere a un modello linguistico generico un'idea di investimento per ottenere un portafoglio consigliato. Questa proposta può anche essere accompagnata da una tesi di investimento convincente.
L'intelligenza artificiale e il machine learning sono storicamente appannaggio dei gestori sistematici. Questi termini comprendono un'ampia varietà di tecniche e strumenti correlati, ciascuno adatto a diverse applicazioni. Ad esempio, il "reinforcement learning", un particolare metodo di apprendimento automatico focalizzato all'obiettivo, cerca di determinare un corso d'azione ottimale in cui il probabile payoff per ogni azione può essere sconosciuto fino al momento in cui l'azione viene testata. Ciò si rivela molto importante per il compito di scegliere una strategia ottimale per l'esecuzione di una serie di operazioni. Per altri problemi, come la previsione del rendimento di un asset per l'anno successivo, una sfida fondamentale è la mancanza di dati storici.
Modelli e gestori: più cose in comune di quanto si possa immaginare
È interessante confrontare i punti di forza e i limiti delle nuove tecniche basate sul linguaggio con i più tradizionali approcci basati sull'apprendimento automatico comunemente utilizzati dai gestori sistematici.
Forse sorprendentemente, alcune caratteristiche dei modelli basati sul linguaggio si rivelano più simili a quelle dei gestori discrezionali. Sebbene sia i gestori sistematici che quelli discrezionali cerchino di risolvere lo stesso problema d'investimento, gli approcci adottati variano spesso in modo considerevole, in funzione dei punti di forza e dei limiti di ciascuno stile. Ad esempio, tradizionalmente i dati più importanti per i portafogli sistematici sono stati quelli numerici, come i prezzi e i volumi di mercato. Recentemente si è riusciti a incorporare nei modelli sistematici una gamma più ampia di dati alternativi, come le trascrizioni degli utili. Tuttavia, ciò viene normalmente ottenuto pre-elaborando i dati per estrarre caratteristiche numeriche, come gli indicatori di sentiment. Questi possono poi essere inseriti direttamente nei modelli numerici sottostanti. I gestori discrezionali, invece, lavorano spesso direttamente con dati testuali, come le relazioni societarie o le previsioni economiche, aggregando una varietà di fonti per formare una visione coerente del mondo da cui derivare un'ipotesi di investimento. Un importante vantaggio dei modelli numerici è la possibilità di reagire in modo incrementale quando piccoli cambiamenti nelle condizioni di mercato influenzano il pay-off atteso di una determinata operazione.
Allo stesso modo, gli approcci basati su modelli probabilistici possono spesso esprimere un certo grado di fiducia nelle previsioni effettuate. Ciò può essere direttamente incorporato nella gestione del rischio del portafoglio. Sebbene gli LLM siano molto efficaci nell'integrare i dati testuali per formare una visione coerente del mondo, è emerso che, come gli esseri umani, per gli LLM può essere spesso difficile elaborare dati numerici ed eseguire calcoli matematici accurati. Ad esempio, è stato dimostrato che il modello GPT4 di OpenAI è in grado di effettuare di prestazioni d'esame a livello dell'uomo in un'ampia gamma di materie, tra cui la storia dell'arte e la degustazione di vini. Tuttavia, il modello è stato messo alla prova con l'AMC, un esame di matematica delle scuole superiori statunitensi, ed è risultato in grado di generare prestazioni pari alla fascia del 10% degli studenti peggiori. Una conseguenza del loro funzionamento è che gli LLM spesso faticano a cogliere alcuni dei vantaggi degli attuali approcci sistematici che si basano sul calcolo numerico, come la reazione incrementale alle nuove informazioni.
Bilanciare diversificazione e fattori di rischio
Un'altra caratteristica comune degli stili di investimento sistematici tende a essere quella di avere portafogli ampi che detengono posizioni diversificate su molti mercati. Ciò è dovuto al fatto che, una volta sviluppato un modello, è spesso relativamente semplice riapplicarlo ad altri asset per i quali sono disponibili dati simili. Ciò consente al gestore di beneficiare della diversificazione del portafoglio senza un aumento significativo del carico di lavoro. Al contrario, le decisioni di investimento discrezionali sono spesso prese sulla base di uno studio dettagliato di un singolo mercato, con il risultato che il processo può essere più difficile da trasferire ad altri titoli in un mercato diverso. Questo porta generalmente a *portafogli con un numero inferiore di posizioni complessive, ma con un grado di convinzione più elevato in ciascuna
di esse*. In questo caso, gli LLM operano spesso in modo più simile al gestore discrezionale, in quanto possono essere efficaci nel vagliare grandi quantità di informazioni correlate per suggerire un'ipotesi di trading altamente specifica per ogni mercato.
Sono stati compiuti notevoli sforzi di ricerca per migliorare l'interpretabilità degli LLM. Ad esempio, gli approcci "a catena di pensiero" incoraggiano il modello a fornire una scomposizione passo per passo delle sue risposte. È stato dimostrato che ciò migliora la qualità delle risposte e fornisce all'utente un meccanismo per comprendere il ragionamento del modello. Tuttavia, in molti casi non è chiaro se questa suddivisione corrisponda effettivamente al processo interno originariamente utilizzato per generare la risposta, fungendo invece da giustificazione retrospettiva. Anche la presenza di "allucinazioni" nelle risposte del modello - affermazioni apparentemente plausibili che in realtà sono del tutto errate - rimane un problema costante. Nonostante queste limitazioni, l'affermarsi di nuove tecniche basate sul linguaggio rappresenta una chiara opportunità per il gestore sistematico. Gli stili di investimento sistematici e discrezionali sono stati storicamente fortemente complementari, con l'approccio ampiamente diversificato e incrementale del gestore sistematico in contrasto con l'approccio più mirato e basato sulla convinzione dell'investitore discrezionale.
Allo stesso modo, è probabile che i modelli che hanno il potenziale per catturare alcuni dei vantaggi unici dell'approccio discrezionale si combinino più efficacemente con le attuali tecniche numeriche. In definitiva, ciò offre il potenziale di un approccio unificato che può incorporare i punti di forza di entrambi a vantaggio dei nostri clienti.
Chris Longworth, Head of GAM Systematic