Pemanfaatan teknologi LLM di pasar keuangan

• Minat terhadap apakah large language model (LLM), yang baru-baru ini mencapai kemajuan luar biasa di bidang pemrosesan bahasa alami, juga bisa dimanfaatkan di pasar keuangan, semakin meningkat
• LLM menunjukkan kinerja yang sangat baik dalam memodelkan urutan token yang merepresentasikan kata atau bagian dari kata, dan melalui hal ini dapat menjalankan tugas seperti penerjemahan, tanya jawab, serta pembuatan kalimat yang mirip dengan manusia

Kemungkinan pemanfaatan LLM di pasar keuangan

• Para quant trader tertarik pada apakah LLM dapat digunakan untuk memprediksi harga atau transaksi
• Ini berarti memodelkan urutan harga atau transaksi alih-alih urutan kata
• Pendekatan ini dapat memberi tahu kita banyak hal tentang generative AI dan pemodelan deret waktu keuangan

Perbedaan antara LLM dan data pasar keuangan

• LLM adalah pembelajar autoregresif yang memprediksi elemen atau token berikutnya dengan menggunakan token sebelumnya atau elemen dalam urutan
• Namun, dalam data pasar keuangan, jumlah data dan kandungan informasi yang dapat digunakan untuk pelatihan terbatas
• Sebagai contoh, GPT-3 dilatih dengan 500 miliar token, tetapi di pasar saham hanya tersedia 177 miliar token per tahun
• Selain itu, token di pasar keuangan berupa harga, imbal hasil, atau volume transaksi, dan jauh lebih sulit diprediksi dibandingkan suku kata atau kata dalam model bahasa
• Di pasar keuangan, noise jauh lebih banyak daripada sinyal, dan pelaku pasar dapat melakukan transaksi yang tidak rasional atau bertransaksi karena alasan yang tidak terkait dengan perubahan fundamental

Kemungkinan penerapan teknologi AI di pasar keuangan

• Pembelajaran multimodal bertujuan membangun model terpadu menggunakan data dari berbagai modalitas seperti input gambar dan teks
• Di bidang keuangan, ini dapat dimanfaatkan untuk memprediksi dengan menggabungkan data deret waktu teknikal dan berbagai jenis informasi nonharga seperti sentimen di Twitter, interaksi grafis, artikel berita berbahasa alami, dan citra satelit
• Residualization memainkan peran penting baik di keuangan maupun AI, tetapi menjalankan fungsi yang berbeda di kedua bidang tersebut
• Salah satu faktor utama keberhasilan LLM adalah kemampuannya mengidentifikasi kemiripan atau kekuatan antar token dalam cakrawala jangka panjang
• Di pasar keuangan, hal ini dapat membantu menganalisis fenomena multiskala yang dapat menjelaskan sebagian aspek perubahan pasar di berbagai rentang waktu

Cara memanfaatkan LLM di pasar keuangan

• LLM dapat digunakan untuk menghasilkan lintasan harga saham simulasi yang meniru karakteristik yang diamati di pasar
• Ini bisa sangat berguna mengingat data pasar keuangan lebih langka dibandingkan sumber lain
• Data sintetis dapat membuka jalan bagi teknik meta-learning yang telah berhasil diterapkan di bidang seperti robotika
• Praktisi pasar keuangan sering kali tertarik pada peristiwa ekstrem, ketika strategi perdagangan lebih mungkin mengalami keuntungan atau kerugian yang signifikan
• Model generatif yang dapat melakukan sampling dari skenario ekstrem bisa berguna, tetapi karena peristiwa ekstrem menurut definisi jarang terjadi, menentukan parameter yang tepat dan melakukan sampling data dari distribusi tersebut merupakan hal yang sulit

Kemungkinan pemanfaatan LLM untuk analisis investasi

• Untuk saat ini, kecil kemungkinan LLM akan menggantikan quantitative trading, tetapi LLM dapat membantu analisis fundamental
• Seiring perkembangan model AI, model ini dapat membantu memperhalus tesis investasi, menemukan ketidakkonsistenan dalam komentar manajemen, atau menemukan hubungan potensial antara industri dan perusahaan yang relevan
• Model seperti ini dapat memberi setiap investor peran seperti Charlie Munger

Pendapat GN⁺

• Jelas ada kemungkinan LLM dapat dimanfaatkan di pasar keuangan, tetapi untuk saat ini tampaknya sulit bagi LLM untuk menggantikan quantitative trading
  • Kelangkaan data pasar keuangan dan karakteristiknya yang penuh noise membuat pemanfaatan langsung LLM memiliki keterbatasan
  • Meski demikian, teknik seperti pembelajaran multimodal atau residualization dapat membantu untuk mengintegrasikan informasi nonharga atau melakukan analisis dalam cakrawala jangka panjang
• Pembuatan data simulasi dengan LLM atau sampling skenario ekstrem dapat menjadi cara pemanfaatan yang menarik
  • Namun, karena peristiwa ekstrem bersifat langka, penetapan parameter yang tepat dan sampling dapat menjadi sulit
• LLM tampaknya akan sulit menggantikan quantitative trading itu sendiri, tetapi diharapkan dapat dimanfaatkan secara berguna dalam proses analisis investasi
  • Dalam proses menghimpun dan menganalisis informasi dalam jumlah besar, LLM dapat berperan membantu analis manusia
• Karena pasar keuangan pada dasarnya adalah bidang yang sulit diprediksi, diperlukan sikap hati-hati terhadap pendekatan yang memanfaatkan LLM
  • Namun, mengingat laju perkembangan LLM, tampaknya belum tepat untuk sepenuhnya menutup kemungkinan pemanfaatannya di pasar keuangan di masa depan
• Teknologi terkait mencakup platform pengembangan model keuangan berbasis crowdsourcing yang memanfaatkan imbalan kripto, seperti Erasure dari Numerai
• Secara keseluruhan, penerapan LLM di pasar keuangan masih berada pada tahap awal dan kemungkinan memerlukan banyak penelitian serta eksperimen. Namun, dalam jangka panjang AI diperkirakan akan memberikan dampak besar pada pasar keuangan