Ứng dụng công nghệ LLM trong thị trường tài chính

• Mối quan tâm về việc liệu các mô hình ngôn ngữ lớn (LLM), vốn đã đạt những bước tiến vượt bậc gần đây trong lĩnh vực xử lý ngôn ngữ tự nhiên, có thể được ứng dụng trong thị trường tài chính hay không đang gia tăng
• LLM cho thấy hiệu năng xuất sắc trong việc mô hình hóa chuỗi token đại diện cho từ hoặc một phần của từ, qua đó có thể thực hiện các tác vụ như dịch thuật, hỏi đáp và tạo câu giống con người

Khả năng ứng dụng LLM trong thị trường tài chính

• Các nhà giao dịch định lượng quan tâm đến việc liệu có thể dùng LLM để dự đoán giá hoặc giao dịch hay không
• Điều này có nghĩa là mô hình hóa chuỗi giá hoặc chuỗi giao dịch thay vì chuỗi từ
• Cách tiếp cận này có thể cho chúng ta biết nhiều điều về AI tạo sinh và mô hình hóa chuỗi thời gian tài chính

Sự khác biệt giữa LLM và dữ liệu thị trường tài chính

• LLM là mô hình học tự hồi quy, sử dụng các token hoặc phần tử trước đó trong chuỗi để dự đoán phần tử hoặc token tiếp theo
• Tuy nhiên, trong dữ liệu thị trường tài chính, lượng dữ liệu và hàm lượng thông tin có thể dùng để huấn luyện đều bị giới hạn
• Ví dụ, GPT-3 được huấn luyện với 500 tỷ token, trong khi trên thị trường chứng khoán chỉ có khoảng 177 tỷ token mỗi năm
• Ngoài ra, token trong thị trường tài chính như giá, lợi suất hay khối lượng giao dịch khó dự đoán hơn rất nhiều so với âm tiết hoặc từ trong mô hình ngôn ngữ
• Thị trường tài chính có lượng nhiễu lớn hơn rất nhiều so với tín hiệu, và các thành viên thị trường có thể thực hiện các giao dịch phi lý tính hoặc giao dịch vì những lý do không liên quan đến thay đổi cơ bản

Khả năng áp dụng công nghệ AI vào thị trường tài chính

• Học đa phương thức hướng tới việc xây dựng mô hình hợp nhất bằng cách sử dụng dữ liệu từ nhiều modality khác nhau như đầu vào hình ảnh và văn bản
• Trong tài chính, điều này có thể được dùng để tích hợp và dự đoán từ nhiều loại thông tin phi giá khác nhau như dữ liệu chuỗi thời gian kỹ thuật, cảm xúc trên Twitter, tương tác đồ họa, bài báo tin tức ngôn ngữ tự nhiên và ảnh vệ tinh
• Residualization đóng vai trò quan trọng trong cả tài chính lẫn AI, nhưng đảm nhận những vai trò khác nhau ở hai lĩnh vực
• Một trong những yếu tố thành công chính của LLM là khả năng nhận diện mức độ tương đồng hoặc cường độ giữa các token trên tầm nhìn dài hạn
• Trong thị trường tài chính, điều này có thể giúp phân tích các hiện tượng đa thang đo có khả năng giải thích một số khía cạnh của biến động thị trường trên nhiều khung thời gian

Cách sử dụng LLM trong thị trường tài chính

• Có thể dùng LLM để tạo ra các quỹ đạo giá cổ phiếu mô phỏng, bắt chước những đặc tính quan sát được trên thị trường
• Điều này có thể rất hữu ích khi xét đến việc dữ liệu thị trường tài chính khan hiếm hơn so với dữ liệu từ các nguồn khác
• Dữ liệu nhân tạo có thể mở ra cánh cửa cho các kỹ thuật meta-learning đã được áp dụng thành công trong những lĩnh vực như robot học
• Những người làm thực tế trong thị trường tài chính thường quan tâm đến các sự kiện cực đoan, nơi chiến lược giao dịch có khả năng cao hơn sẽ trải qua lợi nhuận hoặc thua lỗ đáng kể
• Các mô hình sinh có thể lấy mẫu trong những kịch bản cực đoan có thể hữu ích, nhưng vì các sự kiện cực đoan theo định nghĩa là hiếm gặp nên việc xác định tham số phù hợp và lấy mẫu dữ liệu từ phân phối đó là điều khó khăn

Khả năng ứng dụng LLM trong phân tích đầu tư

• Hiện tại, khả năng LLM thay thế giao dịch định lượng có vẻ thấp, nhưng chúng có thể hữu ích cho phân tích cơ bản
• Khi các mô hình AI phát triển hơn, chúng có thể giúp tinh chỉnh luận điểm đầu tư, phát hiện sự không nhất quán trong bình luận của ban lãnh đạo, hoặc tìm ra những mối quan hệ tiềm ẩn giữa các ngành và doanh nghiệp liên quan
• Các mô hình này có thể mang đến cho mọi nhà đầu tư một vai trò tương tự Charlie Munger

Ý kiến của GN⁺

• Khả năng LLM được ứng dụng trong thị trường tài chính rõ ràng là có, nhưng ở thời điểm hiện tại có vẻ vẫn khó để thay thế giao dịch định lượng
  • Do tính khan hiếm của dữ liệu thị trường tài chính và đặc tính nhiều nhiễu, việc trực tiếp ứng dụng LLM còn có những giới hạn
  • Tuy vậy, chúng có thể hữu ích trong việc tích hợp thông tin phi giá hoặc thực hiện phân tích trên tầm nhìn dài hạn bằng các kỹ thuật như học đa phương thức hay residualization
• Việc tạo dữ liệu mô phỏng hoặc lấy mẫu các kịch bản cực đoan bằng LLM có thể là những hướng ứng dụng thú vị
  • Tuy nhiên, do sự hiếm gặp của các sự kiện cực đoan, việc thiết lập tham số phù hợp và lấy mẫu là không dễ
• Dù LLM khó có thể thay thế bản thân giao dịch định lượng, chúng được kỳ vọng sẽ hữu ích trong quá trình phân tích đầu tư
  • Trong quá trình tổng hợp và phân tích khối lượng thông tin khổng lồ, LLM có thể đóng vai trò hỗ trợ các nhà phân tích con người
• Vì thị trường tài chính về bản chất là lĩnh vực khó dự đoán, cần có thái độ thận trọng đối với các cách tiếp cận sử dụng LLM
  • Tuy nhiên, xét đến tốc độ phát triển của LLM, cũng khó có thể hoàn toàn loại trừ khả năng ứng dụng của chúng trong thị trường tài chính trong tương lai
• Một công nghệ liên quan là nền tảng phát triển mô hình tài chính dựa trên crowdsourcing với phần thưởng tiền mã hóa như Erasure của Numerai
• Nhìn chung, việc áp dụng LLM vào thị trường tài chính vẫn đang ở giai đoạn đầu và sẽ cần nhiều nghiên cứu cũng như thử nghiệm hơn. Tuy nhiên, về dài hạn, AI được kỳ vọng sẽ có tác động lớn đến thị trường tài chính