Les rêves de remplacer les humains dans la finance pourraient devenir réalité

ChatGPT est l'application qui connaît la croissance la plus rapide de tous les temps, gagnant plus de 100 millions d'utilisateurs deux mois seulement après son lancement en novembre. Il permet aux utilisateurs d'avoir des conversations de type humain qui incluent des réponses raisonnables et souvent correctes à toutes sortes de questions. Comme les humains, il peut demander plus d'informations et expliquer le raisonnement.

Nous assistons maintenant à la première recherche universitaire sur l'utilisation de ChatGPT dans la finance. Deux études récentes font du GPT une technologie prometteuse à la fois pour améliorer la prise de décision d'investissement et pour expliquer ses décisions. Peut-être que le rêve de longue date de remplacer les humains dans la finance se réalise.

En décembre, j'écrivais qu'"une machine infatigable capable de digérer toutes les informations et à l'abri des préjugés devrait être clairement supérieure aux humains lorsqu'il s'agit d'investir. Sauf que ce n'est pas le cas". La gestion financière a été l'un des premiers objectifs de la recherche sur l'intelligence artificielle, ou IA, car cela semblait être une tâche facile et très gratifiante. Mais jusqu'à présent, l'IA n'a réussi que dans des applications de niche en finance.

GPT signifie Generative Pre-trained Transformer, une idée vieille de cinq ans qui pourrait changer la donne dans les applications d'IA. De manière très générale, il existe trois approches pour extraire des informations utiles à partir de données. Avec des données structurées, comme des numéros comptables ou des historiques de prix, vous pouvez appliquer des statistiques et des modèles formels. Avec des données complètement non structurées - des séries de bits qui pourraient être des photographies ou des mesures physiques ou du texte ou toute autre chose - il existe des algorithmes qui peuvent extraire des modèles et prédire les entrées futures.

La langue est quelque part entre les deux. Il y a une structure, ce qui signifie que seules certaines combinaisons de lettres sont des mots intelligibles, et il existe des règles de grammaire pour enchaîner les mots. Mais il y a des exceptions aux règles et des nuances au-delà du texte littéral. Vous avez besoin de beaucoup de connaissances du domaine et du contexte pour comprendre le texte. Il y a une vieille histoire - elle remonte à 1956, époque à laquelle elle était déjà ancienne - à propos d'un travailleur de l'IA qui a construit un programme pour traduire entre l'anglais et le russe. Elle lui a donné la phrase "loin des yeux, loin du cœur" pour traduire en russe, puis a retraduit le russe en anglais et a obtenu "idiot invisible". Il n'y a pas de règles de langage qui nous disent que la phrase est un aphorisme sur l'oubli plutôt qu'une description d'un individu, mais aucun locuteur natif ne ferait l'erreur.

Les modèles GPT sont l'approche actuelle la plus en vogue pour travailler avec des données linguistiques, mais le commerce et l'investissement quantitatifs utilisent des modèles linguistiques plus rudimentaires depuis de nombreuses années. Un chercheur humain lit attentivement et lentement les informations pertinentes telles que les déclarations de l'entreprise, les reportages, les enquêtes et les rapports de recherche. Les ordinateurs peuvent lire de grandes quantités d'informations dans de nombreuses langues et tirer des conclusions instantanées. Ceci est essentiel pour le trading à haute fréquence lorsqu'être une milliseconde plus tôt pour déterminer si un titre d'actualité est une bonne ou une mauvaise nouvelle pour le cours d'une action est le nom du jeu.

La plupart des modèles de langage utilisés en finance quantitative la traitent aujourd'hui comme des données structurées. Les algorithmes recherchent certains mots ou mesurent simplement le nombre de mots dans un titre ou un communiqué de presse. Certains algorithmes recherchent certains modèles ou structures. Mais aucun des principaux n'essaie de comprendre le sens du texte, et aucun d'entre eux ne peut expliquer pourquoi ils parviennent à leurs conclusions ou tiennent une conversation plus approfondie sur le sujet.

Viennent maintenant deux articles intitulés "Can ChatGPT Decipher Fedspeak?" et "ChatGPT peut-il prévoir les mouvements des cours des actions ?" Nous ne parlons pas de SkyNet prenant le contrôle de Wall Street, mais de savoir si ChatGPT bat les anciens modèles - dont beaucoup traitent le langage comme structuré - en prenant des décisions rapides sur les textes courts.

Le premier article demandait à ChatGPT de déterminer si une phrase individuelle d'une déclaration de la Réserve fédérale était "dovish" (suggérant que la banque centrale était plus susceptible de réduire que d'augmenter les taux d'intérêt) ou "hawkish" (suggérant le contraire). Un algorithme de trading à haute fréquence pourrait évaluer chaque phrase du communiqué de la Fed et utiliser la sortie avec d'autres données pour négocier des contrats à terme sur fonds fédéraux ou d'autres instruments avant que les analystes humains aient fini de lire le premier mot du communiqué.

Dans cette étude, ChatGPT a clairement mieux réussi à faire correspondre les conclusions des analystes humains que les modèles basés sur un dictionnaire qui ne recherchaient que certains mots. Lorsque les chercheurs ont affiné ChatGPT en lui donnant une formation supplémentaire sur les déclarations de la Fed avec des commentaires sur la façon dont les humains ont évalué les déclarations, il était d'accord avec les chercheurs humains à peu près aussi souvent que deux chercheurs humains étaient d'accord l'un avec l'autre. Et ses explications pour ses décisions étaient plausibles.

Ce n'est pas immédiatement utile pour le trading. Le document n'a pas révélé à quelle vitesse le modèle fonctionnait, ni si les interprétations globales de l'ensemble des publications de la Fed concordaient bien avec les conclusions globales humaines (qu'elles soient d'accord avec la réalité n'est pas la question, puisque les traders à haute fréquence essaient de battre le marché au nouveau consensus, pas à l'endroit théoriquement correct). Mais cela suggère que les modèles GPT pourraient avoir franchi un cap dans la compréhension réelle du langage. Si c'est vrai - et une étude ne prouve rien - ils peuvent être déchaînés sur une gamme beaucoup plus large de textes pour générer des thèses, telles que l'inflation continuera probablement d'être un problème au cours des 12 prochains mois, plutôt que des signaux flash pour trading à haute fréquence. Et au lieu de signaux d'achat/vente binaires, ChatGPT peut tenir une conversation avec un analyste humain pour améliorer les décisions d'investissement. Enfin, si cela semble fonctionner, une future génération de modèles GPT pourra être entraînée sur l'ensemble de l'historique des textes et des mouvements de prix financiers.

Le deuxième article est plus directement pertinent pour le trading. Il a utilisé ChatGPT pour évaluer les gros titres comme bons ou mauvais pour les cours des actions. Il a testé la stratégie consistant à acheter une action avec de bonnes nouvelles à l'ouverture après la publication du titre et à la vendre à la clôture ; ou vendre à l'ouverture et racheter à la clôture si le titre était mauvais.

Les résultats ne sont pas concluants. Le signal ChatGPT avait une corrélation de 0,01 avec le rendement boursier brut du lendemain. Mais pour évaluer un signal, vous devez le comparer au rendement résiduel après ajustement pour le rendement du marché, et peut-être pour des facteurs connus. Une corrélation de 0,01 pourrait être utile en combinaison avec d'autres signaux, ou non. La stratégie testée a eu des rendements positifs d'octobre 2021 à décembre 2022 sans frais de transaction, mais les auteurs ne fournissent pas de données indiquant si elle a battu une stratégie de marché, ni si le rendement positif était statistiquement significatif. Un bénéfice brut déclaré de 0,13 % par transaction suggère qu'il pourrait ne pas surmonter les coûts de transaction.

Les auteurs rapportent également une régression qui inclut des informations futures, de sorte qu'elle ne peut pas être utilisée pour évaluer l'efficacité de la prise de décisions sur la base d'informations connues à l'époque. Le signal ChatGPT ne fournit aucune information supplémentaire aux trois décimales indiquées par les auteurs, bien qu'il semble avoir une petite valeur positive. Mais non concluant ne signifie pas échec. L'étude a suggéré que ChatGPT était meilleur que les modèles alternatifs populaires, et la recherche sur GPT et d'autres grands modèles de langage se poursuit.

GPT est un outil d'IA qui peut travailler avec les humains, apprendre d'eux et leur enseigner plutôt qu'une boîte noire incompréhensible. À tout le moins, il semble sur le point de remplacer les anciens algorithmes et d'accroître l'utilisation de l'IA dans les investissements quantitatifs et qualitatifs. Il est loin de prendre le contrôle de Wall Street, mais il n'y a aucune raison de penser qu'il ne le pourra pas.

Plus de Bloomberg Opinion:

• Même l'IA n'est pas capable de battre le marché de nos jours : Aaron Brown

• En mettant l'IA en pause, nous ne ferions que du mal à nous-mêmes : Tyler Cowen

• L'intelligence artificielle n'existe pas : Parmy Olson

Cette colonne ne reflète pas nécessairement l'opinion du comité de rédaction ou de Bloomberg LP et de ses propriétaires.

Aaron Brown est un ancien directeur général et responsable de la recherche sur les marchés financiers chez AQR Capital Management. Il est l'auteur de "The Poker Face of Wall Street". Il peut avoir un intérêt dans les domaines sur lesquels il écrit.

D'autres histoires comme celle-ci sont disponibles sur bloomberg.com/opinion

©2023 Bloomberg LP