Einsatzmöglichkeiten von LLM-Technologie auf den Finanzmärkten

• Das Interesse daran, ob große Sprachmodelle (LLMs), die in der Verarbeitung natürlicher Sprache zuletzt beeindruckende Fortschritte erzielt haben, auch auf den Finanzmärkten eingesetzt werden können, nimmt zu
• LLMs zeigen eine starke Leistung beim Modellieren von Sequenzen aus Tokens, die Wörter oder Wortteile repräsentieren, und können dadurch Aufgaben wie Übersetzung, Frage-Antwort-Systeme oder die Erzeugung menschenähnlicher Sätze ausführen

Einsatzpotenzial von LLMs auf den Finanzmärkten

• Quant-Trader interessieren sich dafür, ob sich mit LLMs Preise oder Transaktionen vorhersagen lassen
• Das bedeutet, statt Wortsequenzen Preis- oder Transaktionssequenzen zu modellieren
• Ein solcher Ansatz kann viel über Generative AI und die Modellierung finanzieller Zeitreihen verraten

Unterschiede zwischen LLMs und Finanzmarktdaten

• LLMs sind autoregressive Lerner, die anhand vorheriger Tokens oder Sequenzelemente das nächste Element oder Token vorhersagen
• Bei Finanzmarktdaten sind jedoch sowohl die verfügbare Datenmenge als auch der Informationsgehalt für das Training begrenzt
• So wurde GPT-3 mit 500 Milliarden Tokens trainiert, während am Aktienmarkt pro Jahr nur 177 Milliarden Tokens verfügbar sind
• Zudem bestehen Tokens im Finanzmarkt aus Preisen, Renditen oder Handelsvolumen und sind deutlich schwerer vorherzusagen als Silben oder Wörter in Sprachmodellen
• Auf den Finanzmärkten gibt es sehr viel mehr Rauschen als Signal, und Marktteilnehmer können irrational handeln oder aus Gründen traden, die nichts mit fundamentalen Veränderungen zu tun haben

Anwendungspotenzial von AI-Technologien auf den Finanzmärkten

• Multimodales Lernen zielt darauf ab, integrierte Modelle mit Daten aus verschiedenen Modalitäten wie Bild- und Texteingaben aufzubauen
• Im Finanzbereich kann es genutzt werden, um neben technischen Zeitreihendaten auch verschiedene Arten nicht preisbezogener Informationen wie Twitter-Stimmung, grafische Interaktionen, Nachrichtenartikel in natürlicher Sprache oder Satellitenbilder in Vorhersagen einzubeziehen
• Residualisierung (residualization) spielt sowohl im Finanzwesen als auch in der AI eine wichtige Rolle, erfüllt in beiden Bereichen jedoch unterschiedliche Funktionen
• Einer der wichtigsten Erfolgsfaktoren von LLMs ist ihre Fähigkeit, Ähnlichkeiten oder Stärke zwischen Tokens über lange Betrachtungszeiträume hinweg zu erkennen
• Auf den Finanzmärkten könnte dies helfen, Multiskalenphänomene zu analysieren, die bestimmte Aspekte von Marktveränderungen über verschiedene Zeithorizonte hinweg erklären

Möglichkeiten für den Einsatz von LLMs auf den Finanzmärkten

• Mit LLMs lassen sich simulierte Aktienkursverläufe erzeugen, die auf dem Markt beobachtete Merkmale nachahmen
• Das kann sehr nützlich sein, wenn man berücksichtigt, dass Finanzmarktdaten im Vergleich zu anderen Quellen knapp sind
• Künstliche Daten könnten den Weg für Meta-Learning-Verfahren öffnen, die etwa in der Robotik bereits erfolgreich eingesetzt wurden
• Praktiker auf den Finanzmärkten interessieren sich oft für Extremereignisse, bei denen Handelsstrategien mit höherer Wahrscheinlichkeit erhebliche Gewinne oder Verluste erfahren
• Generative Modelle, die aus extremen Szenarien sampeln können, könnten nützlich sein. Da Extremereignisse per Definition jedoch selten sind, ist es schwierig, geeignete Parameter zu bestimmen und Daten aus dieser Verteilung zu sampeln

Potenzial von LLMs für die Investmentanalyse

• Dass LLMs den Quant-Handel ersetzen, erscheint derzeit eher unwahrscheinlich, bei der Fundamentalanalyse könnten sie jedoch hilfreich sein
• Mit der Weiterentwicklung von AI-Modellen könnten sie helfen, Investmentthesen zu verfeinern, Widersprüche in Managementkommentaren zu entdecken oder potenzielle Zusammenhänge zwischen relevanten Branchen und Unternehmen aufzuspüren
• Solche Modelle könnten für alle Investoren eine Rolle ähnlich der von Charlie Munger übernehmen

Meinung von GN⁺

• Es gibt klar Potenzial für den Einsatz von LLMs auf den Finanzmärkten, doch derzeit scheinen sie Quant-Handel kaum ersetzen zu können
  • Aufgrund der Knappheit und des hohen Rauschanteils von Finanzmarktdaten gibt es Grenzen für einen direkten Einsatz von LLMs
  • Dennoch könnten Verfahren wie multimodales Lernen oder Residualisierung hilfreich sein, um nicht preisbezogene Informationen zu integrieren oder Analysen über lange Zeithorizonte hinweg durchzuführen
• Die Erzeugung simulierter Daten mit LLMs oder das Sampling extremer Szenarien könnten interessante Anwendungsfälle sein
  • Allerdings könnte die Seltenheit extremer Ereignisse die Wahl geeigneter Parameter und das Sampling erschweren
• Auch wenn LLMs den Quant-Handel selbst wohl kaum ersetzen werden, dürften sie im Investmentanalyseprozess nützlich einsetzbar sein
  • Beim Sammeln und Analysieren großer Informationsmengen könnten LLMs menschliche Analysten unterstützen
• Finanzmärkte sind ihrem Wesen nach schwer vorherzusagen, daher ist bei auf LLMs basierenden Ansätzen Vorsicht geboten
  • Angesichts der raschen Entwicklung von LLMs lässt sich ihr künftiges Einsatzpotenzial auf den Finanzmärkten jedoch nicht vollständig ausschließen
• Zu den verwandten Technologien gehört etwa Numerais Erasure, eine crowdsourcingbasierte Plattform zur Entwicklung von Finanzmodellen mit Krypto-Belohnungen
• Insgesamt steht die Anwendung von LLMs auf Finanzmärkte noch ganz am Anfang und wird noch viel Forschung und Experimentieren erfordern. Langfristig dürfte AI die Finanzmärkte jedoch stark beeinflussen