AI може да избира акции по-добре от вас

Тази публикация е версия на място на нашия бюлетин Unhedged. Премиум клиентите могат да се записват тук, с цел да получават бюлетина всеки работен ден. Стандартните клиенти могат да надстроят до Premium тук или да прегледат всички бюлетини на FT

Добро утро. Френските пазари паднаха малко, откакто президентът Еманюел Макрон свика предварителни парламентарни избори, само че отговорът беше по-скоро покорно галско повдигане на плещи, в сравнение с каквато и да е суматоха. Още доказателства за мнението на Unhedged, че в кратковременен проект политиката няма огромно значение за пазарите (освен в рискови случаи). Изпратете ми имейл: [email protected]. 

Роботите са тук

Всеки, който работи в осведомителна промишленост — категория, която включва публицисти, програмисти на програмен продукт и борсови принадлежности — би трябвало мислят дали, или може би по кое време, компютърът ще поеме работата им. 

Един огромен езиков модел, подготвен върху писането за Financial Times, може да написа бюлетини, които звучат доста като мен. Може би писмата няма да са напълно безапелационни през днешния ден, само че евентуално няма да мине доста време, преди да станат. Може би хората не желаят да четат бюлетини, написани от LLMs, в който случай пътуването ми до двора на кнакера не е изцяло резервирано. Но опасността е ясна.

Необезпечените читатели може да се интересуват по-малко от бъдещето на публицистиката, в сравнение с това на анализаторите и портфолио мениджърите. Което ме води до скорошна публикация от трима учени от бизнес учебното заведение на Чикагския университет, Алекс Ким, Максимилиан Мун и Валери Николаев (ще ги назовавам KMN). Документът „ Анализ на финансови доклади с огромни езикови модели “ кара ChatGPT да работи върху финансови доклади. С някои относително леки подкани LLM трансформира тези изказвания в прогнози за облагите, които бяха по-точни от тези на анализаторите — и прогнозите образуваха основата за моделни портфейли, които при предходни проби генерираха голяма свръхвъзвръщаемост.

“ Предоставяме доказателства в сходство с огромни езикови модели, които имат качества, сходни на човешките, във финансовата област “, ​​заключават създателите. „ Нашите констатации демонстрират капацитета на LLMs да демократизират обработката на финансова информация. “

KMN зарежда ChatGPT с хиляди и хиляди салда и доклади за приходите, лишени от дати и имена на компании, от база данни, обхващаща от 1968 година 2021 година и обгръща повече от 15 000 компании. Всеки баланс и съпътстващият доклад за приходите съдържаха общоприетите две години данни, само че бяха самостоятелни входни данни; на модела не беше „ разказано ” за дълготрайната история на компанията. След това KMN подкани модела да извърши напълно общоприети финансови разбори („ Какво се е трансформирало в сметките от предходната година? “, „ Изчислете коефициента на ликвидност “, „ Какъв е брутният марж? “).

Следващ — и това се оказа решаващо — KMN подтикна модела да напише стопански разкази, които изясняват резултатите от финансовия разбор. И най-после, те помолиха модела да планува дали приходите на всяка компания през идната година ще бъдат нагоре или надолу; дали смяната ще бъде дребна, междинна или голяма; и какъв брой несъмнено беше в това предсказване.

Предвиждането на посоката на приходите, даже и по двоичен метод, се оказва, че не е изключително елементарно нито за човек, нито за машина. За доста опростяване: прогнозите на индивида (извлечени от същата историческа база данни) са били точни към 57 % от времето, когато са измерени по средата на миналата година. Това е по-добре от ChatGPT, преди да бъде подканен. След подканата обаче точността на модела се увеличи до 60 %. „ Това значи, че GPT удобно господства представянето на междинен финансов анализатор “, при прогнозиране на посоката на облагите, написа KMN.

Накрая, KMN построи дълги и къси моделни портфейли въз основа на фирмите, за които моделът планува обилни промени в приходите с най-голяма убеденост. При предишни проби тези портфейли се показаха по-добре от необятния фондов пазар с 37 базисни пункта на месец на база претеглена капитализация и 84 базисни пункта на месец на равнопретеглена база (което допуска, че моделът прибавя повече стойност с прогнозите си за облагите на дребните акции). Това е доста алфа.

Вчера приказвах с Алекс Ким и той побърза да подчертае предварителния темперамент на констатациите. Това е по-скоро доказателство за концепцията, в сравнение с доказателство, че KMN са изобретили по-добър капан за мишки. Ким също толкоз мощно акцентира констатацията на KMN, че настояването на модела да сформира роман, за ​​да изясни последствията от финансовите доклади, наподобява е ключът към отключването на по-голяма акуратност на прогнозата. Това е „ човешкият “ аспект.

Проучването повдига доста въпроси, изключително за човек като мен, който не е прекарал доста време в мислене за изкуствения разсъдък. Без съответен ред:

Резултатът от KMN като цяло не ми се коства неочакван. През годините имаше доста доказателства, че по-ранни компютърни модели или даже елементарни остарели линейни регресии могат да надминат средностатистическия анализатор. Най-очевидното пояснение за това е, че моделите или регресиите просто намират или следват правила. Следователно те не са жертва на пристрастия, които единствено се предизвикват или удостоверяват от по-богатата информация, до която хората имат достъп (корпоративни отчети, бръщолевене на изпълнителни шефове и т.н.).  

Това, което може би е малко по-изненадващо, е, че готовият LLM съумя да надмине хората много доста с много обикновени подкани (моделът също по този начин надмина главната статистическа регресия и се показа почти толкоз добре, профилирани стратегии за „ невронни мрежи “, подготвени особено за прогнозиране на печалби).

Всички нормални квалификации, които се ползват за всяко образование в обществените науки, явно се ползват тук. Правят се доста изследвания; малко са оповестени. Понякога резултатите не устоят.

Някои от най-хубавите търговци на акции категорично заобикалят манията на Уолстрийт за това какви облаги ще създадат в близко бъдеще. Вместо това те се концентрират върху структурните преимущества на бизнеса и върху методите, по които светът се трансформира, което ще даде преимущество на някои предприятия пред други. Може ли ChatGPT да прави „ огромни позвънявания “ като това толкоз дейно, колкото може да прави краткосрочни прогнози за облаги?

Каква е работата на финансовия анализатор? Ако LLM може да планува облагите по-добре от техните човешки съперници през множеството време, каква стойност дава анализаторът? Там ли е, с цел да изясни детайлностите за даден бизнес на портфолио мениджъра, който прави „ огромните позвънявания “? Дали тя е информативен проводник, свързващ компанията и пазара? Ще има ли тя към момента стойност, когато човешките позвънявания за покупка и продажба останат в предишното?

Може би способността на AI да надмине междинния анализатор или борсовия анализатор няма да промени нищо. Както Джошуа Ганс от университета в Торонто ми уточни, ниската стойност на медианния избор на акции беше демонстрирана преди години от технологията за изкуствен интелект, известна като индексния фонд Vanguard с ниски такси. Това, което има значение, ще бъде способността на LLM да се конкурират с или да поддържат най-умните хора на пазара, доста от които към този момент употребяват голямо количество компютърна мощ, с цел да правят работата си.

Имам огромно предпочитание да чуя мнението на читателите по тази тематика.   

Едно положително четиво

Повече за заплащането на Илон Мъск.

FT Unhedged подкаст

Не можете да се наситите на Unhedged? Слушайте нашия нов подкаст за 15-минутно гмуркане в най-новите пазарни новини и финансови заглавия, два пъти седмично. Вижте последните издания на бюлетина тук.

Препоръчани бюлетини за вас

Swamp Notes — Експерт просветление за пресечната точка на парите и властта в политиката на Съединени американски щати. Регистрирайте се тук

Крис Джайлс за централните банки — Важни вести и възгледи за това какво мислят централните банки, инфлацията, лихвените проценти и парите. Регистрирайте се тук