La primera ola de investigación académica que aplica ChatGPT al mundo de las finanzas está llegando, y a juzgar por los primeros resultados, la exageración de los últimos meses está justificada.
Este mes se han publicado dos nuevos artículos que implementaron el chatbot de inteligencia artificial en tareas relevantes para el mercado: uno para descifrar si las declaraciones de la Reserva Federal (Fed) eran agresivas o moderadas, y otro para determinar si los titulares eran buenos o malos para una acción.
ChatGPT superó ambas pruebas, lo que sugiere un gran paso adelante en el uso de la tecnología para convertir resmas de texto de artículos de noticias a tweets y discursos en señales comerciales.
Ese proceso no es nada nuevo en Wall Street, por supuesto, donde los quants han utilizado durante mucho tiempo el tipo de modelos de lenguaje que sustentan el chatbot para informar muchas estrategias. Pero los hallazgos apuntan a que la tecnología desarrollada por OpenAI está alcanzando un nuevo nivel en términos de análisis de matices y contexto.
“Es uno de los raros casos en los que la exageración es real”, dijo Slavi Marinov, jefe de aprendizaje automático de Man AHL, que ha estado utilizando la tecnología conocida como procesamiento de lenguaje natural para leer textos como transcripciones de ganancias y publicaciones de Reddit durante años.
En el primer artículo, titulado Can ChatGPT Decipher Fedspeak?, dos investigadores de la propia Fed encontraron que ChatGPT se acercaba más a los humanos para averiguar si las declaraciones del banco central eran moderadas o agresivas. Anne Lundgaard Hansen y Sophia Kazinnik de la Fed de Richmond demostraron que superó a un modelo de uso común de Google llamado BERT y también a las clasificaciones basadas en diccionarios.
ChatGPT incluso pudo explicar sus clasificaciones de las declaraciones de política de la Fed de una manera que se asemejaba al propio analista del banco central, quien también interpretó el lenguaje para actuar como un punto de referencia humano para el estudio.
Tomemos esta frase de una declaración de mayo de 2013: “Las condiciones del mercado laboral han mostrado cierta mejora en los últimos meses, en general, pero la tasa de desempleo sigue siendo elevada”. El robot explicó que la línea es moderada porque sugiere que la economía aún no se ha recuperado por completo. Eso fue similar a la conclusión del analista: Bryson, descrito en el documento como “un hombre de 24 años, conocido por su inteligencia y curiosidad”.
En el segundo estudio, ¿Puede ChatGPT pronosticar los movimientos del precio de las acciones? Return Predictability and Large Language Models, Alejandro López-Lira y Yuehua Tang de la Universidad de Florida impulsaron a ChatGPT a fingir ser especialista financiero e interpretar los titulares de las noticias corporativas. Utilizaron noticias después de finales de 2021, un periodo que no estaba cubierto en los datos de entrenamiento del chatbot.
El estudio encontró que las respuestas dadas por ChatGPT mostraron un vínculo estadístico con los movimientos posteriores de la acción, una señal de que la tecnología pudo analizar correctamente las implicaciones de las noticias.
En un ejemplo sobre si el titular “Rimini Street multó por 630,000 dólares en caso contra Oracle” fue bueno o malo para Oracle, ChatGPT explicó que era positivo porque la multa “podría aumentar la confianza de los inversores en la capacidad de Oracle para proteger su propiedad intelectual y aumentar la demanda de sus productos y servicios”.
Para los quants más sofisticados, ahora es casi común usar NLP para medir qué tan popular es una acción de Twitter o para incorporar los últimos titulares sobre una empresa. Pero los avances demostrados por ChatGPT parecen estar listos para abrir mundos enteros de nueva información y hacer que la tecnología sea más accesible para una comunidad más amplia de profesionales de las finanzas.
Para Marinov, si bien no es sorprendente que las máquinas ahora puedan leer casi tan bien como las personas, ChatGPT puede acelerar todo el proceso.
Cuando Man AHL estaba construyendo los modelos por primera vez, el fondo de cobertura cuantitativo etiquetaba manualmente cada oración como positiva o negativa para un activo para dar a las máquinas un plan para interpretar el lenguaje. La firma con sede en Londres luego convirtió todo el proceso en un juego que clasificó a los participantes y calculó cuánto acordaban en cada oración, para que todos los empleados pudieran participar.
Los dos nuevos documentos sugieren que ChatGPT puede realizar tareas similares sin siquiera estar específicamente capacitado. La investigación de la Fed mostró que este llamado aprendizaje de tiro cero ya excede las tecnologías anteriores, pero ajustarlo en función de algunos ejemplos específicos lo hizo aún mejor.
“Anteriormente, tenías que etiquetar los datos tú mismo”, dijo Marinov, quien también cofundó una startup de PNL. “Ahora podría complementar eso con el diseño del mensaje correcto para ChatGPT”.
Bloomberg LP, la matriz de Bloomberg News, también lanzó un gran modelo de lenguaje para finanzas el mes pasado.