Bloomberg — Los primeros resultados de dos trabajos académicos que han aplicado ChatGPT al mundo de las finanzas sugieren que la expectativa que rodea a esta tecnología está justificada. Uno de ellos pretendía determinar si los titulares de prensa tendrían un impacto positivo o negativo en una acción concreta, mientras que el otro se centraba en descifrar si las declaraciones de funcionarios de la Reserva Federal eran hawkish o dovish. En ambas pruebas, ChatGPT obtuvo buenos resultados, lo que indica un avance potencialmente significativo en el uso de la tecnología para identificar señales de operaciones.
Aunque el uso de modelos lingüísticos para elaborar estrategias de negociación no es nuevo en Wall Street, los resultados sugieren que la tecnología desarrollada por OpenAI ha alcanzado un nuevo nivel en términos de análisis de contexto y matices.
lavi Marinov, responsable de aprendizaje automático de Man AHL y quien lleva años utilizando el procesamiento del lenguaje natural para leer textos como transcripciones de resultados y entradas de Reddit, afirmó que este es uno de los raros casos en los que el bombo publicitario que rodea a una tecnología es real.
En el primer artículo, titulado Can ChatGPT Decipher Fedspeak? (¿Puede ChatGPT descifrar el lenguaje de la Fed?), dos investigadores de la propia Fed descubrieron que ChatGPT se estaba acercando más a los humanos a la hora de descifrar si las declaraciones del banco central eran moderadas o agresivas. Anne Lundgaard Hansen y Sophia Kazinnik, de la Reserva Federal de Richmond, demostraron que superaba a un modelo muy utilizado de Google llamado BERT y también a clasificaciones basadas en diccionarios.
ChatGPT fue incluso capaz de explicar sus clasificaciones de las declaraciones políticas de la Fed de una manera que se parecía a la del propio analista del banco central, que también interpretó el lenguaje para actuar como 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 frase es pesimista porque sugiere que la economía aún no se ha recuperado del todo. Esa fue una conclusión similar a la del analista - Bryson, descrito en el periódico como “un varón de 24 años, conocido por su inteligencia y curiosidad.”
En el segundo estudio, Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models, (¿Puede ChatGPT predecir los movimientos del precio de las acciones? Predictibilidad de la rentabilidad y modelos de lenguaje amplio) Alejandro López-Lira y Yuehua Tang, de la Universidad de Florida, hicieron que ChatGPT fingiera ser un experto financiero e interpretara titulares de noticias corporativas. Utilizaron noticias posteriores a finales de 2021, un periodo que no estaba cubierto en los datos de entrenamiento del chatbot.
El estudio descubrió que las respuestas dadas por ChatGPT mostraban un vínculo estadístico con los movimientos posteriores de las acciones, señal de que la tecnología era capaz de analizar correctamente las implicaciones de las noticias.
En un ejemplo sobre si el titular “Multan a Rimini Street con US$630.000 en un caso contra Oracle” era bueno o malo para Oracle, ChatGPT explicó que era positivo porque la sanción “podría impulsar potencialmente 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 ya es casi normal utilizar la PNL para calibrar la popularidad de una acción en Twitter o incorporar los últimos titulares sobre una empresa. Pero los avances demostrados por ChatGPT están llamados a abrir mundos enteros de información nueva y hacer que la tecnología sea más accesible a una comunidad más amplia de profesionales de las finanzas.
Para Marinov, aunque no es de extrañar que las máquinas puedan leer ahora casi tan bien como las personas, ChatGPT puede acelerar potencialmente todo el proceso.
Cuando Man AHL empezó a crear los modelos, el fondo de cobertura cuantitativa etiquetaba manualmente cada frase como positiva o negativa para un activo con el fin de dar a las máquinas un modelo para interpretar el lenguaje. Después, la empresa londinense convirtió todo el proceso en un juego que clasificaba a los participantes y calculaba hasta qué punto estaban de acuerdo en cada frase, de modo que todos los empleados pudieran participar.
Los dos nuevos estudios sugieren que ChatGPT puede realizar tareas similares sin necesidad de una formación específica. La investigación de la Fed demostró que este aprendizaje, denominado “zero-shot learning”, ya superaba a las tecnologías anteriores, pero al afinarlo basándose en algunos ejemplos concretos mejoró aún más.
“Antes tenías que etiquetar tú mismo los datos”, explica Marinov, cofundador de una empresa de PNL. “Ahora puedes complementarlo con el diseño del mensaje adecuado para ChatGPT”.
Bloomberg LP, matriz de Bloomberg News, también lanzó el mes pasado un gran modelo lingüístico para finanzas.
Lea más en Bloomberg.com
