Bloomberg Opinión — ChatGPT es la aplicación de más rápido crecimiento de todos los tiempos, con más de 100 millones de usuarios sólo dos meses después de su lanzamiento en noviembre. Permite a los usuarios mantener conversaciones similares a las humanas, con respuestas razonables y a menudo correctas a todo tipo de preguntas. Como los humanos, puede pedir más información y explicar razonamientos.
Ahora vemos las primeras investigaciones académicas sobre el uso de ChatGPT en finanzas. Dos estudios recientes hacen que la GPT parezca una tecnología prometedora tanto para mejorar la toma de decisiones de inversión como para explicar sus decisiones. Tal vez se esté haciendo realidad el sueño largamente acariciado de sustituir a los humanos en las finanzas.
En diciembre escribí que “una máquina incansable capaz de digerir toda la información e inmune a los sesgos debería ser claramente superior a los humanos a la hora de invertir. Excepto que no lo es”. La gestión financiera fue uno de los primeros objetivos de la investigación en inteligencia artificial, o IA, porque parecía una tarea fácil y muy gratificante. Pero hasta ahora, la IA sólo ha tenido éxito en aplicaciones nicho en finanzas.
GPT son las siglas de Generative Pre-trained Transformer, una idea de hace cinco años que puede cambiar las reglas del juego en las aplicaciones de IA. A grandes rasgos, existen tres enfoques para extraer información útil de los datos. Con datos estructurados, como cifras contables o historiales de precios, se pueden aplicar estadísticas y modelos formales. Con datos completamente desestructurados -series de bits que pueden ser fotografías o medidas físicas o texto o cualquier otra cosa- hay algoritmos que pueden extraer patrones y predecir entradas futuras.
El lenguaje se encuentra en un punto intermedio. Hay una estructura, es decir, sólo ciertas combinaciones de letras son palabras inteligibles, y hay reglas gramaticales para encadenar palabras. Pero hay excepciones a las reglas y matices que van más allá del texto literal. Para entender un texto se necesitan muchos conocimientos y contexto. Hay una vieja historia -se ha rastreado hasta 1956, cuando ya era antigua- sobre una trabajadora de la IA que construyó un programa para traducir entre inglés y ruso. Le dio la frase “ojos que no ven, corazón que no siente” para que la tradujera al ruso, y luego volvió a traducir el ruso al inglés y obtuvo “idiota invisible”. No hay ninguna regla del lenguaje que nos diga que la frase es un aforismo sobre el olvido y no la descripción de un individuo, pero ningún hablante nativo cometería el error.
Los modelos GPT son el enfoque actual más novedoso para trabajar con datos lingüísticos, pero el comercio y la inversión cuantitativos llevan muchos años utilizando modelos lingüísticos más rudimentarios. Un investigador humano lee detenida y lentamente información relevante, como declaraciones de empresas, noticias, encuestas e informes de investigación. Los ordenadores pueden leer cantidades ingentes de información en muchos idiomas y sacar conclusiones al instante. Esto es esencial para la negociación de alta frecuencia, cuando se trata de determinar con un milisegundo de antelación si un titular es bueno o malo para la cotización de una acción.
La mayoría de los modelos lingüísticos utilizados hoy en día en finanzas cuantitativas lo tratan como datos estructurados. Los algoritmos buscan determinadas palabras, o simplemente miden el número de palabras de un titular o un comunicado de prensa. Algunos algoritmos buscan determinados patrones o estructuras. Pero ninguno de los principales trata de entender el significado del texto, y ninguno de ellos puede explicar por qué llegan a sus conclusiones ni mantener una conversación posterior sobre el tema.
Ahora llegan dos artículos titulados “¿Puede ChatGPT descifrar el lenguaje de la Fed?” y “¿Puede ChatGPT predecir los movimientos del precio de las acciones?”. No estamos hablando de que SkyNet se haga con el control de Wall Street, sino de si ChatGPT supera a los modelos más antiguos -muchos de los cuales tratan el lenguaje como estructurado- a la hora de tomar decisiones rápidas sobre textos breves.
El primer artículo pedía a ChatGPT que determinara si una frase concreta de una declaración de la Reserva Federal era “dovish” (lo que sugería que era más probable que el banco central recortara las tasas de interés a que los subiera) o “hawkish” (lo contrario). Un algoritmo de negociación de alta frecuencia podría valorar cada frase del comunicado de la Reserva Federal y utilizar el resultado junto con otros datos para negociar futuros de fondos federales u otros instrumentos antes de que los analistas humanos hubieran terminado de leer la primera palabra del comunicado.
En este estudio, ChatGPT se ajustó mejor a las conclusiones de los analistas humanos que los modelos basados en diccionarios que sólo buscaban determinadas palabras. Cuando los investigadores perfeccionaron ChatGPT dándole un entrenamiento adicional sobre afirmaciones de la Fed con información sobre cómo los humanos calificaban las afirmaciones, coincidió con los investigadores humanos casi tan a menudo como dos investigadores humanos coincidían entre sí. Y las explicaciones de sus decisiones eran plausibles.
Esto no tiene una utilidad inmediata para las operaciones. El artículo no revela la velocidad a la que funciona el modelo, ni si las interpretaciones generales de los comunicados de la Reserva Federal coinciden con las conclusiones generales de los humanos (que coincidan con la realidad no es lo importante, ya que los operadores de alta frecuencia intentan ganar al mercado antes del nuevo consenso, no en el lugar teóricamente correcto). Pero sugiere que los modelos GPT podrían haber dado un giro hacia la comprensión real del lenguaje. Si eso es cierto -y un estudio no prueba nada-, podrán utilizarse en una gama mucho más amplia de textos para generar tesis, como que la inflación seguirá siendo un problema en los próximos 12 meses, en lugar de señales instantáneas para la negociación de alta frecuencia. Y en lugar de señales binarias de compra/venta, ChatGPT puede mantener una conversación con un analista humano para mejorar las decisiones de inversión. Por último, si parece que esto funciona, una futura generación de modelos GPT puede entrenarse con todo el historial de textos y movimientos de precios financieros.
El segundo artículo está más directamente relacionado con el comercio. Utilizaba ChatGPT para calificar los titulares de las noticias como buenos o malos para los precios de las acciones. Probó la estrategia de comprar una acción con buenas noticias en la apertura después de que se publicara el titular y vender al cierre; o vender en la apertura y volver a comprar al cierre si el titular era malo.
Los resultados no son concluyentes. La señal ChatGPT tenía una correlación del 0,01 con la rentabilidad bruta de las acciones del día siguiente. Pero para evaluar una señal hay que compararla con la rentabilidad residual después de ajustar por la rentabilidad del mercado, y quizás por factores conocidos. Una correlación del 0,01 podría ser valiosa en combinación con otras señales, o podría no serlo. La estrategia probada sí tuvo rendimientos positivos de octubre de 2021 a diciembre de 2022 sin costes de transacción, pero los autores no proporcionan datos sobre si batió a una estrategia de mercado, ni si el rendimiento positivo fue significativo estadísticamente. Un 0,13% de beneficio bruto por operación sugiere que podría no superar los costes de transacción.
Los autores también presentan una regresión que incluye información futura, por lo que no puede utilizarse para evaluar la eficacia a la hora de tomar decisiones basadas en información conocida en ese momento. La señal ChatGPT no aporta información adicional a los tres decimales que muestran los autores, aunque parece tener algún pequeño valor positivo. Pero no concluyente no significa fracaso. El estudio sí sugería que ChatGPT era mejor que otros modelos alternativos populares, y la investigación sobre GPT y otros grandes modelos lingüísticos continúa.
GPT es una herramienta de IA que puede trabajar con humanos, aprender de ellos y enseñarles, y no una incomprensible caja negra. Como mínimo, parece preparada para sustituir a algoritmos más antiguos y aumentar el uso de la IA en la inversión cuantitativa y cualitativa. Aún queda mucho para que se apodere de Wall Street, pero no hay motivos para pensar que no pueda hacerlo.
Esta nota no refleja necesariamente la opinión del consejo editorial o de Bloomberg lp y sus propietarios.
