LLM teknolojisinin finans piyasalarında kullanımı

• Doğal dil işleme alanında son dönemde dikkat çekici ilerleme kaydeden büyük dil modellerinin (LLM), finans piyasalarında da kullanılıp kullanılamayacağına yönelik ilgi artıyor.
• LLM’ler, kelimeleri veya kelime parçalarını temsil eden token dizilerini modellemede üstün performans gösterir; bu sayede çeviri, soru-cevap ve insana benzer cümle üretimi gibi görevleri yerine getirebilir.

Finans piyasalarında LLM kullanım potansiyeli

• Quant trader’lar, LLM’lerin fiyatları veya işlemleri tahmin etmek için kullanılıp kullanılamayacağıyla ilgileniyor.
• Bu, kelime dizileri yerine fiyat veya işlem dizilerini modellemek anlamına gelir.
• Bu yaklaşım, üretken yapay zeka ve finansal zaman serisi modelleme hakkında çok şey öğretebilir.

LLM ile finansal piyasa verileri arasındaki farklar

• LLM’ler otoregresif öğrenicilerdir; önceki token’ları veya dizinin öğelerini kullanarak bir sonraki öğeyi ya da token’ı tahmin ederler.
• Ancak finansal piyasa verilerinde, eğitim için kullanılabilecek veri miktarı ve bilgi içeriği sınırlıdır.
• Örneğin GPT-3, 500 milyar token ile eğitildi; buna karşılık hisse senedi piyasasında yılda yalnızca 177 milyar token kullanılabilir.
• Ayrıca finans piyasasındaki token’lar fiyat, getiri veya işlem hacmi gibi değerlerdir ve bunları tahmin etmek, dil modellerindeki hece ya da kelimeleri tahmin etmekten çok daha zordur.
• Finans piyasalarında sinyale kıyasla çok daha fazla gürültü vardır; piyasa katılımcıları irrasyonel işlemler yapabilir veya temel değişimlerle ilgisiz nedenlerle işlem gerçekleştirebilir.

Yapay zeka teknolojilerinin finans piyasalarına uygulanabilirliği

• Çok modlu öğrenme, görüntü ve metin girdileri gibi farklı modalitelerden verileri kullanarak birleşik modeller kurmayı hedefler.
• Finansta bu yaklaşım, teknik zaman serisi verilerini Twitter’daki duyarlılık, grafik etkileşimleri, doğal dilde haber yazıları ve uydu görüntüleri gibi çeşitli fiyat dışı bilgi türleriyle birleştirerek tahmin üretmekte kullanılabilir.
• Rezidualizasyon (residualization), hem finansta hem de yapay zekada önemli bir rol oynar; ancak iki alanda farklı işlevler üstlenir.
• LLM’lerin temel başarı unsurlarından biri, uzun ufuklar boyunca token’lar arasındaki benzerliği veya ilişkinin gücünü tespit edebilme yeteneğidir.
• Bu yetenek, finans piyasalarında farklı zaman ölçeklerine yayılan ve piyasa değişimlerinin bazı yönlerini açıklayabilen çok ölçekli olguların analizine yardımcı olabilir.

LLM’lerin finans piyasalarında kullanım yolları

• LLM’ler kullanılarak, piyasada gözlenen özellikleri taklit eden simüle hisse fiyatı yörüngeleri üretilebilir.
• Bu, finansal piyasa verilerinin diğer kaynaklara kıyasla seyrek olduğu düşünüldüğünde oldukça yararlı olabilir.
• Yapay veriler, robotik gibi alanlarda başarıyla uygulanan meta öğrenme tekniklerinin önünü açabilir.
• Finans piyasası profesyonelleri çoğu zaman, işlem stratejilerinin ciddi kâr ya da zarar yaşama olasılığının daha yüksek olduğu uç olaylarla ilgilenir.
• Uç senaryolardan örnekleme yapabilen üretken modeller faydalı olabilir; ancak uç olaylar tanım gereği nadir görüldüğünden uygun parametreleri belirlemek ve bu dağılımdan veri örneklemek zordur.

LLM’lerin yatırım analizinde kullanım potansiyeli

• LLM’lerin nicel işlemlerin yerini alma ihtimali şu an için düşük görünse de, temel analizde faydalı olabilirler.
• Yapay zeka modelleri geliştikçe, yatırım tezini rafine etmeye, yönetim yorumlarındaki tutarsızlıkları bulmaya ve ilgili sektörler ile şirketler arasındaki potansiyel ilişkileri keşfetmeye yardımcı olabilirler.
• Bu modeller, her yatırımcı için Charlie Munger benzeri bir rol üstlenebilir.

GN⁺ görüşü

• LLM’lerin finans piyasalarında kullanılma potansiyeli açıkça var; ancak şu aşamada nicel işlemlerin yerini almaları zor görünüyor.
  • Finansal piyasa verilerinin seyrek ve gürültülü yapısı nedeniyle LLM’leri doğrudan kullanmanın sınırları bulunuyor.
  • Bununla birlikte, çok modlu öğrenme veya rezidualizasyon gibi tekniklerle fiyat dışı bilgileri entegre etmek ya da uzun vadeli ufuklarda analiz yapmak açısından yararlı olabilirler.
• LLM’lerle simüle veri üretimi veya uç senaryo örneklemesi gibi kullanım alanları ilgi çekici olabilir.
  • Ancak uç olayların seyrekliği nedeniyle uygun parametre ayarı ve örnekleme zor olabilir.
• LLM’lerin nicel işlemlerin kendisinin yerini alması zor görünse de, yatırım analiz sürecinde yararlı şekilde kullanılmaları beklenebilir.
  • Geniş bilgi yığınlarını derleme ve analiz etme sürecinde, LLM’ler insan analistlere yardımcı bir rol üstlenebilir.
• Finans piyasaları doğası gereği tahmin edilmesi zor bir alan olduğundan, LLM tabanlı yaklaşımlara karşı temkinli olmak gerekir.
  • Yine de LLM’lerin gelişim hızı düşünüldüğünde, gelecekte finans piyasalarında kullanılma olasılığı tamamen göz ardı edilemez.
• İlgili teknolojiler arasında, Numerai’nin Erasure’ı gibi kripto para ödüllerini kullanan crowdsourcing tabanlı finansal model geliştirme platformları da bulunuyor.
• Genel olarak, LLM’lerin finans piyasalarına uygulanması hâlâ erken aşamada ve daha fazla araştırma ile deney gerektiriyor. Ancak uzun vadede yapay zekanın finans piyasaları üzerinde büyük etki yaratması bekleniyor.