JPMC at AI for Finance by Artefact - Pioneirismo em IA em finanças: do aprendizado por reforço aos LLMs para documentos e raciocínio quantitativo

Na cúpula “AI for Finance”, organizada pela Artefact, foram compartilhados insights sobre o trabalho de ponta do JP Morgan Chase em IA para o setor financeiro. Com sede em Paris, mas fazendo parte de uma equipe global, a pesquisa se concentra em uma gama diversificada de tópicos, incluindo teoria dos jogos, aprendizagem por reforço de vários agentes (RL), raciocínio quantitativo e modelos de linguagem ampla (LLMs). A matemática é fundamental para o desenvolvimento da IA, e a equipe colabora com várias linhas de negócios, como mercados, bancos de investimento, bancos de consumo e gerenciamento de ativos.

Um elemento central da pesquisa de IA do JP Morgan é a aplicação do aprendizado por reforço às finanças. A RL é usada para maximizar as metas de longo prazo por meio da tomada de decisões dinâmicas, em que as ações de curto prazo podem parecer subótimas, mas contribuem para o sucesso de longo prazo. Por exemplo, a RL é aplicada em hedging de portfólio para otimizar a compra de opções, levando em conta considerações importantes como custos de transação. Além disso, a pesquisa em calibração de modelos ajuda a refinar os modelos de precificação, tratando as trajetórias financeiras como jogadores cooperativos em um jogo, o que leva a resultados mais precisos.

A equipe também está ampliando os limites da aprendizagem por reforço de vários agentes (MARL) para modelar mercados financeiros complexos, como o mercado de câmbio (FX). Ao simular interações entre vários agentes de RL, é possível obter percepções valiosas sobre a dinâmica do mercado. Estudos recentes, incluindo um publicado no Journal of Mathematical Finance, demonstraram como os agentes MARL podem desenvolver habilidades como enfileiramento de preços, proporcionando uma compreensão mais profunda do comportamento do mercado por meio dessa abordagem inovadora.

Além da RL, a pesquisa de IA do JP Morgan enfatiza muito o desenvolvimento de modelos de linguagem grandes (LLMs). Um exemplo notável é o **Doc LLM**, um modelo que processa documentos integrando informações textuais e espaciais, oferecendo uma alternativa mais eficiente aos modelos multimodais. O **Doc LLM** teve um bom desempenho em várias tarefas, oferecendo recursos mais avançados de análise de documentos. Outro avanço envolve o uso de LLMs multiagentes no desenvolvimento de software, em que os agentes auxiliam os engenheiros no planejamento, na codificação e na revisão, demonstrando a versatilidade dos LLMs em aplicações do mundo real além da geração de texto.

Uma aplicação exclusiva dos LLMs na pesquisa da equipe é sua avaliação no exame CFA (Chartered Financial Analyst). Os modelos foram testados em cenários de “livro fechado” e “livro aberto”. Embora os modelos tenham se destacado na aprovação dos dois primeiros níveis do exame CFA, eles tiveram dificuldades com as tarefas mais complexas e de raciocínio intensivo encontradas no terceiro nível. Esta pesquisa destacou os recursos e as limitações dos LLMs quando aplicados ao raciocínio financeiro e à solução de problemas complexos.

Olhando para o futuro, o futuro do raciocínio matemático usando LLMs é uma área de grande interesse. A equipe está concentrada em refinar os modelos para lidar com problemas matemáticos complexos que surgem no domínio financeiro, como os encontrados no exame CFA. Eles estão trabalhando para aprimorar a capacidade dos modelos de generalizar conceitos matemáticos e aplicá-los em diversos contextos. Há um otimismo crescente de que a IA logo desempenhará um papel fundamental na solução de desafios matemáticos avançados no setor financeiro.