JPMC em AI para Finanças por Artefact - Pioneirismo em AI em Finanças: de Aprendizagem por Reforço a LLMs para Documentos e Raciocínio Quantitativo

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

Um elemento central da pesquisa do JP Morgan AI 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 AI 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, codificação e 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.

No futuro, o 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 AI em breve desempenhará um papel fundamental na solução de desafios matemáticos avançados no setor financeiro.