JPMC no evento AI Finance” da Artefact Pioneirismo AI financeiro: da aprendizagem por reforço aos modelos de linguagem de grande escala (LLMs) para documentos e raciocínio quantitativo

Na cúpulaAI Finance”, organizada pela Artefact, foram compartilhadas informações sobre o trabalho de ponta do JP Morgan Chase em AI o setor financeiro. Com sede em Paris, mas fazendo parte de uma equipe global, a pesquisa concentra-se em uma ampla gama de tópicos, incluindo teoria dos jogos, aprendizagem por reforço (RL) multiagente, raciocínio quantitativo e grandes modelos de linguagem (LLMs). A matemática é fundamental para o desenvolvimento AI, e a equipe colabora com várias linhas de negócios, como mercados, banco de investimento, banco de varejo e gestão de ativos.

Um elemento central da AI do JP Morgan é a aplicação da aprendizagem por reforço ao setor financeiro. A aprendizagem por reforço é utilizada para maximizar objetivos de longo prazo por meio de uma tomada de decisão dinâmica, na qual ações de curto prazo podem parecer subótimas, mas contribuem para o sucesso a longo prazo. Por exemplo, a RL é aplicada na cobertura de carteiras para otimizar a compra de opções, levando em conta considerações-chave como os custos de transação. Além disso, a pesquisa em calibração de modelos ajuda a refinar os modelos de precificação ao tratar as trajetórias financeiras como participantes cooperativos dentro de um jogo, levando a resultados mais precisos.

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

Além do RL, AI do JP Morgan dá grande ênfase ao desenvolvimento de grandes modelos de linguagem (LLMs). Um exemplo notável é o **Doc LLM**, um modelo que processa documentos integrando informações tanto textuais quanto espaciais, oferecendo uma alternativa mais eficiente aos modelos multimodais. O **Doc LLM** tem apresentado 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, onde 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 única dos LLMs na pesquisa da equipe é sua avaliação no exame CFA (Chartered Financial Analyst). Os modelos foram testados tanto em cenários de “livro fechado” quanto de “livro aberto”. Embora os modelos tenham se destacado na aprovação nos dois primeiros níveis do exame CFA, eles tiveram dificuldades com as tarefas mais complexas e que exigem maior raciocínio encontradas no terceiro nível. Esta pesquisa destacou tanto as capacidades quanto as limitações dos LLMs quando aplicados ao raciocínio financeiro e à resolução de problemas complexos.

Olhando para o futuro, o uso de modelos de linguagem de grande escala (LLMs) no raciocínio matemático é uma área de grande interesse. A equipe está empenhada em aperfeiçoar os modelos para lidar com problemas matemáticos complexos que surgem no setor 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 AI em breve AI um papel fundamental na resolução de desafios matemáticos avançados no setor financeiro.