JPMC unter AI for Finance by Artefact - Wegweisend AI in Finance: von Reinforcement Learning bis zu LLMs für Dokumente & Quantitative Reasoning

Auf dem von Artefact veranstalteten Gipfel "AI for Finance" wurden Einblicke in die innovative Arbeit von JP Morgan Chase im Bereich AI für die Finanzbranche gewährt. Das in Paris ansässige, aber weltweit tätige Team befasst sich mit einer Vielzahl von Themen, darunter Spieltheorie, Multi-Agenten-Verstärkungslernen (RL), quantitatives Denken und große Sprachmodelle (LLMs). Die Mathematik steht im Mittelpunkt der Entwicklung von AI, und das Team arbeitet in verschiedenen Geschäftsbereichen wie Märkte, Investmentbanking, Privatkundengeschäft und Vermögensverwaltung zusammen.

Ein Kernelement der Forschung von JP Morgan AI ist die Anwendung von Reinforcement Learning im Finanzbereich. RL wird eingesetzt, um langfristige Ziele durch dynamische Entscheidungsfindung zu maximieren, wobei kurzfristige Aktionen suboptimal erscheinen mögen, aber zum langfristigen Erfolg beitragen. RL wird zum Beispiel bei der Portfolio-Absicherung eingesetzt, um den Kauf von Optionen zu optimieren und dabei wichtige Faktoren wie Transaktionskosten zu berücksichtigen. Darüber hinaus trägt die Forschung im Bereich der Modellkalibrierung zur Verfeinerung von Preisbildungsmodellen bei, indem Finanzverläufe als kooperative Spieler innerhalb eines Spiels behandelt werden, was zu genaueren Ergebnissen führt.

Das Team geht auch an die Grenzen des Multi-Agenten-Verstärkungslernens (MARL), um komplexe Finanzmärkte wie den Devisenmarkt zu modellieren. Durch die Simulation von Interaktionen zwischen mehreren RL-Agenten können wertvolle Einblicke in die Marktdynamik gewonnen werden. Jüngste Studien, darunter eine, die im Journal of Mathematical Finance veröffentlicht wurde, haben gezeigt, wie MARL-Agenten Fähigkeiten wie das Anstellen von Preisen entwickeln können, was ein tieferes Verständnis des Marktverhaltens durch diesen innovativen Ansatz ermöglicht.

Neben RL liegt der Schwerpunkt der Forschung von JP Morgan AI auf der Entwicklung von großen Sprachmodellen (LLMs). Ein bemerkenswertes Beispiel ist **Doc LLM**, ein Modell, das Dokumente durch die Integration von Text- und Rauminformationen verarbeitet und eine effizientere Alternative zu multimodalen Modellen darstellt. **Doc LLM** hat sich bei verschiedenen Aufgaben bewährt, da es umfangreichere Fähigkeiten zur Dokumentenanalyse bietet. Ein weiterer Durchbruch ist der Einsatz von Multi-Agenten-LLMs in der Softwareentwicklung, wo die Agenten die Ingenieure bei der Planung, Kodierung und Überprüfung unterstützen und so die Vielseitigkeit von LLMs in realen Anwendungen jenseits der Texterstellung demonstrieren.

Eine einzigartige Anwendung der LLMs im Rahmen der Forschung des Teams ist ihre Bewertung bei der CFA-Prüfung (Chartered Financial Analyst). Die Modelle wurden sowohl in "Closed Book"- als auch in "Open Book"-Szenarien getestet. Während die Modelle die ersten beiden Stufen der CFA-Prüfung mit Bravour bestanden, hatten sie mit den komplexeren und begründungsintensiveren Aufgaben der dritten Stufe zu kämpfen. Diese Untersuchung hat sowohl die Fähigkeiten als auch die Grenzen von LLMs bei der Anwendung auf finanzielles Denken und komplexe Problemlösungen aufgezeigt.

Mit Blick auf die Zukunft ist die Zukunft des mathematischen Denkens unter Verwendung von LLMs ein Bereich von großem Interesse. Das Team konzentriert sich auf die Verfeinerung von Modellen zur Bewältigung komplexer mathematischer Probleme, die im Finanzbereich auftreten, wie z. B. die der CFA-Prüfung. Sie arbeiten daran, die Fähigkeit der Modelle zu verbessern, mathematische Konzepte zu verallgemeinern und sie in einer Vielzahl von Kontexten anzuwenden. Der Optimismus wächst, dass AI bald eine entscheidende Rolle bei der Lösung fortgeschrittener mathematischer Herausforderungen in der Finanzbranche spielen wird.