JPMC auf AI Finance“ von Artefact Wegweisende AI Finanzwesen: vom verstärkenden Lernen bis hin zu LLMs für Dokumente und quantitatives Denken

Auf dem von Artefact veranstaltetenAI Finance“-Gipfel wurden Einblicke in die bahnbrechende Arbeit von JP Morgan Chase im Bereich AI die Finanzbranche gewährt. Die Forschungsarbeit, die von Paris aus erfolgt, aber Teil eines globalen Teams ist, konzentriert sich auf ein breites Spektrum an Themen, darunter Spieltheorie, Multi-Agenten-Reinforcement-Learning (RL), quantitatives Denken und große Sprachmodelle (LLMs). Mathematik spielt eine zentrale Rolle bei der Entwicklung AI, und das Team arbeitet bereichsübergreifend mit verschiedenen Geschäftsbereichen wie Märkten, Investmentbanking, Privatkundengeschäft und Vermögensverwaltung zusammen.

Ein Kernelement der AI bei JP Morgan ist die Anwendung des verstärkenden Lernens im Finanzbereich. Das verstärkende Lernen wird eingesetzt, um langfristige Ziele durch dynamische Entscheidungsfindung zu maximieren, wobei kurzfristige Maßnahmen zwar suboptimal erscheinen mögen, aber zum langfristigen Erfolg beitragen. Beispielsweise wird RL im Portfolio-Hedging 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 dazu bei, Preismodelle zu verfeinern, indem finanzielle Entwicklungen als kooperierende Akteure innerhalb eines Spiels behandelt werden, was zu genaueren Ergebnissen führt.

Das Team erweitert zudem die Grenzen des Multi-Agent-Reinforcement-Learning (MARL), um komplexe Finanzmärkte wie den Devisenmarkt (FX) zu modellieren. Durch die Simulation der Interaktionen zwischen mehreren RL-Agenten lassen sich wertvolle Erkenntnisse über die Marktdynamik gewinnen. Aktuelle Studien, darunter eine im „Journal of Mathematical Finance“ veröffentlichte, haben gezeigt, wie MARL-Agenten Fähigkeiten wie „Price Queuing“ entwickeln können, was durch diesen innovativen Ansatz zu einem tieferen Verständnis des Marktverhaltens führt.

Neben RL legt AI bei JP Morgan einen starken Schwerpunkt auf die Entwicklung großer Sprachmodelle (LLMs). Ein bemerkenswertes Beispiel ist **Doc LLM**, ein Modell, das Dokumente durch die Integration von textuellen und räumlichen Informationen verarbeitet und damit eine effizientere Alternative zu multimodalen Modellen bietet. **Doc LLM** hat bei verschiedenen Aufgaben gute Ergebnisse erzielt, indem es umfangreichere Funktionen zur Dokumentenanalyse bereitstellt. Ein weiterer Durchbruch betrifft den Einsatz von Multi-Agent-LLMs in der Softwareentwicklung, wo die Agenten Ingenieure bei der Planung, Programmierung und Überprüfung unterstützen und damit die Vielseitigkeit von LLMs in realen Anwendungen jenseits der Textgenerierung demonstrieren.

Eine einzigartige Anwendung von LLMs im Rahmen der Forschungsarbeit des Teams ist deren Einsatz bei der Bewertung 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 Schwierigkeiten mit den komplexeren und denkintensiveren Aufgaben der dritten Stufe. Diese Forschung verdeutlichte sowohl die Fähigkeiten als auch die Grenzen von LLMs bei der Anwendung auf finanzielles Denken und komplexe Problemlösung.

Mit Blick auf die Zukunft ist die Anwendung von LLMs im Bereich des mathematischen Denkens ein Thema von großem Interesse. Das Team konzentriert sich darauf, Modelle so zu verfeinern, dass sie komplexe mathematische Probleme bewältigen können, wie sie im Finanzbereich auftreten, beispielsweise in der CFA-Prüfung. Es arbeitet daran, die Fähigkeit der Modelle zu verbessern, mathematische Konzepte zu verallgemeinern und in einer Vielzahl von Kontexten anzuwenden. Es herrscht wachsender Optimismus, dass AI bald eine entscheidende Rolle bei der Lösung anspruchsvoller mathematischer Herausforderungen in der Finanzbranche spielen AI .