JPMC en AI Finance» de Artefact pioneros AI las finanzas: del aprendizaje por refuerzo a los modelos de lenguaje grande (LLM) para documentos y razonamiento cuantitativo

En la cumbreAI Finance», organizada por Artefact, se compartieron ideas sobre el trabajo de vanguardia de JP Morgan Chase en AI el sector financiero. Con sede en París, pero como parte de un equipo global, la investigación se centra en una amplia gama de temas, entre los que se incluyen la teoría de juegos, el aprendizaje por refuerzo (RL) multiagente, el razonamiento cuantitativo y los modelos de lenguaje a gran escala (LLM). Las matemáticas son fundamentales para el desarrollo AI, y el equipo colabora con diversas líneas de negocio, como mercados, banca de inversión, banca minorista y gestión de activos.

Un elemento fundamental de AI de JP Morgan es la aplicación del aprendizaje por refuerzo al ámbito financiero. El aprendizaje por refuerzo se utiliza para maximizar los objetivos a largo plazo mediante una toma de decisiones dinámica, en la que las acciones a corto plazo pueden parecer subóptimas, pero contribuyen al éxito a largo plazo. Por ejemplo, el aprendizaje por refuerzo se aplica en la cobertura de carteras para optimizar la compra de opciones, teniendo en cuenta al mismo tiempo consideraciones clave como los costes de transacción. Además, la investigación en calibración de modelos ayuda a perfeccionar los modelos de fijación de precios al tratar las trayectorias financieras como participantes cooperativos dentro de un juego, lo que conduce a resultados más precisos.

El equipo también está ampliando los límites del aprendizaje por refuerzo multiagente (MARL) para modelar mercados financieros complejos, como el mercado de divisas (FX). Al simular las interacciones entre múltiples agentes de aprendizaje por refuerzo, se pueden obtener valiosos conocimientos sobre la dinámica del mercado. Estudios recientes, entre ellos uno publicado en la revista *Journal of Mathematical Finance*, han demostrado cómo los agentes MARL pueden desarrollar habilidades como la formación de colas de precios, lo que permite comprender mejor el comportamiento del mercado gracias a este enfoque innovador.

Además del aprendizaje por refuerzo (RL), AI de JP Morgan hace especial hincapié en el desarrollo de modelos de lenguaje a gran escala (LLM). Un ejemplo destacado es **Doc LLM**, un modelo que procesa documentos integrando información tanto textual como espacial, lo que ofrece una alternativa más eficiente a los modelos multimodales. **Doc LLM** ha obtenido buenos resultados en diversas tareas al proporcionar capacidades de análisis de documentos más completas. Otro avance importante es el uso de LLM multiagente en el desarrollo de software, donde los agentes ayudan a los ingenieros en la planificación, la codificación y la revisión, lo que demuestra la versatilidad de los LLM en aplicaciones del mundo real más allá de la generación de texto.

Una aplicación singular de los modelos de lenguaje grande (LLM) en la investigación del equipo es su evaluación en el examen CFA (Chartered Financial Analyst). Los modelos se probaron tanto en escenarios de «libro cerrado» como de «libro abierto». Si bien los modelos destacaron al superar los dos primeros niveles del examen CFA, tuvieron dificultades con las tareas más complejas y que requieren un mayor razonamiento que se encuentran en el tercer nivel. Esta investigación puso de relieve tanto las capacidades como las limitaciones de los LLM cuando se aplican al razonamiento financiero y a la resolución de problemas complejos.

De cara al futuro, el uso de los modelos de lenguaje grande (LLM) para el razonamiento matemático es un ámbito de gran interés. El equipo se centra en perfeccionar los modelos para que puedan abordar problemas matemáticos complejos que surgen en el ámbito financiero, como los que aparecen en el examen CFA. Están trabajando para mejorar la capacidad de los modelos para generalizar conceptos matemáticos y aplicarlos en diversos contextos. Existe un optimismo creciente en cuanto a que AI pronto un papel fundamental en la resolución de retos matemáticos avanzados dentro del sector financiero.