{"id":130296,"date":"2024-08-05T11:03:29","date_gmt":"2024-08-05T10:03:29","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&#038;p=130296"},"modified":"2024-10-29T09:02:39","modified_gmt":"2024-10-29T09:02:39","slug":"jpmc-at-ai-for-finance-by-artefact-pioneering-ai-in-finance-from-reinforcement-learning-to-llms-for-documents-quantitative-reasoning","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/es\/blog\/jpmc-at-ai-for-finance-by-artefact-pioneering-ai-in-finance-from-reinforcement-learning-to-llms-for-documents-quantitative-reasoning\/","title":{"rendered":"JPMC en AI for Finance por Artefact - Pioneros en AI en finanzas: del aprendizaje por refuerzo a los LLM para documentos y razonamiento cuantitativo"},"content":{"rendered":"<p><div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--link_color: var(--awb-color6);--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-background-color:var(--awb-color1);--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-text fusion-text-1 description\" style=\"--awb-text-color:var(--awb-color5);--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><p>Cumbre de la IA para las finanzas por Artefact - 17 de septiembre de 2024 - Par\u00eds<\/p>\n<p>Principales conclusiones del debate entre Nelson Vadori, Director Ejecutivo de J.P. Morgan AI Research en JP Morgan Chase, y Akhilesh Kale, Socio L\u00edder de Servicios Financieros de EE.UU. en Artefact.<\/p>\n<\/div><\/div><\/div><\/div><\/div><article class=\"fusion-fullwidth fullwidth-box fusion-builder-row-2 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--link_color: var(--awb-color6);--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-background-color:var(--awb-color1);--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-justify-content-center fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-1 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-video fusion-youtube\" style=\"--awb-max-width:670px;--awb-max-height:377px;--awb-align-self:center;--awb-width:100%;\"><div class=\"video-shortcode\"><div class=\"fluid-width-video-wrapper\" style=\"padding-top:56.27%;\" ><iframe title=\"Reproductor de video de YouTube 1\" src=\"https:\/\/www.youtube.com\/embed\/fFhk3Olj8Ac?wmode=transparent&autoplay=0\" width=\"670\" height=\"377\" allowfullscreen allow=\"autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture;\"><\/iframe><\/div><\/div><\/div><div class=\"fusion-title title fusion-title-1 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-text-color:var(--awb-color6);--awb-margin-bottom-small:8px;--awb-font-size:30px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"font-family:&quot;PT Serif&quot;;font-style:normal;font-weight:700;margin:0;letter-spacing:1.6px;font-size:1em;--fontSize:30;line-height:1.47;\">Visi\u00f3n general del equipo global y de investigaci\u00f3n sobre IA de JP Morgan<\/h2><\/div><div class=\"fusion-text fusion-text-2\" style=\"--awb-font-size:20px;--awb-line-height:1.6;--awb-letter-spacing:var(--awb-typography4-letter-spacing);--awb-text-transform:var(--awb-typography4-text-transform);--awb-text-color:var(--awb-color5);--awb-text-font-family:var(--awb-typography4-font-family);--awb-text-font-weight:var(--awb-typography4-font-weight);--awb-text-font-style:var(--awb-typography4-font-style);\"><p>En la cumbre \u201cIA para las finanzas\u201d organizada por Artefact, se comparti\u00f3 informaci\u00f3n sobre el trabajo de vanguardia de JP Morgan Chase en IA para el sector financiero. Con sede en Par\u00eds pero formando parte de un equipo global, la investigaci\u00f3n se centra en una amplia gama de temas, entre los que se incluyen la teor\u00eda de juegos, el aprendizaje por refuerzo (RL) de m\u00faltiples agentes, el razonamiento cuantitativo y los grandes modelos de lenguaje (LLM). Las matem\u00e1ticas son fundamentales para el desarrollo de la IA, y el equipo colabora en varias l\u00edneas de negocio, como mercados, banca de inversi\u00f3n, banca de consumo y gesti\u00f3n de activos.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-2 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-text-color:var(--awb-color6);--awb-margin-bottom-small:8px;--awb-font-size:30px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"font-family:&quot;PT Serif&quot;;font-style:normal;font-weight:700;margin:0;letter-spacing:1.6px;font-size:1em;--fontSize:30;line-height:1.47;\">El papel del aprendizaje por refuerzo en la optimizaci\u00f3n financiera<\/h2><\/div><div class=\"fusion-text fusion-text-3\" style=\"--awb-font-size:20px;--awb-line-height:1.6;--awb-letter-spacing:var(--awb-typography4-letter-spacing);--awb-text-transform:var(--awb-typography4-text-transform);--awb-text-color:var(--awb-color5);--awb-text-font-family:var(--awb-typography4-font-family);--awb-text-font-weight:var(--awb-typography4-font-weight);--awb-text-font-style:var(--awb-typography4-font-style);\"><p>Un elemento central de la investigaci\u00f3n en IA de JP Morgan es la aplicaci\u00f3n del aprendizaje por refuerzo a las finanzas. El RL se utiliza para maximizar los objetivos a largo plazo mediante una toma de decisiones din\u00e1mica, en la que las acciones a corto plazo pueden parecer sub\u00f3ptimas pero contribuyen al \u00e9xito a largo plazo. Por ejemplo, el RL se aplica en la cobertura de carteras para optimizar las compras de opciones teniendo en cuenta consideraciones clave como los costes de transacci\u00f3n. Adem\u00e1s, la investigaci\u00f3n en calibraci\u00f3n de modelos ayuda a perfeccionar los modelos de fijaci\u00f3n de precios tratando las trayectorias financieras como jugadores cooperativos dentro de un juego, lo que conduce a resultados m\u00e1s precisos.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-3 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-text-color:var(--awb-color6);--awb-margin-bottom-small:8px;--awb-font-size:30px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"font-family:&quot;PT Serif&quot;;font-style:normal;font-weight:700;margin:0;letter-spacing:1.6px;font-size:1em;--fontSize:30;line-height:1.47;\">Aprendizaje por refuerzo multiagente en los mercados financieros<\/h2><\/div><div class=\"fusion-text fusion-text-4\" style=\"--awb-font-size:20px;--awb-line-height:1.6;--awb-letter-spacing:var(--awb-typography4-letter-spacing);--awb-text-transform:var(--awb-typography4-text-transform);--awb-text-color:var(--awb-color5);--awb-text-font-family:var(--awb-typography4-font-family);--awb-text-font-weight:var(--awb-typography4-font-weight);--awb-text-font-style:var(--awb-typography4-font-style);\"><p>El equipo tambi\u00e9n est\u00e1 ampliando los l\u00edmites del aprendizaje por refuerzo multiagente (MARL) para modelizar mercados financieros complejos, como el mercado de divisas (FX). Simulando las interacciones entre m\u00faltiples agentes de RL, se pueden obtener valiosos conocimientos sobre la din\u00e1mica del mercado. Estudios recientes, incluido uno publicado en el Journal of Mathematical Finance, demostraron c\u00f3mo los agentes MARL pueden desarrollar habilidades como la formaci\u00f3n de colas de precios, proporcionando una comprensi\u00f3n m\u00e1s profunda del comportamiento del mercado a trav\u00e9s de este enfoque innovador.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-4 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-text-color:var(--awb-color6);--awb-margin-bottom-small:8px;--awb-font-size:30px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"font-family:&quot;PT Serif&quot;;font-style:normal;font-weight:700;margin:0;letter-spacing:1.6px;font-size:1em;--fontSize:30;line-height:1.47;\">Avanzar en el tratamiento de documentos y el desarrollo de software con LLMs<\/h2><\/div><div class=\"fusion-text fusion-text-5\" style=\"--awb-font-size:20px;--awb-line-height:1.6;--awb-letter-spacing:var(--awb-typography4-letter-spacing);--awb-text-transform:var(--awb-typography4-text-transform);--awb-text-color:var(--awb-color5);--awb-text-font-family:var(--awb-typography4-font-family);--awb-text-font-weight:var(--awb-typography4-font-weight);--awb-text-font-style:var(--awb-typography4-font-style);\"><p>Adem\u00e1s de la RL, la investigaci\u00f3n en IA de JP Morgan hace especial hincapi\u00e9 en el desarrollo de grandes modelos ling\u00fc\u00edsticos (LLM). Un ejemplo notable es **Doc LLM**, un modelo que procesa documentos integrando informaci\u00f3n textual y espacial, ofreciendo una alternativa m\u00e1s eficiente a los modelos multimodales. **Doc LLM** ha obtenido buenos resultados en diversas tareas al proporcionar capacidades de an\u00e1lisis de documentos m\u00e1s ricas. Otro avance implica el uso de LLM multiagente en el desarrollo de software, donde los agentes ayudan a los ingenieros en la planificaci\u00f3n, codificaci\u00f3n y revisi\u00f3n, mostrando la versatilidad de los LLM en aplicaciones del mundo real m\u00e1s all\u00e1 de la generaci\u00f3n de textos.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-5 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-text-color:var(--awb-color6);--awb-margin-bottom-small:8px;--awb-font-size:30px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"font-family:&quot;PT Serif&quot;;font-style:normal;font-weight:700;margin:0;letter-spacing:1.6px;font-size:1em;--fontSize:30;line-height:1.47;\">Evaluaci\u00f3n de los LLM en el examen CFA<\/h2><\/div><div class=\"fusion-text fusion-text-6\" style=\"--awb-font-size:20px;--awb-line-height:1.6;--awb-letter-spacing:var(--awb-typography4-letter-spacing);--awb-text-transform:var(--awb-typography4-text-transform);--awb-text-color:var(--awb-color5);--awb-text-font-family:var(--awb-typography4-font-family);--awb-text-font-weight:var(--awb-typography4-font-weight);--awb-text-font-style:var(--awb-typography4-font-style);\"><p>Una aplicaci\u00f3n \u00fanica de los LLM dentro de la investigaci\u00f3n del equipo es su evaluaci\u00f3n en el examen CFA (Analista Financiero Colegiado). Los modelos se probaron tanto en escenarios \u201ca libro cerrado\u201d como \u201ca libro abierto\u201d. Mientras que los modelos sobresalieron en la superaci\u00f3n de los dos primeros niveles del examen CFA, tuvieron dificultades con las tareas m\u00e1s complejas y de razonamiento intensivo que se encuentran en el tercer nivel. Esta investigaci\u00f3n puso de relieve tanto las capacidades como las limitaciones de los LLM cuando se aplican al razonamiento financiero y a la resoluci\u00f3n de problemas complejos.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-6 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-text-color:var(--awb-color6);--awb-margin-bottom-small:8px;--awb-font-size:30px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"font-family:&quot;PT Serif&quot;;font-style:normal;font-weight:700;margin:0;letter-spacing:1.6px;font-size:1em;--fontSize:30;line-height:1.47;\">El futuro del razonamiento matem\u00e1tico con los LLM en Finanzas<\/h2><\/div><div class=\"fusion-text fusion-text-7\" style=\"--awb-font-size:20px;--awb-line-height:1.6;--awb-letter-spacing:var(--awb-typography4-letter-spacing);--awb-text-transform:var(--awb-typography4-text-transform);--awb-text-color:var(--awb-color5);--awb-text-font-family:var(--awb-typography4-font-family);--awb-text-font-weight:var(--awb-typography4-font-weight);--awb-text-font-style:var(--awb-typography4-font-style);\"><p>De cara al futuro, el futuro del razonamiento matem\u00e1tico mediante LLM es un \u00e1rea de gran inter\u00e9s. El equipo est\u00e1 centrado en perfeccionar los modelos para manejar problemas matem\u00e1ticos complejos que surgen en el \u00e1mbito financiero, como los que se encuentran en el examen CFA. Est\u00e1n trabajando para mejorar la capacidad de los modelos para generalizar conceptos matem\u00e1ticos y aplicarlos en diversos contextos. Existe un creciente optimismo de que la IA desempe\u00f1ar\u00e1 pronto un papel fundamental en la resoluci\u00f3n de retos matem\u00e1ticos avanzados dentro de la industria financiera.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"<p>Principales conclusiones del debate entre Nelson Vadori, Director Ejecutivo de J.P. Morgan AI Research en JP Morgan Chase, y Akhilesh Kale, Socio L\u00edder de Servicios Financieros de EE.UU. en Artefact.<\/p>","protected":false},"featured_media":130297,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[21930],"blog-language":[2991],"class_list":["post-130296","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-finance","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog\/130296","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/130297"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=130296"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=130296"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=130296"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}