JPMC à l'événement « AI for Finance » organisé par Artefact À l'avant-garde de l'IA dans le secteur financier : de l'apprentissage par renforcement aux modèles de langage de grande envergure (LLM) pour le traitement des documents et le raisonnement quantitatif

Lors du sommet « AI for Finance » organisé par Artefact, des informations ont été partagées sur les travaux de pointe menés par JP Morgan Chase dans le domaine de l’IA pour le secteur financier. Basée à Paris mais intégrée à une équipe mondiale, cette recherche porte sur un large éventail de sujets, notamment la théorie des jeux, l’apprentissage par renforcement multi-agents (RL), le raisonnement quantitatif et les grands modèles linguistiques (LLM). Les mathématiques sont au cœur du développement de l'IA, et l'équipe collabore avec différents secteurs d'activité, tels que les marchés, la banque d'investissement, la banque de détail et la gestion d'actifs.

L'un des piliers de la recherche en IA chez JP Morgan réside dans l'application de l'apprentissage par renforcement au domaine financier. L'apprentissage par renforcement est utilisé pour maximiser les objectifs à long terme grâce à une prise de décision dynamique, dans laquelle les actions à court terme peuvent sembler sous-optimales mais contribuent au succès à long terme. Par exemple, l'apprentissage par renforcement est appliqué à la couverture de portefeuille pour optimiser les achats d'options tout en tenant compte de facteurs clés tels que les coûts de transaction. De plus, les recherches sur l'étalonnage des modèles contribuent à affiner les modèles de tarification en traitant les trajectoires financières comme des acteurs coopératifs au sein d'un jeu, ce qui conduit à des résultats plus précis.

L'équipe repousse également les limites de l'apprentissage par renforcement multi-agents (MARL) pour modéliser des marchés financiers complexes, tels que le marché des changes (FX). En simulant les interactions entre plusieurs agents d'apprentissage par renforcement, il est possible d'obtenir des informations précieuses sur la dynamique des marchés. Des études récentes, dont une publiée dans le Journal of Mathematical Finance, ont démontré comment les agents MARL peuvent développer des compétences telles que l'alignement des prix, permettant ainsi une meilleure compréhension du comportement des marchés grâce à cette approche innovante.

Outre l'apprentissage par renforcement (RL), les recherches en IA de JP Morgan mettent fortement l'accent sur le développement de grands modèles linguistiques (LLM). Un exemple notable est **Doc LLM**, un modèle qui traite les documents en intégrant à la fois des informations textuelles et spatiales, offrant ainsi une alternative plus efficace aux modèles multimodaux. **Doc LLM** a obtenu de bons résultats dans diverses tâches en offrant des capacités d'analyse de documents plus riches. Une autre avancée concerne l'utilisation de LLM multi-agents dans le développement logiciel, où les agents assistent les ingénieurs dans la planification, le codage et la révision, démontrant ainsi la polyvalence des LLM dans des applications concrètes au-delà de la génération de texte.

Une application unique des modèles de langage de grande échelle (LLM) dans le cadre des recherches de l'équipe consiste à les évaluer sur l'examen CFA (Chartered Financial Analyst). Les modèles ont été testés dans des scénarios « à livre fermé » et « à livre ouvert ». Si les modèles ont brillamment réussi les deux premiers niveaux de l'examen CFA, ils ont en revanche rencontré des difficultés face aux tâches plus complexes et nécessitant davantage de raisonnement que l'on trouve au troisième niveau. Cette recherche a mis en évidence à la fois les capacités et les limites des LLM lorsqu'ils sont appliqués au raisonnement financier et à la résolution de problèmes complexes.

Pour l'avenir, l'évolution du raisonnement mathématique à l'aide des grands modèles de langage (LLM) suscite un vif intérêt. L'équipe s'attache à affiner les modèles afin qu'ils puissent traiter les problèmes mathématiques complexes rencontrés dans le domaine financier, tels que ceux proposés à l'examen CFA. Elle s'efforce d'améliorer la capacité des modèles à généraliser les concepts mathématiques et Postuler à divers contextes. On observe un optimisme croissant quant au fait que l'IA jouera bientôt un rôle essentiel dans la résolution des défis mathématiques complexes au sein du secteur financier.