JPMC op AI Finance by Artefact Baanbrekend werk op het gebied AI de financiële sector: van reinforcement learning tot LLM’s voor documenten en kwantitatief redeneren

Tijdens de door Artefact georganiseerde topAI Finance“ werden inzichten gedeeld over het baanbrekende werk van JP Morgan Chase op het gebied van AI de financiële sector. Het onderzoek, dat vanuit Parijs wordt uitgevoerd maar deel uitmaakt van een wereldwijd team, richt zich op een breed scala aan onderwerpen, waaronder speltheorie, multi-agent reinforcement learning (RL), kwantitatief redeneren en grote taalmodellen (LLM’s). Wiskunde staat centraal in de ontwikkeling AIen het team werkt samen met verschillende bedrijfsonderdelen, zoals markten, investeringsbankieren, consumentenbankieren en vermogensbeheer.

Een kernonderdeel van AI bij JP Morgan is de toepassing van reinforcement learning in de financiële sector. RL wordt gebruikt om langetermijndoelen te maximaliseren door middel van dynamische besluitvorming, waarbij kortetermijnacties op het eerste gezicht misschien suboptimaal lijken, maar bijdragen aan succes op de lange termijn. RL wordt bijvoorbeeld toegepast bij portefeuillehedging om de aankoop van opties te optimaliseren, waarbij rekening wordt gehouden met belangrijke factoren zoals transactiekosten. Daarnaast helpt het onderzoek naar modelkalibratie bij het verfijnen van prijsmodellen door financiële trajecten te behandelen als samenwerkende spelers binnen een spel, wat leidt tot nauwkeurigere resultaten.

Het team verlegt ook de grenzen van multi-agent reinforcement learning (MARL) om complexe financiële markten, zoals de valutamarkt (FX), te modelleren. Door interacties tussen meerdere RL-agenten te simuleren, kunnen waardevolle inzichten in de marktdynamiek worden verkregen. Recente studies, waaronder een artikel gepubliceerd in het Journal of Mathematical Finance, hebben aangetoond hoe MARL-agenten vaardigheden zoals ‘price queuing’ kunnen ontwikkelen, waardoor deze innovatieve aanpak een dieper inzicht in marktgedrag biedt.

Naast RL legt AI van JP Morgan sterk de nadruk op de ontwikkeling van grote taalmodellen (LLM’s). Een opvallend voorbeeld is **Doc LLM**, een model dat documenten verwerkt door zowel tekstuele als ruimtelijke informatie te integreren, en daarmee een efficiënter alternatief biedt voor multimodale modellen. **Doc LLM** heeft goed gepresteerd bij verschillende taken door rijkere mogelijkheden voor documentanalyse te bieden. Een andere doorbraak betreft het gebruik van multi-agent LLM's bij softwareontwikkeling, waarbij de agents ingenieurs helpen bij het plannen, coderen en beoordelen, wat de veelzijdigheid van LLM's in praktische toepassingen buiten tekstgeneratie aantoont.

Een unieke toepassing van LLM’s binnen het onderzoek van het team is de evaluatie ervan bij het CFA-examen (Chartered Financial Analyst). De modellen werden getest in zowel 'closed book'- als 'open book'-scenario's. Hoewel de modellen uitblonken bij het behalen van de eerste twee niveaus van het CFA-examen, hadden ze moeite met de complexere en meer op redeneren gerichte taken op het derde niveau. Dit onderzoek bracht zowel de mogelijkheden als de beperkingen van LLM's aan het licht bij toepassing op financieel redeneren en het oplossen van complexe problemen.

Wat de toekomst betreft, is het gebruik van grote taalmodellen (LLM’s) voor wiskundig redeneren een gebied dat veel belangstelling geniet. Het team richt zich op het verfijnen van modellen om complexe wiskundige problemen aan te pakken die zich in de financiële sector voordoen, zoals die welke in het CFA-examen voorkomen. Ze werken eraan om het vermogen van de modellen te verbeteren om wiskundige concepten te generaliseren en toe te passen in uiteenlopende contexten. Er heerst een groeiend optimisme dat AI binnenkort een cruciale rol AI spelen bij het oplossen van geavanceerde wiskundige uitdagingen binnen de financiële sector.