JPMC op AI voor Finance by Artefact - Baanbrekend AI in Finance: van Reinforcement Learning tot LLM's voor Documenten & Kwantitatief Redeneren

Tijdens de "AI for Finance" top, georganiseerd door Artefact, werden inzichten gedeeld in het baanbrekende werk van JP Morgan Chase op het gebied van AI voor de financiële sector. Het onderzoek, dat plaatsvindt vanuit Parijs 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 van AIen het team werkt samen met verschillende business lines, zoals markten, investment banking, consumentenbankieren en vermogensbeheer.

Een kernelement van JP Morgan's AI onderzoek is de toepassing van reinforcement learning op financiën. RL wordt gebruikt om langetermijndoelen te maximaliseren via dynamische besluitvorming, waarbij kortetermijnacties suboptimaal lijken maar bijdragen aan langetermijnsucces. RL wordt bijvoorbeeld toegepast bij het afdekken van portefeuilles om optieaankopen te optimaliseren terwijl rekening wordt gehouden met belangrijke overwegingen zoals transactiekosten. Daarnaast helpt het onderzoek naar modelkalibratie bij het verfijnen van prijsmodellen door financiële trajecten te behandelen als coöperatieve 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 te modelleren, zoals de valutamarkt (FX). Door interacties tussen meerdere RL-agenten te simuleren, kunnen waardevolle inzichten in de marktdynamiek worden verkregen. Recente studies, waaronder één gepubliceerd in het Journal of Mathematical Finance, toonden aan hoe MARL-agenten vaardigheden kunnen ontwikkelen zoals prijswachtrijen, waardoor een dieper inzicht wordt verkregen in marktgedrag via deze innovatieve aanpak.

Naast RL legt JP Morgan's AI onderzoek sterk de nadruk op de ontwikkeling van grote taalmodellen (LLM's). Een opmerkelijk voorbeeld is **Doc LLM**, een model dat documenten verwerkt door zowel tekstuele als ruimtelijke informatie te integreren, wat een efficiënter alternatief biedt voor multimodale modellen. **Doc LLM** heeft goed gepresteerd in verschillende taken door rijkere mogelijkheden voor documentanalyse te bieden. Een andere doorbraak betreft het gebruik van multi-agent LLM's bij de ontwikkeling van software, waarbij de agents ingenieurs helpen bij het plannen, coderen en beoordelen, wat de veelzijdigheid van LLM's laat zien in echte toepassingen die verder gaan dan het genereren van tekst.

Een unieke toepassing van LLM's binnen het onderzoek van het team is hun evaluatie op het CFA-examen (Chartered Financial Analyst). De modellen werden getest in zowel "gesloten boek" als "open boek" scenario's. De modellen blonken uit in het behalen van de eerste twee niveaus van het CFA-examen. Terwijl de modellen uitblonken in het halen van de eerste twee niveaus van het CFA-examen, hadden ze moeite met de meer complexe en redeneerintensieve taken die in het derde niveau te vinden waren. Dit onderzoek benadrukte zowel de mogelijkheden als de beperkingen van LLM's wanneer ze worden toegepast op financieel redeneren en complexe problemen oplossen.

Vooruitkijkend is de toekomst van wiskundig redeneren met behulp van LLM's een gebied van groot belang. Het team richt zich op het verfijnen van modellen om complexe wiskundige problemen aan te kunnen die zich voordoen in het financiële domein, zoals die in het CFA-examen. Ze werken aan het verbeteren van het vermogen van de modellen om wiskundige concepten te generaliseren en toe te passen in verschillende contexten. Het optimisme groeit dat AI binnenkort een cruciale rol zal spelen bij het oplossen van geavanceerde wiskundige uitdagingen binnen de financiële sector.