Artefact 主办的金融人工智能峰会Artefact 2024年9月17日——巴黎

摩根大通（J.P. Morgan Chase）人工智能研究执行总监尼尔森·瓦多里（Nelson Vadori）Artefact负责人、合伙人阿基莱什·卡莱（Akhilesh Kale）之间的讨论要点。

摩根大通人工智能研究及全球团队概览

Artefact主办的“AI for Finance”峰会上，与会者分享了摩根大通在金融行业人工智能领域的尖端研究成果。该研究团队虽驻扎于巴黎，但隶属于一个全球团队，其研究涵盖了博弈论、多智能体强化学习（RL）、定量推理以及大型语言模型（LLMs）等广泛领域。 数学是人工智能发展的核心，该团队与市场、投资银行、零售银行及资产管理等多个业务部门开展跨领域合作。

强化学习在金融优化中的作用

摩根大通人工智能研究的核心要素之一是将强化学习应用于金融领域。强化学习通过动态决策来实现长期目标的最大化，在此过程中，短期行动看似可能并非最优，但有助于实现长期成功。 例如，在投资组合对冲中应用强化学习，可在考虑交易成本等关键因素的同时，优化期权购买策略。此外，模型校准研究将金融走势视为博弈中的合作方，从而帮助完善定价模型，最终获得更准确的结果。

金融市场中的多智能体强化学习

该团队还致力于拓展多智能体强化学习（MARL）的边界，以建模外汇（FX）市场等复杂的金融市场。通过模拟多个强化学习智能体之间的交互，可以获得关于市场动态的宝贵见解。近期的一些研究，包括发表在《数学金融学杂志》上的一项研究，展示了MARL智能体如何发展出“价格排队”等技能，并通过这种创新方法加深了对市场行为的理解。

利用大型语言模型推动文档处理与软件开发

除了强化学习（RL）外，摩根大通的人工智能研究还非常重视大型语言模型（LLMs）的开发。一个典型的例子是**Doc LLM**，该模型通过整合文本和空间信息来处理文档，为多模态模型提供了更高效的替代方案。 凭借更强大的文档分析能力，**Doc LLM**在各类任务中均表现优异。另一项突破在于将多智能体LLM应用于软件开发领域，这些智能体协助工程师进行规划、编码和代码审查，展现了LLM在文本生成之外的实际应用中的多功能性。

在CFA考试中评估大型语言模型

该团队研究中对大型语言模型（LLMs）的一项独特应用，是将其用于CFA（特许金融分析师）考试的评估。 研究人员分别在“闭卷”和“开卷”两种情境下对模型进行了测试。虽然模型在通过CFA考试的前两级表现优异，但在第三级考试中，面对那些更复杂且需要大量推理的题目时却显得力不从心。这项研究凸显了LLM在应用于金融推理和复杂问题解决时的能力与局限性。

大型语言模型在金融领域中的数学推理未来

展望未来，利用大型语言模型（LLMs）进行数学推理的前景备受关注。该团队正致力于优化模型，以处理金融领域中出现的复杂数学问题，例如CFA考试中涉及的题型。他们正努力提升模型对数学概念的泛化能力，使其能在各种情境中灵活应用。人们越来越乐观地认为，人工智能很快将在解决金融行业中的高级数学难题方面发挥关键作用。