Was kann ein LLM dem systematischen Manager bieten?

L-L-M-entary, mein lieber Watson - Chris Longworth von GAM Systematic erörtert den Aufstieg der grossen Sprachmodelle in der Investmentwelt, ihre Stärken und Grenzen und bewertet, wie systematische Manager die Chancen, die sie bieten, maximieren können.

21. Dezember 2023

Modelle der Künstlichen Intelligenz (KI), die auf grossen Sprachmodellen (LLM) beruhen, wie ChatGPT und andere, die auf Vorgängertechnologien wie IBMs Watson aufbauten, haben 2023 die Phantasie der Menschen beflügelt. Sie haben auch immer wieder für Schlagzeilen gesorgt und eine breitere Debatte ausgelöst - oft sowohl über die Ethik als auch über die KI selbst - in einem Ausmass, wie es nur wenige Technologien zuvor getan haben, zumindest seit der Einführung des Internets. Ein Schlüsselfaktor für das steigende Interesse liegt darin begründet, dass jeder - vom Anfänger bis zum KI-Experten - mit diesen Systemen auf eine viel menschenähnlichere Weise interagieren kann als mit früheren KI-Techniken.

Modelle können bereits eine wichtige Rolle spielen

Diese Modelle können bereits in vielen zusätzlichen Bereichen des Investmentprozesses helfen. So können sie beispielsweise zur Unterstützung bei der Erstellung von Marktkommentaren verwendet werden, während LLM-basierte Code-Completion-Tools auch bei der Programmierung und Entwicklung helfen können. Darüber hinaus haben LLMs viele direkte Anwendungen im Finanzsektor. Fragt man beispielsweise ein Allzweck-Sprachmodell nach einer Anlageidee, so erhält man häufig einen Vorschlag für ein Portfolio. Dieser Vorschlag kann auch von einer überzeugenden Anlagethese begleitet sein.

KI und maschinelles Lernen sind seit jeher die Domäne des systematischen Managers. Diese Begriffe umfassen eine Vielzahl verwandter Techniken und Werkzeuge, die jeweils für unterschiedliche Anwendungen geeignet sind. Beim "Reinforcement Learning" wird beispielsweise versucht, eine optimale Vorgehensweise zu bestimmen, wobei die wahrscheinliche Auszahlung für jede Aktion unbekannt sein kann, bis sie ausprobiert wird. Dies erweist sich als sehr relevant für die Aufgabe, eine optimale Strategie für die Ausführung einer Reihe von Geschäften zu wählen. Bei anderen Problemen - wie z. B. der Vorhersage der Rendite eines Vermögenswerts für das nächste Jahr - besteht eine wesentliche Herausforderung darin, dass keine historischen Daten vorliegen. Hier können Ansätze, die diese Unsicherheit explizit erfassen, wie Bayes'sche Wahrscheinlichkeitsmodelle - die im Wesentlichen darauf abzielen, unsere bestehenden Überzeugungen auf der Grundlage neuer Erkenntnisse zu aktualisieren - wirksam sein.

Modelle und Manager: mehr Gemeinsamkeiten als man denkt

Es ist interessant, die Stärken und Grenzen der neueren sprachbasierten Techniken mit den traditionelleren, auf maschinellem Lernen basierenden Ansätzen zu vergleichen, die üblicherweise von systematischen Managern verwendet werden. Es mag überraschen, dass einige der Merkmale der sprachbasierten Modelle eher denen der diskretionären Manager entsprechen. Dafür gibt es viele mögliche Erklärungen, wobei eine faszinierende Möglichkeit darin besteht, dass die jüngsten Fortschritte das Potenzial haben, zu einer grösseren Konvergenz zwischen systematischen und diskretionären Anlagestilen zu führen.

Unterschiedliche Ansätze für ein und dasselbe Problem

Obwohl sowohl systematische als auch diskretionäre Manager versuchen, das gleiche zugrunde liegende Anlageproblem zu lösen, unterscheiden sich die Ansätze, die sie verfolgen, oft erheblich, was auf die Stärken und Grenzen des jeweiligen Stils zurückzuführen ist. So waren beispielsweise traditionell numerische Daten wie Marktpreise und -volumina der wichtigste Input für systematische Portfolios. In jüngster Zeit ist es gelungen, ein breiteres Spektrum an alternativen Daten, wie z. B. Gewinnmitschriften, in systematische Modelle einzubeziehen. Dies wird jedoch in der Regel durch eine Vorverarbeitung der Daten erreicht, um numerische Merkmale, wie z. B. Stimmungsindikatoren, zu extrahieren. Diese können dann direkt in die zugrunde liegenden numerischen Modelle einbezogen werden. Im Gegensatz dazu arbeiten diskretionäre Manager oft direkt mit Textdaten wie Unternehmensberichten oder Wirtschaftsprognosen, wobei sie eine Vielzahl von Quellen zusammenfassen - unter anderem mit dem Ziel, potenziellen Verzerrungen entgegenzuwirken -, um ein konsistentes Bild der Welt zu erhalten, aus dem dann eine Anlagehypothese abgeleitet werden kann.

Ein wichtiger Vorteil numerischer Modelle besteht darin, dass sie schrittweise reagieren können, wenn sich kleine Änderungen der Marktbedingungen auf die erwartete Rendite eines bestimmten Geschäfts auswirken. Ebenso können Ansätze, die auf probabilistischen Modellen beruhen, oft ein gewisses Mass an Vertrauen in die von ihnen erstellten Prognosen ausdrücken. Dies kann direkt in das Risikomanagement des Portfolios einbezogen werden.

Entgegen den Erwartungen fallen Worte LLMs leicht, Zahlen dagegen weniger

Während LLMs sehr gut in der Lage sind, Textdaten zu integrieren, um sich ein konsistentes Bild von der Welt zu machen, stellt sich heraus, dass es für LLMs wie für Menschen oft eine Herausforderung sein kann, numerische Daten zu verarbeiten und genaue mathematische Berechnungen durchzuführen. So hat sich beispielsweise gezeigt, dass das GPT4-Modell von OpenAI in einer Vielzahl von Fächern, darunter Kunstgeschichte und Weinverkostung, Prüfungsleistungen auf menschlichem Niveau erbringt. Bei der AMC-Prüfung, einer US-amerikanischen High-School-Mathematikprüfung, konnte es jedoch nur so gut abschneiden wie die untersten 10 % der Schüler. Eine Folge ihrer Arbeitsweise ist, dass LLMs oft nicht in der Lage sind, einige der Vorteile aktueller systematischer Ansätze zu nutzen, die sich auf numerische Berechnungen stützen, wie z. B. die schrittweise Reaktion auf neue Informationen. Dies ist der Schlüssel zu einem effektiven Risikomanagement, ist aber für sprachbasierte Techniken auch viel schwieriger zu erreichen.

Gleichgewicht zwischen Diversifizierung und Risikofaktoren

Ein weiteres gemeinsames Merkmal systematischer Anlagestile sind in der Regel breit angelegte Portfolios mit diversifizierten Positionen auf vielen Märkten. Das liegt daran, dass es nach der Entwicklung eines Modells oft relativ einfach ist, dasselbe Modell auf andere Vermögenswerte anzuwenden, für die ähnliche Daten verfügbar sind. Auf diese Weise kann der Manager von der Portfoliodiversifizierung profitieren, ohne dass sich sein Arbeitsaufwand erheblich erhöht. Im Gegensatz dazu werden diskretionäre Anlageentscheidungen oft auf der Grundlage einer detaillierten Untersuchung eines einzelnen Marktes getroffen, was dazu führt, dass es schwieriger sein kann, den Prozess auf andere Wertpapiere in einem anderen Markt zu übertragen. Dies führt in der Regel zu Portfolios, die insgesamt weniger Positionen enthalten, in denen jedoch ein höheres Mass an Überzeugung herrscht. In diesem Fall agieren LLMs oft eher wie ein diskretionärer Manager, da sie effektiv grosse Mengen zusammenhängender Informationen durchforsten können, um eine Handelshypothese vorzuschlagen, die sehr spezifisch für jeden Markt ist.

Zeigen Sie Ihre Arbeit - Nachvollziehen von Entscheidungen und Umgang mit "Was-wäre-wenn"-Szenarien

Eine weitere wichtige Anforderung an die Manager ist die Fähigkeit, die Gründe für ihre Handelsentscheidungen zu erläutern. Trotz des "Blackbox"-Rufs systematischer Anlagen besteht ein Vorteil darin, dass alle Geschäfte und Anpassungen von Positionen letztlich auf die in das Modell eingegebenen Daten zurückgeführt werden können. Ebenso sind systematische Modelle im Allgemeinen gut geeignet, um Fragen zu "Was-wäre-wenn"-Szenarien zu beantworten. Durch Einspeisung hypothetischer zukünftiger Daten in ein Modell kann ein Manager beurteilen, wie er in einer Reihe verschiedener potenzieller Marktumgebungen reagieren könnte.

Die Realität im Auge behalten - die Notwendigkeit einer soliden Argumentation anhand von Modellen

Es wurden erhebliche Forschungsanstrengungen unternommen, um die Interpretierbarkeit von LLMs zu verbessern. So ermutigen beispielsweise "Chain-of-Thought"-Ansätze das Modell dazu, eine schrittweise Aufschlüsselung seiner Antworten zu liefern. Es hat sich gezeigt, dass dies sowohl die Qualität der Antwort verbessert als auch einen Mechanismus bietet, mit dem der Benutzer die Argumentation des Modells verstehen kann. In vielen Fällen ist jedoch nicht klar, ob diese Aufschlüsselung tatsächlich dem internen Prozess entspricht, der ursprünglich zur Generierung der Antwort verwendet wurde, und stattdessen als nachträgliche Rechtfertigung dient. Das Vorhandensein von "Halluzinationen" in Modellantworten - scheinbar plausible Aussagen, die in Wirklichkeit völlig falsch sind - bleibt ebenfalls ein ständiges Problem.

Trotz dieser Einschränkungen stellt der Aufstieg neuer sprachbasierter Techniken eine klare Chance für den systematischen Manager dar. Systematische und diskretionäre Anlagestile haben sich in der Vergangenheit in hohem Masse ergänzt, wobei der breit diversifizierte und inkrementelle Ansatz des systematischen Managers im Gegensatz zu dem stärker fokussierten und von Überzeugungen geleiteten Ansatz des diskretionären Anlegers steht. Ebenso lassen sich Modelle, die das Potenzial haben, einige der einzigartigen Vorteile des diskretionären Ansatzes zu erfassen, wahrscheinlich besser mit den aktuellen numerischen Techniken kombinieren. Letztlich bietet dies das Potenzial eines einheitlichen Ansatzes, der die Stärken beider Ansätze zum Nutzen unserer Kunden vereint.