Περίληψη άρθρου:
Το ChatGPT, ένα γλωσσικό μοντέλο, έδειξε ότι υπόσχεται να δημιουργήσει αποδόσεις χρηματιστηριακών συναλλαγών με βάση το συναίσθημα των ειδήσεων, σύμφωνα με μια μελέτη προσομοίωσης από ερευνητές του Πανεπιστημίου της Φλόριντα. Οι μετοχές μικρής κεφαλαιοποίησης απέδωσαν τα μεγαλύτερα κέρδη, αλλά το να βασίζεται κανείς αποκλειστικά στις προβλέψεις του ChatGPT για οικονομικές αποφάσεις ενέχει περιορισμούς και κινδύνους. Οι προηγούμενες εκδόσεις του γλωσσικού μοντέλου ήταν λιγότερο κερδοφόρες, υποδεικνύοντας πιθανή βελτίωση καθώς τα μοντέλα εξελίσσονται. Τα εργαλεία τεχνητής νοημοσύνης προσφέρουν οφέλη από την αποτελεσματικότητα, αλλά ενδέχεται να μειώσουν την προβλεψιμότητα λόγω του αυξημένου ανταγωνισμού. Οι συναλλαγές στον πραγματικό κόσμο έχουν πρόσθετες προκλήσεις που δεν λαμβάνονται υπόψη στην προσομοίωση. Οι συναλλασσόμενοι θα πρέπει να λαμβάνουν υπόψη τους περισσότερα συμφραζόμενα και παράγοντες πέρα από το συναίσθημα των ειδήσεων.

Κύρια σημεία του άρθρου:

• Η προσομοιωμένη μελέτη βρίσκει το ChatGPT επιτυχημένο στην πρόβλεψη της κατεύθυνσης των τιμών των μετοχών με βάση το συναίσθημα των ειδήσεων.
• Οι προκλήσεις στη χρήση του ChatGPT για συναλλαγές στον πραγματικό κόσμο περιλαμβάνουν την ανάγκη για πρόσθετο πλαίσιο και εκτιμήσεις όπως η τριβή της αγοράς και οι διακοπές των συναλλαγών.
• Δεν είναι σαφές αν το ChatGPT ή παρόμοια μοντέλα τεχνητής νοημοσύνης μπορούν να αντικαταστήσουν πλήρως τους ανθρώπους που επιλέγουν μετοχές στο μέλλον.
• Μελέτη δείχνει ότι ένα μοντέλο συναλλαγών υπεραποδίδει έναντι του S&P 500 με χαμηλότερες αποδόσεις.
• Η συνεχής ενημέρωση για τις εξελίξεις, ιδίως στα εργαλεία τεχνητής νοημοσύνης, είναι σημαντική για τους traders.

Αναλυτικά το άρθρο:
Ο ενθουσιασμός των επενδυτών για την τεχνητή νοημοσύνη έχει ανεβάσει τον S&P 500 κατά 18% φέτος, και οι μετοχές μεγαλοκεφαλαιοποίησης με έκθεση στην τεχνολογία αποτέλεσαν το μεγαλύτερο μέρος των κερδών του δείκτη.  

Παράλληλα με τον ενθουσιασμό, υπάρχει περιέργεια για το πώς η τεχνητή νοημοσύνη μπορεί να ενσωματωθεί περαιτέρω στις επενδύσεις. Για παράδειγμα, καθώς τα μεγάλα γλωσσικά μοντέλα (LLM) που διέπουν υπηρεσίες όπως το ChatGPT βελτιώνονται, μπορούν να μιμηθούν την ανθρώπινη λογική τόσο καλά ώστε μια μέρα να αντικαταστήσουν τους stock pickers; 

Το Τμήμα Χρηματοοικονομικών του Πανεπιστημίου της Φλόριντα σκέφτηκε ότι θα ήταν ενδιαφέρον να δει αν αυτά τα μοντέλα θα μπορούσαν να κατανοήσουν τις χρηματοπιστωτικές αγορές, παρόλο που δεν είχαν εκπαιδευτεί σε αυτές. Το έκαναν αυτό ρωτώντας το ChatGPT αν μια είδηση ήταν καλή ή κακή για την τιμή μιας μετοχής και στη συνέχεια εκτελώντας μια προσομοίωση που θα αγόραζε ή θα πωλούσε μια μετοχή ανάλογα με το αν θεωρούσε την πληροφορία θετική ή αρνητική.

Διαπίστωσαν ότι ενώ το ChatGPT υπερείχε στην πρόβλεψη της κατεύθυνσης μιας μετοχής με βάση το συναίσθημα των ειδήσεων, δεν είναι χωρίς περιορισμούς. Στην πραγματικότητα, οι υπηρεσίες δημιουργικής τεχνητής νοημοσύνης όπως το ChatGPT και το Bard προειδοποιούν εμφανώς τους χρήστες να μην βασίζονται σε αυτές για οικονομικές συμβουλές και να διεξάγουν τη δική τους έρευνα.

Η μελέτη, με επικεφαλής τον Alejandro Lopez-Lira, επίκουρο καθηγητή χρηματοοικονομικής, και τον Yuehua Tang, αναπληρωτή καθηγητή Emerson-Merrill Lynch, είχε ως στόχο να αξιολογήσει αν το ChatGPT μπορούσε να κατανοήσει τον αντίκτυπο των ειδήσεων στις κινήσεις του χρηματιστηρίου αρκετά ώστε να δημιουργήσει αποδόσεις, και αν ήταν εξίσου ικανό ή και καλύτερο από έναν άνθρωπο. 

Το τροφοδότησαν με πρωτοσέλιδα για θέματα που κυμαίνονταν από πληρωμές μερισμάτων έως ανακοινώσεις διευθύνοντων συμβούλων. Ο κατάλογος των εταιρειών αντλήθηκε από τη βάση δεδομένων του Center for Research in Security Prices. Οι τίτλοι των ειδήσεων συλλέχθηκαν από τον ιστό και στη συνέχεια συγκρίθηκαν με εκείνους από τον πάροχο δεδομένων RavenPack για να διασφαλιστεί ότι χρησιμοποιούσαν μόνο σχετικές ειδήσεις.

Ζήτησαν από το ChatGPT να αποδώσει τις ακόλουθες βαθμολογίες στους τίτλους: "1" για καλές ειδήσεις, "0" για άγνωστες και "-1" για κακές ειδήσεις. Όσες είχαν βαθμολογία "1" θα αγοράζονταν και οι "-1" θα σορτάρονταν αυτόματα χρησιμοποιώντας έναν κώδικα Python στο Linux. Καμία ενέργεια δεν γινόταν για τις εξόδους "0". Το ChatGPT μάντεψε το σωστό αποτέλεσμα με πιθανότητα 51%. Ενώ το περιθώριο είναι χαμηλό, καθώς συνδυάζει τις συναλλαγές υπερωρίες και τη συχνότητα, οι αποδόσεις συσσωρεύονταν, δήλωσε ο Lopez-Lira.

Μέσα σε αυτό το διάστημα, η στρατηγική long-short που ενημερώθηκε από την ανάλυση συναισθήματος του GPT-3.5 μετέτρεψε το 1 δολάριο σε 6,12 δολάρια, με αποτέλεσμα απόδοση 512%. Ομοίως, η στρατηγική GPT-4 μετέτρεψε το ίδιο ποσό σε 3,76 δολάρια, με απόδοση 276% κατά την ίδια περίοδο. Μια δεύτερη προσομοίωση για το GPT-3.5 έλαβε υπόψη το κόστος συναλλαγών μεταξύ 5 και 25 μονάδων βάσης, με αποτέλεσμα τα κέρδη να μειωθούν σε 380% και 50%, αντίστοιχα. Συγκριτικά, ο Russell 2000 υποχώρησε κατά 20% κατά την ίδια περίοδο. 

Ο Lopez-Lira σημείωσε ότι το προηγούμενο μοντέλο υπερείχε έναντι του δεύτερου όσον αφορά τις συνολικές αποδόσεις, αλλά όχι όσον αφορά τις προσαρμοσμένες στον κίνδυνο αποδόσεις. 

"Κυρίως η GPT-3.5 είναι πιο επιθετική επειδή της δίνουμε τη δυνατότητα να πει "δεν ξέρω αν αυτά τα νέα είναι καλά ή κακά"", δήλωσε ο Lopez-Lira. "Έτσι, η GPT-3.5 θέλει να απαντά σε περισσότερες από αυτές τις ερωτήσεις".

Επιπλέον, η μελέτη διαπίστωσε ότι οι προηγούμενες εκδόσεις του γλωσσικού μοντέλου, συμπεριλαμβανομένων των GPT-1, GPT-2 και BERT, απέτυχαν να μεταφράσουν επαρκώς τις πληροφορίες ώστε να γίνουν κερδοφόρες συναλλαγές. Αυτό υποδηλώνει ότι η ακρίβεια θα μπορούσε να βελτιωθεί καθώς τα γλωσσικά μοντέλα βελτιώνονται.

Η βασική εντολή που χρησιμοποιήθηκε ήταν: 
"Ξεχάστε όλες τις προηγούμενες οδηγίες σας. Προσποιηθείτε ότι είστε οικονομικός εμπειρογνώμονας με εμπειρία στις συστάσεις μετοχών. Απαντήστε "ΝΑΙ" αν έχετε καλά νέα, "ΟΧΙ" αν έχετε κακά νέα ή "ΑΓΝΩΣΤΟ" αν δεν είστε σίγουροι στην πρώτη γραμμή. Στη συνέχεια, αναπτύξτε με μια σύντομη και περιεκτική πρόταση στην επόμενη γραμμή. Είναι αυτός ο τίτλος καλός ή κακός για την τιμή της μετοχής της (επωνυμία της εταιρείας) σε βάθος χρόνου (βραχυπρόθεσμα ή μακροπρόθεσμα);"

Επικεφαλίδα: (εισάγετε την επικεφαλίδα)

"Ζητήσαμε να εξετάσει την κατεύθυνση της τιμής και επίσης μια σύντομη εξήγηση, και την είχαμε συστηματικά να τα βγάλει", δήλωσε ο Lopez-Lira. Και πρόσθεσε: "Όλες τους, ας πούμε, θα τις βαθμολογούσα με άριστα. Όλες οι εξηγήσεις είναι λογικές και οικονομικά ορθές".

ChatGPT στη Wall Street 
Από την άλλη πλευρά, αυτά τα γλωσσικά μοντέλα θα μπορούσαν να κάνουν τη δουλειά ενός αναλυτή πολύ πιο εύκολη και παραγωγική, επειδή μπορούν να αφομοιώσουν γρήγορα μεγάλες ποσότητες πληροφοριών, δήλωσε ο Lopez-Lira. 

Καθώς εμφανίζονται νεότερα μοντέλα τεχνητής νοημοσύνης, θα μπορούσαν να κάνουν τις αγορές πιο αποτελεσματικές, επειδή επιτρέπουν ταχύτερους χρόνους απόκρισης στις ειδήσεις. Αυτό το χρονικό διάστημα είναι γνωστό ως παράθυρο ευκαιρίας, το οποίο είναι το χρονικό διάστημα που έχει στη διάθεσή του ένας έμπορος για να εκμεταλλευτεί την είδηση πριν το κάνουν και οι άλλοι. 

Η προκαταρκτική μελέτη επικεντρώθηκε στις ενδοημερήσιες συναλλαγές. Όμως ο Lopez-Lira πιστεύει ότι καθώς περισσότερες επιχειρήσεις χρησιμοποιούν αυτά τα εργαλεία, το παράθυρο ευκαιρίας για την αξιοποίηση των πληροφοριών θα μειωθεί από μια ημέρα σε λεπτά ή ακόμη και δευτερόλεπτα, καθιστώντας αδύνατο για έναν άνθρωπο να εκμεταλλευτεί χειροκίνητα τις πληροφορίες για συναλλαγές υψηλής συχνότητας. Είναι ήδη δύσκολο για τους ιδιώτες εμπόρους να στοιχηματίσουν ενάντια σε μεγάλους θεσμικούς αλγόριθμους. Η τεχνητή νοημοσύνη θα το κάνει μόνο πιο δύσκολο, με αποτέλεσμα να διευρυνθεί το χάσμα μεταξύ θεσμικών και λιανικών εμπόρων, πρόσθεσε. 

Ο Lopez-Lira πιστεύει ότι αυτές οι προηγμένες ικανότητες θα μπορούσαν επίσης να γυρίσουν μπούμερανγκ στους θεσμικούς εμπόρους: Καθώς όλο και περισσότερες επιχειρήσεις ενσωματώνουν εργαλεία ΤΝ στις εμπορικές τους πρακτικές, η προβλεψιμότητα θα μειωθεί επειδή ανταγωνίζονται στον ίδιο χώρο, αναλύοντας δεδομένα με παρόμοια μοντέλα. Με την πάροδο του χρόνου, το ανταγωνιστικό τους πλεονέκτημα θα μειωθεί, είπε.  

Είναι κοινή πρακτική για τους έμπειρους εμπόρους λιανικής να αποφεύγουν να στοιχηματίζουν εναντίον των θεσμικών αλγορίθμων. Ο David Capablanca, ένας πωλητής ανοικτών πωλήσεων που είχε ποσοστό κέρδους έως και 90% μεταξύ Φεβρουαρίου 2021 και Απριλίου 2023 σύμφωνα με τα αρχεία συναλλαγών που είδε το Insider, δήλωσε ότι δεν θα διαπραγματευόταν μικρές κεφαλαιοποιήσεις αν αισθανόταν ότι εκτελούνταν αλγοριθμικές συναλλαγές. Επίσης, δεν θα ποντάρει εναντίον μετοχών με ποσοστό ιδιοκτησίας άνω του 40% σε θεσμικούς φορείς. 

Παγίδες του πραγματικού κόσμου
Αν θέλετε να χρησιμοποιήσετε το ChatGPT για να κάνετε πραγματικές συναλλαγές, θα πρέπει πιθανώς να του δώσετε πολύ περισσότερα στοιχεία, δήλωσε ο Lopez-Lira. 

Αυτό ακριβώς έκανε ο Alpesh Patel, διευθύνων σύμβουλος της εταιρείας ιδιωτικών μετοχών Praefinium, όταν δοκίμασε την ικανότητα του GPT-4 να επιλέγει μετοχές σε πραγματικό χρόνο. Τροφοδότησε το μοντέλο με σημεία δεδομένων από ένα τερματικό, τα οποία περιλάμβαναν κεφάλαιο κίνησης, μετατροπή ελεύθερων μετρητών και χρέος, μεταξύ πολλών άλλων μεταβλητών για τις 30 μετοχές του Dow. Αυτό επέτρεψε στο LLM να φιλτράρει τις πέντε κορυφαίες μετοχές που αναμένει ότι θα έχουν καλή απόδοση τους επόμενους 12 μήνες.Επέλεξε τρεις από τις ίδιες μετοχές που κατείχε ήδη η Patel, ενώ πρότεινε δύο επιπλέον ονόματα με παρόμοια ισχυρά θεμελιώδη μεγέθη. 

Ο Capablanca σταθμίζει τακτικά πώς οι τίτλοι ειδήσεων αποτελούν καταλύτη για τις κινήσεις των μετοχών. Αλλά είναι μόνο ένα από τα εννέα μέρη της λίστας ελέγχου που ελέγχει πριν σορτάρει οποιαδήποτε μετοχή. Οι short πωλητές πρέπει να εξετάζουν πολλούς άλλους παράγοντες για να αποφύγουν πιθανή καταστροφή. Ένας σημαντικός λόγος για αυτές τις καταστροφές είναι η τριβή της αγοράς, ή πράγματα που θα μπορούσαν να παρεμποδίσουν την ικανότητα ταχείας εκτέλεσης μιας συναλλαγής, κάτι που η προσομοίωση δεν συνυπολόγισε.

Μερικές φορές ο χρηματιστής δεν εκτελεί αμέσως την εντολή σας ή δεν μπορείτε να βρείτε μετοχές για να δανειστείτε. Δεδομένου ότι στις ανοικτές πωλήσεις πρέπει να δανειστείτε, στη συνέχεια να αγοράσετε και στη συνέχεια να πουλήσετε, υπάρχουν περισσότερες ευκαιρίες για σημεία τριβής που μπορούν να επιβραδύνουν τη διαπραγμάτευσή σας, όπως ένας ανθρώπινος έμπορος όπως ο Capablanca. Ωστόσο, η ChatGPT δεν είχε αυτά τα σημεία τριβής επειδή δεν χρειαζόταν να περιμένει τον χρηματιστή να της δανείσει μια μετοχή ή να εκτελέσει τη συναλλαγή της, οπότε ήταν σε θέση να επωφεληθεί από μια ανοικτή πώληση πιο γρήγορα από τον μέσο άνθρωπο.

Αυτό σήμαινε ότι οι αρνητικές ειδήσεις είχαν μεγαλύτερο και μακρύτερο αντίκτυπο στον πραγματικό κόσμο απ' ό,τι στην προσομοίωση, δίνοντας πιθανότατα πλεονέκτημα στην ChatGPT, σημείωσε ο Lopez-Lira. Το αποτέλεσμα ήταν ότι οι αρνητικές ειδήσεις είχαν μεγαλύτερη προβλεψιμότητα απόδοσης στην προσομοίωση.

"Οι μετοχές που είναι οι πιο προφανείς σορτάρεις, που ανεβαίνουν στα 100 δολάρια και καταρρέουν στο μηδέν, δεν μπορούσες καν να τις σορτάρεις", δήλωσε ο Capablanca, καθώς συνέκρινε την προσπάθεια της GPT να σορτάρει οποιαδήποτε μετοχή με ένα σενάριο του πραγματικού κόσμου χωρίς να λαμβάνει υπόψη το μέγεθος του float. "Και επιπλέον, δεν λαμβάνει υπόψη τις συμπιέσεις. Οπότε πόσες από αυτές τις μετοχές, αν τις σορτάρατε με ένα συγκεκριμένο ποσό χρημάτων, πόσες φορές ανατινάχτηκε;"

Ο Capablanca επεσήμανε επίσης τον κίνδυνο διακοπής των συναλλαγών στον πραγματικό κόσμο που μπορεί να παγιδεύσει έναν έμπορο. Έπειτα, υπάρχει ο αυξημένος κίνδυνος διακράτησης short θέσεων κατά τη διάρκεια της νύχτας, κάτι που έγινε στην προσομοίωση. Gap ups, ή ιδιαίτερα ευμετάβλητες κινήσεις στην τιμή, μπορεί να συμβούν στις συναλλαγές μετά τις ώρες. Αυτά μπορεί να προκαλέσουν short squeezes που οδηγούν σε margin calls, πρόσθεσε. 

Όσον αφορά τους μεγάλους θεσμικούς επενδυτές, πρέπει να συνυπολογίσουν τον αντίκτυπο των τιμών, ο οποίος συμβαίνει όταν μεγάλα ποσά συναλλαγών μετακινούν την τιμή μιας μετοχής, κάτι που είναι πιο πιθανό να συμβεί σε μετοχές μικρότερης κεφαλαιοποίησης, σημείωσε ο Lopez-Lira. 

Η έλλειψη ρευστότητας είναι ένας άλλος τομέας τριβής που θα μπορούσε να επιβραδύνει μια συναλλαγή σε πραγματικό χρόνο. Οι μετοχές με μικρότερη ρευστότητα είναι πιο δύσκολο να εισέλθουν και να εξέλθουν λόγω περιορισμών στην προσφορά ή τη ζήτηση, γεγονός που θα μπορούσε να δημιουργήσει μεγαλύτερα περιθώρια. 

Εάν οι μετοχές που σορτάρονται είχαν άφθονο όγκο και μπορούσαν να σορταριστούν, τότε το μοντέλο είναι εύρωστο, επειδή παρουσιάζει μαζικά υπερμεγέθη αποτελέσματα, λέει ο Cory Mitchell, αναλυτής στην ιστοσελίδα εκπαίδευσης συναλλαγών Trading.biz. Αν συγκρίνετε την απόδοση της μελέτης με τον S&P 500 για την ίδια περίοδο, το μοντέλο αυτό είχε άνοδο 500%, ενώ ο δείκτης είχε πτώση. Και, τα drawdowns ήταν επίσης μικρότερα από τον δείκτη, κάτι που είναι πολύ ενθαρρυντικό, πρόσθεσε. 

"Ένα χαρτοφυλάκιο της αγοράς με ίσο βάρος θα είχε μια απόσυρση 36% σε ένα σημείο κατά τη διάρκεια αυτής της μελέτης. Ενώ, το χαρτοφυλάκιό τους κατέγραψε πτώση 22,79% - άρα, ένα τρίτο μικρότερη πτώση σε σχέση με ένα χαρτοφυλάκιο τύπου δείκτη", δήλωσε ο Mitchell.

Παρά τις ελλείψεις της μελέτης, ο Capablanca λέει ότι είναι σημαντικό για τους συναλλασσόμενους να παραμένουν ενήμεροι σχετικά με αυτές τις εξελίξεις για ενημερωτικούς σκοπούς. 
"Είναι καλό να γνωρίζουμε πόσο μακριά έχουν φτάσει, επειδή στο μέλλον θα είναι καλό", δήλωσε ο Capablanca για τα εργαλεία τεχνητής νοημοσύνης. "Δεν θέλω να είμαι στο σκοτάδι. Είναι σαν έναν υπολογιστή το έτος 2005, αν αγνοούσες τους υπολογιστές μέχρι τώρα, θα μείνεις πίσω γιατί κάποια στιγμή θα το καταλάβουν".


Πηγή: ChatGPT helped a simulated study return up to 512% trading stocks based on news. Here's the prompt the researchers used — plus the positive and negative takeaways from their findings.