LLM模型在金融市場更重要，分析師職涯未來呈現兩極化分佈｜專家論點【Howie Su】
作者：Howie Su（產業分析師）
LLM開始進軍金融產業並帶來不小衝擊
大型語言模型(LLM)現在已經逐漸滲透到各種產業並帶來不小衝擊，金融業可能是下一個重頭戲，大型語言模型由與數百萬或數十億個參數相關的人工神經網路組成，並根據大量數據進行訓練（無論是自監督學習還是半監督學習技術），以理解與重組資訊，而金融業出於多種原因開始利用這些工具，包括預測股市、金融教育、經濟預測、交易策略、情緒分析和風險管理。而在模型類別上，分別由ChatGPT、BloombergGPT、FinGPT 可在金融領域扮演重要角色，而這三個LLM模型未來將對金融領域帶來變革，同時讓金融研究員的角色兩極化：強者更強，弱者可能被替代掉。
模型一：ChatGPT
美國佛羅里達大學金融系的兩位教授認為，在金融產業使用大型語言模型能夠更精準地預測股票市場的結果，並且有利於交易策略。在這項研究中，兩位教授使用 ChatGPT 「透過新聞標題的情緒分析來預測股市回報。」他們發現，與 BERT、GPT-1 和 GPT-2 等模型相比，ChatGPT 表現最好，只有像 ChatGPT 這樣的更先進的模型才能分析大量數據以成功預測股市。ChatGPT 架構使用多層神經網路對自然語言的結構和模式進行建模，使用無監督學習方法，在大量文本數據上進行了預訓練，例如維基百科文章或網頁。在這項研究中，兩位教授使用了從證券價格研究中心每日收益、新聞頭條和 RavenPack 中提取的數據集，而預測效果相當不錯，當它吃進更多資料時，未來在證券市場的預測可能越來越強。
模型二：BloombergGPT
BloombergGPT是彭博資訊的語言模型，2023年3月，彭博社發布了自己的大型語言模型，稱為BloombergGPT，該模型主要專門為金融產業開發、包含500億參數，根據彭博社發表的一篇研究論文，專有的 BloombergGPT 由從彭博資料源提取的 3630 億個數據集組成，研究人員在金融特定自然語言處理 (NLP)上驗證 BloombergGPT，他們發現 BloombergGPT 與 GPT-NeoX、OPT66B、BLOOM176B 和 GPT-3 等 LLM 相比，BloombergGPT 表現最好。彭博機器學習產品和研究團隊負責人 Gideon Mann表示：「受益於四十年來收集的金融文件與數據，公司能夠建立一個大型、特定領域的資料集，以訓練適合金融業應用的大型語言模型」。
模型三，FinGPT
與具備專有知識的 BloombergGPT 不同，FinGPT 是一個開源的 LLM，也是專門為金融產業開發的，FinGPT 為 Finblox 於 2023 年 3 月發布的人工智智慧金融顧問，而Finblox 是一款由 Dragonfly 和紅杉支持的加密貨幣交易應用程式。該組織的目標是使金融領域的大型語言模型民主化。Finblox執行長 Peter Hoang指出，公司的使命是為用戶提供知識和工具，以提升在未來財務狀況的掌握度，公司盡可能讓每個人都能獲得金融知識與普惠金融服務，FinGPT 借助友善的使用者界面和客製化的建議來吸引使用者，長期目標為建立一個金融生態系，來自哥倫比亞大學和紐約大學（上海）的研究團隊認為，FinGPT 可以為研究人員和用戶提供為金融行業開發大型言模型需要的資源，FinGPT 的數據集來源為財經新聞、社交媒體、文件、趨勢和學術機構。
分析師職涯怎麼走？
同為金融資訊提供者，如果分析師的功能多半為搜集資料，則其搜集速度自然無法與人工智慧模型較量，除了付費的資料庫外，許多公開資訊源已經無法形成分析結果的差異性，加上投資法人本身也能夠使用相關模型來協助資料查找、比較、推演，加上許多財經網紅也能做類似的事情時，分析師的角色可能大幅弱化。身為一個資訊提供者，金融分析師未來必須著重在產業人脈的建立，以及大局觀的掌握上，資訊落差在這十年來快速降低，無論是服務特定客戶、深耕特定產業連結，或是善用人機協作來避免自己不受取代，都是可以思考的方向。
瀏覽 1,369 次
