¿Puede ChatGPT descifrar los mensajes de la Reserva Federal?

Llegó la primera ola de investigaciones académicas que aplican ChatGPT al mundo de las finanzas y, a juzgar por los resultados iniciales, la expectación de los últimos meses está justificada.

Este mes se publicaron dos nuevos estudios en los que se utilizó el chatbot de inteligencia artificial en tareas relacionadas con el mercado: uno para descifrar si las declaraciones de la Reserva Federal eran hawkish o dovish, y otro para determinar si los titulares eran buenos o malos para un acción.

(Puede leer también: 'Hay 75.000 subsidios de Mi Casa Ya garantizados': minvivienda)

ChatGPT superó ambas pruebas, lo que sugiere un posible gran avance en el uso de la tecnología para convertir grandes cantidades de texto de artículos noticiosos a tuits y discursos en señales de negociación.

Por supuesto que este proceso no es nada nuevo en Wall Street, donde los operadores cuantitativos, los llamados “quants”, llevan mucho tiempo utilizando el tipo de modelos lingüísticos que sustentan el chatbot para fundamentar muchas estrategias. Pero los resultados apuntan a que la tecnología desarrollada por OpenAI alcanza un nuevo nivel en términos de análisis de matices y contexto.

“Es uno de los pocos casos en los que la exageración es real”, afirma Slavi Marinov, jefe de aprendizaje automático de Man AHL, que lleva años utilizando la tecnología conocida como procesamiento del lenguaje natural para leer textos como transcripciones de resultados financieros y mensajes de Reddit.

En el primer artículo, titulado Can ChatGPT Decipher Fedspeak? (¿Puede ChatGPT descifrar el lenguaje de la Reserva Federal?), dos investigadoras de la propia Fed descubrieron que ChatGPT se acercaba más a los humanos a la hora de descifrar si los comunicados del banco central eran dovish o hawkish. Anne Lundgaard Hansen y Sophia Kazinnik, del Banco de la Reserva Federal de Richmond, demostraron que superaba a un modelo muy utilizado de Google llamado BERT y también a clasificaciones basadas en diccionarios.

ChatGPT incluso fue capaz de explicar sus clasificaciones de las declaraciones políticas de la Fed de una manera que se parecía a la del propio analista del banco central, que también interpretó la redacción para actuar como punto de referencia humano para el estudio.

Tomemos esta frase de un comunicado de mayo de 2013: “Las condiciones del mercado laboral han mostrado cierta mejora en los últimos meses, en general, pero la tasa de desempleo sigue siendo elevada”. El robot explicó que la frase es dovish porque sugiere que la economía aún no se ha recuperado por completo. Esa fue una conclusión similar a la del analista, identificado como Bryson y descrito en el artículo como “un varón de 24 años, conocido por su inteligencia y curiosidad”.

En el segundo estudio, Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models (¿Puede ChatGPT pronosticar los movimientos del precio de las acciones? Predictibilidad de retorno y grandes modelos lingüísticos), Alejandro López-Lira y Yuehua Tang, de la Universidad de Florida, hicieron que ChatGPT fingiera ser un experto financiero e interpretara los titulares de las noticias corporativas. Utilizaron noticias posteriores a fines de 2021, un período que no estaba cubierto en los datos de entrenamiento del chatbot.

El estudio descubrió que las respuestas dadas por ChatGPT mostraban un vínculo estadístico con los movimientos posteriores de las acciones, señal de que la tecnología era capaz de analizar correctamente las implicaciones de las noticias.

En un ejemplo sobre si el titular “Multan a Rimini Street con US$630.000 en un caso contra Oracle” era bueno o malo para Oracle, ChatGPT explicó que era positivo porque la sanción “podría potencialmente aumentar la confianza de los inversionistas en la capacidad de Oracle para proteger su propiedad intelectual y aumentar la demanda de sus productos y servicios”.

Para los operadores cuantitativos más sofisticados ya es casi normal usar PNL para medir qué tan popular es una acción de Twitter o para incorporar los últimos titulares sobre una empresa. Pero los avances que ha demostrado ChatGPT parecen estar listos para abrir mundos enteros de información nueva y hacer que la tecnología sea más accesible para una comunidad más amplia de profesionales de las finanzas.

Para Marinov, aunque no es de extrañar que las máquinas ahora puedan leer casi tan bien como las personas, ChatGPT puede acelerar potencialmente todo el proceso.

Cuando Man AHL empezó a crear los modelos, el fondo de cobertura cuantitativa etiquetaba manualmente cada frase como positiva o negativa para un activo con el fin de dar a las máquinas un modelo para interpretar el lenguaje. Después, la empresa londinense convirtió todo el proceso en un juego que clasificaba a los participantes y calculaba hasta qué punto estaban de acuerdo en cada frase, de modo que todos los empleados pudieran participar.

Los dos nuevos estudios sugieren que ChatGPT puede realizar tareas similares sin necesidad de un entrenamiento específico. La investigación de la Fed demostró que este aprendizaje, denominado “zero-shot learning”, ya superaba a las tecnologías anteriores, pero al afinarlo basándose en algunos ejemplos concretos mejoró aún más.

“Antes uno mismo tenía que etiquetar los datos”, explica Marinov, cofundador de una empresa de PNL. “Ahora eso se puede complementar con el diseño del mensaje adecuado para ChatGPT”.

BLOOMBERG