LLMs en finanzas: ¿la próxima frontera o un espejismo?

¿Qué ha ocurrido?

Desde el auge de ChatGPT, los grandes modelos de lenguaje (LLMs) han despertado el interés de los traders cuantitativos. La idea es simple: si un LLM puede predecir la siguiente palabra en una frase, ¿por qué no usarlo para predecir el siguiente precio o trade? En 2023, en la conferencia NeurIPS, Hudson River Trading presentó un análisis comparando los tokens disponibles en datos de mercado (unos 177 mil millones por año, con 3000 acciones y 10 datos por acción al día) frente a los 500 mil millones con que se entrenó GPT-3. La cantidad de datos no es el problema, pero la calidad de la señal sí lo es.

¿Por qué es importante?

Los mercados financieros son inherentemente ruidosos y adversariales: a diferencia del lenguaje, donde los hablantes cooperan para ser entendidos, los participantes del mercado compiten activamente para eliminar cualquier patrón predecible. Como señaló el economista Lasse Pedersen, los mercados son “eficientemente ineficientes”. Esto significa que, aunque existan oportunidades, son fugaces y difíciles de capturar. Si los LLMs lograran extraer señal del ruido, podrían revolucionar el trading algorítmico, la gestión de riesgos y el análisis fundamental. Sin embargo, los resultados hasta ahora muestran que predecir retornos es mucho más difícil que predecir palabras.

Consecuencias y perspectivas

Las empresas de trading de alta frecuencia y los fondos de cobertura están invirtiendo en investigación de LLMs, pero con cautela. Las aplicaciones más prometedoras no son la predicción directa de precios, sino el análisis de sentimiento de noticias, la generación de informes automáticos y la detección de anomalías. A largo plazo, la integración de LLMs con otras técnicas de machine learning podría mejorar la extracción de señal. No obstante, el escepticismo persiste: la falta de estructura lingüística en las series financieras y la presencia de ruido adversarial hacen que la tarea sea fundamentalmente más compleja.

“Los LLMs pueden ser una herramienta más en la caja del quant, pero no la varita mágica que muchos esperan.” — Analista de TheVortiq

¿Qué deben saber los lectores?

• Los LLMs no están diseñados para datos financieros; requieren adaptaciones significativas.
• La principal dificultad es la baja relación señal/ruido en los mercados, agravada por la competencia entre actores.
• Las aplicaciones más viables hoy son auxiliares (análisis de texto, resúmenes), no de predicción directa.
• El futuro puede traer modelos híbridos que combinen LLMs con redes neuronales recurrentes o transformers específicos para series temporales.
• La inversión en I+D continuará, pero el hype debe moderarse con realismo.

En conclusión, los LLMs tienen potencial en finanzas, pero su aplicación directa a la predicción de precios enfrenta obstáculos teóricos y prácticos. La comunidad investigadora sigue explorando, pero por ahora, la revolución prometida aún no ha llegado.