Siempre es divertido traspasar los límites de la tecnología y ver lo que puede hacer. Los chatbots de IA son el tema candente en la blogosfera cuántica. Así que hemos decidido probar las capacidades de ChatGPT de OpenAI. ¿Lo persuadiremos para que se convierta en un analista de datos para nosotros? Si bien es posible que aún no lo consigamos, está claro que los modelos de lenguaje de IA como ChatGPT pronto pueden revolucionar la forma en que abordamos las finanzas y el análisis de datos.
Introducción
Somos analistas de datos, no expertos en inteligencia artificial. Realmente no tenemos una opinión sólida sobre si los principales chatbots de IA actuales como ChatGPT de OpenAI en el nivel real (o el nivel que pronto se alcanzará) son una posible amenaza o no. Pero hemos pasado unas horas charlando con el modelo GPT-4 de OpenAI, y debemos decir que estamos realmente impresionados.
El nivel de comprensión de las instrucciones escritas es notable. La conversación con la IA es como si habláramos con un bibliotecario culto que puede dar buenas recomendaciones y mover los límites de su conocimiento muy rápido (es como leer Wikipedia pero con una guía invisible que lo ayuda a elegir lo que es importante). Además, la contraparte de la IA muestra una gran capacidad de deducción y razonamiento (al menos, para un no humano). También es sorprendentemente creativo. Haremos un breve desvío y le mostraremos un intercambio en el que intentamos probar la IA al pedir algunos acertijos:
Y aquí viene una parte interesante. La IA nos dio un acertijo, y fue realmente bueno y creativo. Nos gustó mucho. Colocaré aquí el enigma; puedes pensar en ello.
La respuesta está al final del artículo.🙂
Una vez que sospechamos que estos chatbots de IA ofrecen indicios de creatividad, nos enganchamos. Así que decidimos explorar ChatGPT y comprobar cómo funciona como motor de backtesting.
Análisis y exploración
Primero, algo de información rápida. ChatGPT, como le gusta enfatizar, es realmente un modelo de lenguaje de IA, no una herramienta de backtesting. No podemos ingresar datos fácilmente en él . Podemos usar una interfaz de chat y enviarle algunos datos, pero estamos realmente limitados:
O bien, podemos usar datos que se almacenan dentro de ChatGPT. Resulta que hay algunos datos ocultos en su red neuronal:
Sí, es una buena aproximación, ya que, a finales de agosto de 2017, el precio del ETF de SPY era de 247,49.
Etc. etc. Así que tenemos algunos datos… Ahora, hagamos un análisis…
- Por supuesto, sería genial si pudiéramos conectarnos directamente desde ChatGPT a alguna otra fuente de datos y dejar que el chatbot manipule datos de una fuente de datos externa y nos informe los hallazgos directamente en la misma interfaz a través de la cual nos comunicamos. OpenAI está lanzando complementos gradualmente y estamos deseando que llegue.
- Otra idea sería usar la API del modelo ChatGPT para traducir las instrucciones del lenguaje humano a código y ejecutarlo directamente en otras plataformas. Algunas personas ya han comenzado a ir en esta dirección, pero ese no es un camino que nos gustaría explorar hoy (para aquellos que estén interesados, vean un enlace ).
- Por último, podemos pedirle a ChatGPT que escriba un código para nosotros, y podemos copiarlo/pegarlo manualmente en el entorno de python. Pero eso no es algo que nos interese en este momento.
Hoy, nos gustaría quedarnos dentro del entorno de ChatGPT y probar su creatividad en el análisis y manipulación de datos.
Entonces, verificamos si ChatGPT tiene datos para GLD ETF, y los tiene. Así que ahora puede comenzar la diversión. En primer lugar, dejamos que calcule el rendimiento mensual de los ETF de SPY y GLD.
Etc. etc. Genial. Ahora construimos una estrategia de asignación de activos de referencia cuando asignamos un peso del 50 % a cada ETF y calculamos las estadísticas.
Genial, pero ahora viene el trabajo real. Omitiremos un año (agosto de 2017 a agosto de 2018) y calcularemos nuevas estadísticas. La razón de esto es que intentaremos usar los primeros 12 meses de datos SPY y GLD (y/o cualquier otro dato que ChatGPT pueda tener) como predictores, y luego, intentaremos construir un mejor método de asignación de activos (que ETF de igual ponderación).
Buenas sugerencias. Así que intentamos obligar a ChatGPT a hacer un análisis por nosotros. Desafortunadamente, nos encontramos con un bache en el camino🙂
Intentamos simplificar la tarea usando solo el método de ponderación de volatilidad inversa. Pero todavía sin éxito; el ChatGPT nos saboteó.
Parece que todavía tenemos algo de resistencia.🙂
Intentamos simplificar la tarea para ChatGPT simplemente mostrando las volatilidades de 12 meses para el GLD ETF. Pero parece que tocamos el techo de lo que ChatGPT puede calcular dentro de su interfaz de chatbot.
… etcétera etcétera. …
Entonces, parece que no podremos avanzar más. Tendríamos que esperar hasta que ChatGPT esté conectado a algún entorno real de análisis de datos o backtesting.
Pero volvamos a las sugerencias de ChatGPT. Nos sugirió cinco métodos de asignación de activos: paridad de riesgo, basado en impulso, variación media, volatilidad inversa y basado en fundamental. Podemos intentar que nos diga más sugerencias:
Es una buena lista. Daremos una indicación más; podemos pedirle que nos proporcione una lista de predictores si deseamos crear una asignación de activos basada en fundamentales.
Bien, tenemos algunas buenas ideas, por supuesto; ahora tenemos el único problema de encontrar el tiempo y explorarlos y compararlos eficientemente. Pero ese es un problema diferente.
Creemos que podemos terminar nuestra exploración aquí. Y es probable que sea hora de sacar algunas conclusiones…
Conclusión
- Como ya mencionamos al comienzo del artículo, ChatGPT es realmente una gran herramienta para aprender. No es tan profundo como los trabajos de investigación académicos individuales, pero es excelente cuando queremos aprender rápidamente sobre una nueva área de investigación, ya que ChatGPT puede guiarnos en nuestro camino de aprendizaje.
- Echamos de menos referencias (enlaces a páginas web) en las respuestas de ChatGPT. Bing de Microsoft hace eso, y es una buena característica.
- Esperamos tener interfaces que conecten ChatGPT con marcos de análisis de datos y backtesting. Sí, es bueno que ChatGPT pueda darnos una sugerencia de código python que podemos copiar, pegar e implementar. O que puede depurar un código. Pero -> sería aún más rápido si ChatGPT pudiera ejecutar directamente el código y mostrar los resultados en lugar de solo darnos sugerencias. Pero estamos 100% seguros de que la industria se moverá rápidamente en esta dirección.
- Una vez que las interfaces entre ChatGPT, las herramientas de análisis de datos y los proveedores de datos están abiertas, entonces realmente queremos el reconocimiento de voz. 🙂Sí, es una buena característica si podemos escribir instrucciones en lenguaje natural en lugar de usar secuencias de comandos de Python. Pero nosotros (como humanos) generalmente podemos hablar de 3 a 5 veces más rápido de lo que escribimos. Por lo tanto, sería un verdadero aumento de la productividad si solo conversáramos con la IA y nos mostraría los resultados (y de vez en cuando, cambiamos/editamos/modificamos el código o algo que la IA mostraría). ¿Llegaremos allí? Hasta hace unos días, considerábamos esta idea (una interfaz de voz a IA real y práctica) una ciencia ficción que está al menos dentro de 10-20 años. Ahora, creemos que está mucho más cerca.
- Evitamos deliberadamente el tema de la inteligencia general artificial en este artículo. Pero la sensación que tenemos es que está más cerca de lo que realmente esperábamos.
PD: Aquí está la respuesta al acertijo.🙂
