Az MI elemzi a pénzügyi piaci híreket

Az MI modellek meghatározzák, hogy egy hír pozitív, negatív vagy semleges hangvételű-e egy vállalat vagy piac irányában a megfogalmazás és a kontextus elemzésével. Például a „X vállalat rekordnyereséget jelentett” pozitívként van jelölve, míg a „Y vállalat csalásvizsgálat alatt áll” negatívként.

FinBERT egy népszerű megközelítés – a Google BERT nyelvi modelljének egy változata, amelyet kifejezetten pénzügyi szövegre hangoltak a hangulat osztályozására. Ezeket a modelleket történelmi pénzügyi hírek alapján képezték, amelyekhez a részvényárfolyam-változások hatását rendelték.

BloombergGPT, egy doménspecifikus nagy nyelvi modell, kifejezetten a pénzügyi hírek hangulatelemzésének javítására lett kiképezve (valamint névazonosításra és hírkategorizálásra). Azáltal, hogy méri a piac érzelmi tónusát, az MI mennyiségi eszközt ad a minőségi hírekhez.

A pénzügyi hírek tele vannak tulajdonnevekkel – vállalatnevek, személyek, termékek, helyszínek stb. Az MI rendszerek NLP segítségével azonosítják és címkézik a hírekben említett entitásokat. Ha egy hír azt mondja, hogy „Az Apple bemutatta az új iPhone-t Kínában”, az MI az „Apple”-t vállalatként, az „iPhone”-t termékként, a „Kína”-t helyszínként címkézi.

Fejlett platformok, mint a RavenPack hatalmas pénzügyi szótárakkal rendelkeznek – a RavenPack algoritmusai több mint 12 millió egyedi entitást képesek felismerni, beleértve nyilvános és magánvállalatokat, vezetőket, bennfenteseket, valamint specifikus termékeket vagy valutákat.

A nevek címkézése mellett az MI osztályozza azt is, hogy miről szól a hír (téma vagy eseménytípus). Eredményjelentés, összeolvadási bejelentés, szabályozói ügy vagy gazdasági mutató? A RavenPack taxonómiája több mint 7000 eseménykategóriát fed le a hírek kategorizálásához.

Nem minden hír egyforma – egyes cikkek régi információkat ismételnek, míg mások újat hoznak. Az MI eszközök értékelik az újdonságot (mennyire új vagy egyedi egy darab) és a relevanciát (mennyire közvetlenül hat egy adott vállalatra vagy piacra).

Például egy kisebb hírblog, amely csak említi az Apple-t, alacsony relevanciát kap, míg egy SEC vizsgálat az Apple pénzügyei kapcsán nagyon magas pontszámot. A RavenPack relevancia pontozást és újdonságkövetést biztosít minden azonosított entitásra/eseményre a történetben, valamint egy „hatás” pontszámot.

Az újdonság felismerése gyakran úgy történik, hogy a szöveget összehasonlítják a friss hírekkel, hogy megállapítsák, ismétli-e a már ismert információt. Ez kulcsfontosságú a gyorsan mozgó piacokon, ahol tucatnyi forrás ismételheti ugyanazt a Reuters hírt – az MI az első példányt újdonságként jelzi, a többit pedig kevésbé hangsúlyozza.

A fejlett MI nem áll meg az egyedi híreknél – képes makrótémákat és trendeket azonosítani több ezer cikk között. Az LSEG MarketPsych Analytics több mint 200 gazdasági és viselkedési témába csoportosítja a híreket (például „kereskedelmi háború”, „infláció”, „kiberbiztonság” stb.).

Az MI minden hírt besorol ezekbe a témákba, és pontozza a hangulatot az egyes témákban. Ez lehetővé teszi a befektetők számára, hogy nyomon kövessék a témák hangulatát időben (pl. javul vagy romlik-e az „elektromos járművek” körüli hangulat ebben a negyedévben). A Bloomberg Terminal „Kulcshírek témák” funkciója AI segítségével csoportosítja a híreket témák szerint.

A tematikus felismerések feltárásával az MI segít összekötni a pontokat. Ha sok vállalat hírei mind az ellátási lánc zavarairól szólnak, a befektető észreveheti, hogy egy piaci kockázati tényező jelenik meg. Az MI lényegében az írások közötti összefüggéseket olvassa ki, felismerve olyan mintákat, amelyeket az ember egyedül olvasva nem venne észre.

Az MI egyre inkább alkalmazottja a hosszú vagy összetett hírek tömör, könnyen emészthető formába foglalásának. Generatív MI modellek (mint a GPT-4 és BloombergGPT) képesek tömör összefoglalókat vagy pontokat készíteni egy hírhez, megőrizve a kulcsfontosságú tényeket.

A Bloomberg nemrég indította el a MI-alapú hírösszefoglalókat a Terminálján: minden Bloomberg hírhez az MI három kulcspontot generál a cikk tetején. Ezeket a szakértők ellenőrzik a pontosság érdekében, így a forgalmas kereskedők pillanatok alatt megérthetik a történet lényegét.

Igazi áttörés… világos, tömör felismerések, amelyekkel gyorsan átlátom az összetett történeteket.

— Vezető kereskedő, Bloomberg Terminal felhasználó

Az összefoglalókon túl az MI képes kérdésekre is válaszolni a hírekkel kapcsolatban (K&V). Ha megkérdezi, „Mit mondott ma az inflációról a Fed elnöke?”, az MI egy hírátiratból húzhatja elő a választ. Egyes platformok most már lehetővé teszik a felhasználók számára, hogy csevegésen keresztül mélyebben is elemezzék a híreket, intuitívabb módon.

Az MI hír-elemzésének talán legkorábbi alkalmazói a kvantitatív és algoritmikus kereskedő cégek voltak. Ezek a cégek a hírekből származó jelzéseket integrálják kereskedési modelljeikbe, hogy előnyt szerezzenek. Jelzi ezt, hogy a legjobb teljesítményű kvantitatív fedezeti alapok több mint 70%-a használja a RavenPack News Analytics-et alfa generálásra és kockázatkezelésre.

Ezeknek az alapoknak az MI által szolgáltatott adatok, mint a hangulat pontszámok, buzz-mutatók és eseményészlelések kereskedési jelként szolgálhatnak. Egy algoritmus például hosszú pozíciót vehet fel nagyon pozitív hírekkel rendelkező részvényekben, és rövidet a nagyon negatív hangulatúaknál (egy stratégia, amelyet visszatesztelések igazoltak, amelyek a magas és alacsony hangulatú részvények közötti teljesítménykülönbséget mutatják).

A nagyfrekvenciás kereskedő cégek is algoritmikusan elemzik a hírfolyamokat – ha egy piacot mozgató címsor áthalad (például egy központi bank meglepetés), az MI azonnal kereskedéseket indíthat, gyakran teljesen automatizált módon. Ez rendkívül reagálóvá tette a piacokat a hírekre, hozzájárulva a heves mozgásokhoz, amikor váratlan információ érkezik.

A gyors kereskedésen túl az MI hírelemzés támogatja a hosszabb távú befektetőket, mint az eszközkezelők, befektetési alapok és vagyonkezelők. A hangulat- és hírtrend adatok további betekintést nyújtanak a fundamentumok mellett.

Egy részvényportfólió-kezelő figyelheti az egyes részvények hangulat pontszámát; egy hirtelen esés felhívhatja a figyelmet arra, hogy milyen negatív hír jelent meg, és jelezheti-e ez fundamentális problémát. Hasonlóképpen, az MI kiemelheti a portfólió stratégiát érintő feltörekvő témákat – például ha a „kiberbiztonság” egyre gyakrabban jelenik meg több technológiai részvény kapcsán, az növekvő kockázatot (vagy lehetőséget) jelezhet.

Tematikus riasztások lehetővé teszik az előrelátó újrasúlyozást: ha az MI észleli, hogy a kereskedelmi háborús retorika erősödik, és azonosítja a témából származó „nyerteseket” és „veszteseket”, a kezelő ennek megfelelően alakíthatja a portfóliót. Az MI segít az elemzőknek elkerülni az információs vakfoltokat is, mivel annyi forrást fed le – figyelmeztethet ritka kiadványokban vagy idegen nyelven megjelenő hírekre, amelyeket egyébként elmulasztanának.

Néhány platform (például az AlphaSense) még brókeri kutatásokat és SEC jelentéseket is integrál a hírekkel, lehetővé téve az elemzők számára, hogy egy helyen keressenek egy vállalatra vonatkozó szöveges adatokat. Egy kutató úgy jellemezte, hogy ChatGPT-szerű MI-t használva „sok olyan munkafolyamatot meg tudok csinálni, amit korábban befektetési bankban végeztem”, a vállalati pénzügyek összefoglalásától a piros zászlók kereséséig a hírekben.

A pénzügyekben nem csak a lehetőségek megtalálása a cél – a veszteségek kezelése és a szabályozások betartása is fontos. Az MI hírelemzés nagy segítség a kockázatkezelőknek és megfelelőségi csapatoknak. Korai figyelmeztető rendszerként szolgálhat különféle kockázatokra: negatív hírek észlelése egy partnerrel kapcsolatban, vállalatirányítási problémák jeleinek felismerése, vagy geopolitikai fejlemények monitorozása, amelyek befolyásolhatják a piacokat.

Ha egy vállalat hirtelen botrány vagy per miatt kerül a hírekbe, az MI azonnal jelzi ezt, hogy a kockázatkezelők módosíthassák kitettségeiket. A megfelelőségi osztályok az MI-t használják a piaci visszaélések vagy bennfentes kereskedelem jeleinek figyelésére is. A tőzsdék és szabályozók MI-t alkalmaznak a közösségi média és hírek monitorozására piaci manipuláció vagy csalás gyanúja esetén.

Anomáliák – például egy vékonyan kereskedett részvényről érkező pozitív posztok hirtelen megugrása – az MI által észlelhetők, és vizsgálhatók pump-and-dump sémák után. Az valós idejű, átfogó felügyelet, amit az MI lehetővé tesz, segít megőrizni a piac integritását.

Ezen túlmenően az MI egy irányítópulton összesíti a híreket, segítve a megfelelőségi tisztviselőket az ügyfelek vagy befektetések átvilágításában („Ismerd meg az ügyfeled” és pénzmosás elleni ellenőrzések), gyorsan megtalálva bármilyen kedvezőtlen hírt egy személyről vagy entitásról. Így az MI nemcsak a pénzkeresést segíti, hanem a pénzügyi intézményeket is védi a kockázatoktól és visszaélésektől.

Az MI hírelemzés nem csak a Wall Street elitjére korlátozódik. Egyre inkább eljut a lakossági befektetőkhöz és a hétköznapi ügyfeleket kiszolgáló pénzügyi tanácsadókhoz. Új robo-tanácsadó alkalmazások és kereskedési platformok építik be az MI-t, hogy hírvezérelt felismeréseket nyújtsanak a felhasználóknak.

Néhány kereskedési alkalmazás már beépített hírhangulat mutatókat vagy MI által generált összefoglalókat kínál arról, hogy miért mozog egy részvény. Az MI-nek köszönhetően még az egyéni befektetők is hozzáférhetnek olyan elemzésekhez, amelyek „korábban csak nagy bankok vagy intézményi befektetők számára voltak elérhetők”.

Egy nemrégiben megjelent Reuters jelentés szerint a lakossági befektetők 13%-a már használt MI eszközöket, például ChatGPT-t részvénykutatáshoz vagy ajánlásokhoz, és körülbelül a fele nyitott az ötletre. Ez a demokratizálódás azt jelenti, hogy egy átlagember megkérdezheti a chatbotot: „Mi a kilátás a Z vállalatra a legfrissebb hírek alapján?”, és koherens választ kap, amely összefoglalja a legújabb fejleményeket.

Startupok is kínálnak MI által válogatott hírfolyamokat, amelyek a befektető portfóliójához vagy érdeklődési köréhez igazodnak, gyakran magyarázó kiemelésekkel. Például a StockPulse ügyfeleknek (beleértve néhány brókert is) MI által generált napi összefoglalókat és hangulatelemzést biztosít részvényekhez, integrálva az ügyféljelentésekbe a megalapozott döntéshozatal támogatására.

Az ügyfélportfóliókat kezelő pénzügyi tanácsadók az MI hírelemzést használják, hogy naprakészek legyenek és jobban kommunikáljanak ügyfeleikkel. Egy tanácsadó egy MI irányítópultra támaszkodhat egy gyors frissítéshez: „A heti hírhangulat az Ön befektetései esetében nagyrészt pozitív volt, kivéve egy részvényt, amely negatív sajtóval szembesült.”

Az ilyen felismerések ügyfélbarát magyarázatokká alakíthatók, MI által generált diagramokkal vagy vizuális elemekkel támogatva. Az LSEG MarketPsych például lehetővé teszi intuitív vizuális elemek, mint a hangulat-ár diagramok és tematikus kitettség hőtérképek létrehozását, amelyek a komplex NLP eredményeket érthetővé teszik a végső befektető számára.

Ez javítja az ügyfélélményt – a tanácsadók proaktívan elmagyarázhatják, hogyan befolyásolhatja a „hírhangulat” egy szektort, miközben oktatják az ügyfeleket. Emellett a tanácsadók maguk is profitálnak abból, hogy az MI naprakészen tartja őket a makro hírekkel kapcsolatban. Ha hirtelen geopolitikai esemény vagy politikai változás történik, az MI riasztások biztosítják, hogy a tanácsadók gyorsan kapcsolatba léphessenek az ügyfelekkel a befektetéseiket érintő hatásokról.

Az MI felismeréseket tárhat fel, de emberi szakértelem szükséges azok értelmezéséhez és alkalmazásához. Ha az MI negatívként jelöl meg egy történetet, egy tapasztalt elemző még mindig elolvassa a cikket, hogy megértse a finomságokat és a kontextust. Az MI esetleg nem érzékeli a szarkazmust vagy a kettős jelentéseket, vagy félreértheti a hangnemet, például ha egy „rekordnyereség” valójában egyszeri könyvelési nyereségből származik.

Az MI rendszerek csak olyan jók, mint az adatok, amelyeken tanultak. A hírek forrásainak elfogultsága (vagy a közösségi média zaj) tükröződhet az MI eredményeiben. Óvatosnak kell lenni, hogy például egy spekulatív blogbejegyzés-hullám ne torzítsa hamisan a hangulat pontszámot. A vezető szolgáltatók ezt spam szűrőkkel és forrás súlyozással kezelik, de a felhasználóknak kritikusan kell viszonyulniuk.

Gyors piacokon a hírelemzés leginkább azonnal hasznos, amint a hír megjelenik. Egy MI hangulat pontszám 10 perccel az esemény után már túl késő lehet, ha a piac már elmozdult. Ezért a kereskedők valós időben használják ezeket az eszközöket, gyakran közvetlenül algoritmusokba táplálva azokat.

Kevésbé időérzékeny befektetésnél (például hosszú távú döntéseknél) a sebesség kevésbé kritikus, ilyenkor az MI szerepe inkább az információk összesítésére és nagyobb kép kialakítására irányul.

Az MI-be vetett bizalom könnyebb, ha nem teljesen „fekete doboz”. Sok platform most már magyarázatokat is ad az eredményekhez. Ha egy MI pontszám „negatív hangulatot” jelez, a rendszer megmutathatja, mely szavak vagy kifejezések vezettek ehhez a következtetéshez (pl. „csőd”, „per” stb.). Ez segíti a felhasználókat az MI érvelésének validálásában.