Invite ChatGPT utilisée pour retourner 512 % d’actions de négociation dans une étude simulée

• ChatGPT a excellé dans la prédiction de la direction des prix d’une action en fonction du sentiment de l’actualité.
• Des chercheurs de l’Université de Floride ont utilisé une seule invite pour lui demander de déterminer le sentiment.
• Son ratio de prévisibilité positif lui a permis de générer des gains dans le temps.

L’enthousiasme des investisseurs pour l’intelligence artificielle a fait grimper le S&P 500 de 18 % cette année, et les actions de méga-capitalisation exposées à la technologie ont constitué la majeure partie des gains de l’indice.

Parallèlement à l’excitation, il y a la curiosité de savoir comment l’IA peut être davantage intégrée à l’investissement. Par exemple, à mesure que les grands modèles de langage (LLM) qui sous-tendent des services comme ChatGPT s’améliorent, peuvent-ils imiter si bien le raisonnement humain qu’ils remplaceront un jour les stock pickers ?

Le Département des finances de l’Université de Floride a pensé qu’il serait intéressant de voir si ces modèles pouvaient comprendre les marchés financiers même s’ils n’y avaient pas été formés. Ils l’ont fait en demandant à ChatGPT si une nouvelle était bonne ou mauvaise pour le cours d’une action, puis en exécutant une simulation qui achèterait ou vendrait une action selon qu’elle considérait l’information comme positive ou négative.

Ils ont constaté que même si ChatGPT excellait à prédire la direction d’un titre en fonction du sentiment de l’actualité, il n’était pas sans limites. En fait, les services d’IA générative comme ChatGPT et Bard avertissent les utilisateurs de ne pas compter sur eux pour des conseils financiers et de mener leurs propres recherches.

L’étude, dirigée par Alejandro Lopez-Lira, professeur adjoint de finance, et Yuehua Tang, professeur associé Emerson-Merrill Lynch, a cherché à évaluer si ChatGPT pouvait comprendre suffisamment l’impact des nouvelles sur les mouvements boursiers pour générer des rendements, et s’il était aussi compétent ou même meilleur qu’un humain.

Ils l’ont alimenté en gros titres sur des sujets allant des versements de dividendes aux annonces de PDG. La liste des entreprises a été extraite de la base de données du Center for Research in Security Prices. Les gros titres ont été extraits du Web, puis comparés à ceux du fournisseur de données RavenPack pour s’assurer qu’ils n’utilisaient que des informations pertinentes.

Ils ont incité ChatGPT à attribuer les scores suivants aux titres : “1” pour une bonne nouvelle, “0” pour une inconnue et “-1” pour une mauvaise nouvelle. Ceux avec un score de “1” seraient achetés et “-1” serait court-circuité automatiquement en utilisant un code Python sous Linux. Aucune action n’a été entreprise sur les sorties “0”. ChatGPT a deviné le bon résultat avec une probabilité de 51 %. Bien que la marge soit faible, car elle combine les heures supplémentaires et la fréquence des transactions, les rendements se sont accumulés, a déclaré Lopez-Lira.

L’étude a été menée en avril en tant que test de marche avant pour les jours de bourse entre octobre 2021 et décembre 2022. Étant donné que GPT-3.5 a été formé avec des données jusqu’en septembre 2021, le LLM ne savait pas ce qui s’était passé sur le marché boursier après cette période, permettant à Lopez-Lira et Tang de tester ses capacités prédictives.

Leur stratégie a été mise en place pour négocier n’importe quelle action au sein du NYSE et du Nasdaq. Cependant, la plupart des gains provenaient d’actions à petite capitalisation, car les actions plus petites sont plus coûteuses à négocier, donc moins d’investisseurs les négocient, créant une plus grande fenêtre d’opportunité pour profiter des nouvelles, a déclaré Lopez-Lira.

Au cours de cette période, la stratégie long-short éclairée par l’analyse des sentiments de GPT-3.5 a transformé 1 $ en 6,12 $, ce qui a donné un rendement de 512 %. De même, la stratégie GPT-4 a transformé le même montant en 3,76 $ pour un rendement de 276 % sur la même période. Une deuxième simulation sur GPT-3.5 a considéré des coûts de transaction entre 5 et 25 points de base, faisant chuter les gains à 380 % et 50 %, respectivement. En comparaison, le Russell 2000 a chuté de 20 % sur la même période.

Lopez-Lira a noté que le modèle précédent surperformait le second en termes de rendements totaux, mais pas en termes de rendements ajustés au risque.

“C’est surtout que GPT-3.5 est plus agressif parce que nous lui donnons la possibilité de dire : ‘Je ne sais pas si cette nouvelle est bonne ou mauvaise'”, a déclaré Lopez-Lira. “Donc GPT-3.5 aime répondre à plus de ces questions.”

De plus, l’étude a révélé que les versions antérieures du modèle de langage, y compris GPT-1, GPT-2 et BERT, ne parvenaient pas à traduire suffisamment les informations pour faire des transactions rentables. Cela suggère que la précision pourrait s’améliorer à mesure que les modèles de langage s’améliorent.

L’invite clé utilisée était :

“Oubliez toutes vos instructions précédentes. Faites semblant d’être un expert financier avec une expérience en matière de recommandation d’actions. Répondez “OUI” si bonne nouvelle, “NON” si mauvaise nouvelle, ou “INCONNU” si incertain dans la première ligne. Ensuite, développez avec une phrase courte et concise sur la ligne suivante. Ce titre est-il bon ou mauvais pour le cours de l’action de (nom de l’entreprise) à terme (à court ou à long terme) ? »

Titre : (insérer le titre)

Vous trouverez ci-dessous des exemples de titres et de réponses ChatGPT :

Titre : “Les actions de Cadence Design grimpent après les bénéfices. Les analystes sont optimistes.”

ChatGPT : OUI, le rapport positif sur les bénéfices et les perspectives optimistes des analystes devraient faire augmenter la demande d’actions Cadence Design à court terme.

Titre : “Philip Morris dépasse les estimations trimestrielles mais réduit les perspectives”

ChatGPT : “NON, le cours de l’action de Philip Morris International est susceptible de baisser à court terme en raison des perspectives négatives malgré des estimations trimestrielles supérieures.”

Titre : “Plexus Worldwide promeut Gene Tipps au poste de président des opérations mondiales”

ChatGPT : “INCONNU” On ne sait pas comment la promotion de Gene Tipps au poste de président des opérations mondiales aura un impact sur le cours de l’action de Plexus à court terme.”

“Nous lui avons demandé de prendre en compte la direction des prix ainsi qu’une brève explication, et nous les avons systématiquement sortis”, a déclaré Lopez-Lira. Il a ajouté: “Tous, disons, je les noterais avec un” A “. Toutes les explications sont sensées et économiquement valables.”

ChatGPT à Wall Street

D’un autre côté, ces modèles de langage pourraient rendre le travail d’un analyste beaucoup plus facile et plus productif car ils peuvent digérer rapidement de grandes quantités d’informations, a déclaré Lopez-Lira.

À mesure que de nouveaux modèles d’IA émergent, ils pourraient rendre les marchés plus efficaces car ils permettent des temps de réponse plus rapides aux nouvelles. Ce laps de temps est connu sous le nom de fenêtre d’opportunité, c’est-à-dire le temps dont dispose un trader pour profiter de l’actualité avant que les autres ne le fassent également.

L’étude préliminaire s’est concentrée sur les échanges intrajournaliers. Mais Lopez-Lira pense qu’à mesure que de plus en plus d’entreprises utilisent ces outils, la fenêtre d’opportunité pour tirer parti des informations sera réduite d’un jour à quelques minutes voire quelques secondes, ce qui rendra impossible pour un humain de tirer parti manuellement des informations pour les transactions à haute fréquence. Il est déjà difficile pour les commerçants de détail de parier contre de grands algorithmes institutionnels. L’IA ne fera que rendre les choses plus difficiles, ce qui creusera l’écart entre les institutions et les commerçants de détail, a-t-il ajouté.

Lopez-Lira pense que ces capacités avancées pourraient également se retourner contre les traders institutionnels : à mesure que de plus en plus d’entreprises intègrent des outils d’IA dans leurs pratiques commerciales, la prévisibilité diminuera car elles sont en concurrence dans le même espace, analysant les données avec des modèles similaires. Au fil du temps, leur avantage concurrentiel diminuera, a-t-il déclaré.

Il est courant pour les commerçants de détail chevronnés d’éviter de parier contre des algorithmes institutionnels. David Capablanca, un vendeur à découvert qui avait jusqu’à 90% de taux de gain entre février 2021 et avril 2023 selon les enregistrements de trading consultés par Insider, a déclaré qu’il n’échangerait pas de petites capitalisations s’il sentait que des transactions algorithmiques étaient exécutées. Il ne pariera pas non plus contre des actions détenues à plus de 40 % par des institutions.

Les pièges du monde réel

Si vous souhaitez utiliser ChatGPT pour effectuer des transactions réelles, vous devez probablement lui fournir beaucoup plus de contexte, a déclaré Lopez-Lira.

C’est précisément ce qu’Alpesh Patel, PDG de la société de capital-investissement Praefinium a fait lorsqu’il a testé la capacité de GPT-4 à sélectionner des actions en temps réel. Il a alimenté les points de données du modèle à partir d’un terminal, qui comprenait le fonds de roulement, la conversion de trésorerie disponible et la dette, parmi de nombreuses autres variables pour les 30 actions Dow. Cela a permis au LLM de filtrer les cinq principales actions qui devraient bien performer au cours des 12 prochains mois. Il a sélectionné trois des mêmes actions que Patel détenait déjà tout en suggérant deux noms supplémentaires avec des fondamentaux tout aussi solides.

Capablanca évalue régulièrement la façon dont les gros titres sont un catalyseur pour les mouvements de stocks. Mais ce n’est qu’une partie d’une liste de contrôle en neuf parties qu’il parcourt avant de vendre à découvert une action. Les vendeurs à découvert doivent tenir compte de nombreux autres facteurs pour éviter une catastrophe potentielle. Une grande raison de ces catastrophes est la friction du marché, ou des choses qui pourraient interférer avec la capacité d’exécuter rapidement une transaction, ce que la simulation n’a pas pris en compte.

Parfois, le courtier n’exécute pas votre ordre immédiatement ou vous ne trouvez pas d’actions à emprunter. Étant donné que dans la vente à découvert, vous devez emprunter, puis acheter, puis vendre, il y a plus de possibilités que les points de friction ralentissent votre commerce en tant que commerçant humain comme Capablanca. Cependant, ChatGPT n’avait pas ces points de friction car il n’avait pas besoin d’attendre que le courtier lui prête une action ou exécute sa transaction, il a donc pu profiter d’une vente à découvert plus rapidement que la personne moyenne.

Cela signifiait que les nouvelles négatives avaient un impact plus important et plus long dans le monde réel que dans la simulation, ce qui donnait probablement un avantage à ChatGPT, a noté Lopez-Lira. Le résultat était que les nouvelles négatives avaient plus de prévisibilité de rendement dans la simulation.

“Les actions qui sont les shorts les plus évidents, qui vont à 100 $ et s’effondrent à zéro, vous ne pouvez même pas les vendre”, a déclaré Capablanca en comparant la tentative de GPT de vendre n’importe quel titre à un scénario réel sans tenir compte de la taille du flotteur. “Et en plus de cela, cela ne tient pas compte des pressions. Alors combien de ces actions, si vous l’aviez court-circuité avec une certaine somme d’argent, combien de fois avez-vous explosé?”

Capablanca a également souligné le risque d’arrêts commerciaux dans le monde réel qui peuvent piéger un commerçant. Ensuite, il y a le risque accru de détenir des positions courtes du jour au lendemain, ce que la simulation a fait. Des écarts ou des mouvements de prix très volatils peuvent se produire après les heures de négociation. Ceux-ci peuvent provoquer de courtes compressions qui conduisent à des appels de marge, a-t-il ajouté.

Quant aux grands investisseurs institutionnels, ils doivent tenir compte de l’impact sur les prix, qui se produit lorsqu’un grand nombre de transactions modifient le cours d’une action, ce qui est plus susceptible de se produire dans les actions à petite capitalisation, a noté Lopez-Lira.

Un manque de liquidité est un autre domaine de friction qui pourrait ralentir une transaction en temps réel. Les actions avec des flottants inférieurs sont plus difficiles à entrer et à sortir en raison des limites de l’offre ou de la demande qui pourraient créer des écarts plus larges.

Si les actions vendues à découvert avaient un volume suffisant et pouvaient être vendues à découvert, alors le modèle est robuste car il affiche des performances massivement démesurées, déclare Cory Mitchell, analyste sur le site Web d’éducation commerciale Trading.biz. Si vous comparez les performances de l’étude à celles du S&P 500 pour la même période, ce modèle a augmenté de 500 % alors que l’indice était en baisse. Et, les prélèvements ont également été inférieurs à l’indice, ce qui est très encourageant, a-t-il ajouté.

“Un portefeuille de marché à pondération égale aurait subi une baisse de 36 % à un moment donné de cette étude. Alors que leur portefeuille a baissé de 22,79 %, soit un tiers de baisse en moins qu’une sorte de portefeuille de type indiciel”, a déclaré Mitchell.

Malgré les lacunes de l’étude, Capablanca dit qu’il est important que les commerçants restent au courant de ces développements à des fins d’information.

“C’est bien de savoir jusqu’où ils sont allés, car à l’avenir, ce sera bien”, a déclaré Capablanca à propos des outils d’IA. “Je ne veux pas être dans le noir. C’est comme un ordinateur en 2005, si vous avez ignoré les ordinateurs jusqu’à présent, vous serez en retard parce qu’ils finiront par comprendre.”