Salutati come la nuova frontiera del trading e delle previsioni, i modelli linguistici di grandi dimensioni (LLM) non hanno ancora mantenuto le loro promesse in finanza. Per chi non avesse familiarità con questa tecnologia: gli LLM sono sistemi di IA addestrati su enormi quantità di dati testuali per comprendere e generare un linguaggio simile a quello umano. Alimentano strumenti come ChatGPT e hanno dimostrato notevoli capacità di scrittura, ragionamento e analisi. Il settore della finanza ne ha subito intuito il potenziale per analizzare i dati di mercato, prevedere le tendenze e informare le decisioni di trading.
Ma il divario tra aspettative e applicazione ha suscitato un crescente scetticismo. I critici sono pronti a liquidare gli LLM come “modelli sapientoni che producono previsioni di seconda categoria”. Non hanno torto, ma considerano la questione da una prospettiva sbagliata. Il vero problema non è se l’IA possa aiutare a prevedere i mercati, ma se i modelli giusti vengano applicati nel modo giusto.
Prendiamo ad esempio GPT-5. Questo modello esemplifica sia la potenza che i limiti dell’IA generica: sa un po’ di tutto, ma non conosce abbastanza le specificità dei mercati finanziari. Aspettarsi che ne preveda i movimenti è come pretendere che un coltellino svizzero esegua un intervento chirurgico.
Il paradosso conoscitivo
Una buona previsione non consiste nel sapere tutto, ma nel sapere le cose giuste al momento giusto. I modelli LLM tradizionali vengono addestrati su decenni di dati, creando un problema di “onniscienza”. Se si chiede loro di fare previsioni per il 2018, avendo già visto il 2019 e il 2020, introdurranno un bias di anticipazione. Questo rende il backtesting – ovvero il processo di valutazione di una strategia di trading sulla base di dati storici per testarne l’efficacia – essenzialmente privo di significato. È come sostenere un esame quando si conoscono già le risposte.
I critici liquidano in finanza gli LLM come “modelli sapientoni che producono previsioni di seconda categoria”. Considerano però la questione da una prospettiva sbagliata. Il vero problema non è se l’IA possa aiutare a prevedere i mercati, ma se i modelli giusti vengano applicati nel modo giusto.
La soluzione sono i modelli time-boxed, addestrati esclusivamente sulle informazioni disponibili in un determinato momento storico. Ogni modello “sa” solo ciò di cui un gestore di portafoglio poteva essere al corrente in quel giorno. Più che formulare previsioni dirette, questi modelli eccellono nell’estrarre segnali dai testi finanziari – segnali che possono poi alimentare strumenti di previsione specializzati, come i modelli di serie temporali o i framework cross-sezionali.
Parlare la lingua della finanza
Gli LLM generici sono costruiti per comprendere il linguaggio, come le parole si collegano e cosa significano le frasi. Ma i mercati finanziari non funzionano come il linguaggio. Seguono regole e modelli diversi che evolvono nel tempo a modo loro. I modelli addestrati e perfezionati sui dati finanziari sviluppano un tipo diverso di interpretazione. Imparano a riconoscere i pattern rilevanti nei mercati: come le notizie influenzano i prezzi, come gli effetti si manifestano su diversi orizzonti temporali e quali segnali meritano attenzione a seconda delle condizioni. È la differenza tra leggere di musica e saperla suonare.
Il futuro è ibrido
Non si tratta di sostituire i metodi quantitativi tradizionali, ma di creare combinazioni intelligenti. Utilizzate modelli linguistici per il riconoscimento di pattern e per l’elaborazione delle notizie di mercato. Abbinateli a modelli di serie temporali progettati per sistemi finanziari dinamici e a modelli trasversali che forniscano linee guida robuste.
I critici hanno ragione sui limiti dei modelli generici nelle previsioni dirette, ma sottovalutano il potenziale di questo approccio.
La lezione è chiara: la finanza non ha bisogno di un’intelligenza artificiale onnisciente, ma di modelli che sappiano le cose giuste al momento giusto, sostenuti dalla disciplina temporale richiesta da previsioni rigorose.
© Riproduzione riservata