Czy GPT-4 przechytrzy Wall Street? Jak sztuczna inteligencja zmienia zasady gry i czyści rynki z nieefektywności?

Czy generatywna sztuczna inteligencja potrafi przewidzieć ruchy na giełdzie skuteczniej niż doświadczeni analitycy? Przełomowe badanie wskazuje, że model GPT-4 osiąga około 90% trafności w prognozowaniu natychmiastowych reakcji cen akcji na nagłówki prasowe. Artykuł wyjaśnia, jak sztuczna inteligencja radzi sobie ze złożonymi informacjami rynkowymi, na które tradycyjni inwestorzy reagują ze znacznym opóźnieniem. Tekst przybliża również zjawisko „paradoksu znikającego zysku” oraz pokazuje, w jaki sposób powszechne wdrażanie algorytmów uszczelnia rynki kapitałowe i zmienia zasady gry na Wall Street.

Nowa era w ekonomii finansowej

Czy zaawansowane modele językowe potrafią przewidzieć zachowanie rynków finansowych skuteczniej niż wytrawni analitycy? W przełomowym badaniu opublikowanym na łamach Journal of Financial Economics, naukowcy Alejandro Lopez-Lira oraz Yuehua Tang wykazali, że model GPT-4 osiąga około 90% trafności w prognozowaniu natychmiastowej reakcji cen akcji na nagłówki prasowe bez bezpośredniego przeszkolenia finansowego. Praca ta dostarcza kluczowych dowodów na to, jak generatywna sztuczna inteligencja transformuje proces przyswajania informacji na rynkach kapitałowych oraz eliminowania dawnych nieefektywności.

Precyzja prognoz i symulowane zyski

Badacze przeanalizowali wiadomości opublikowane po dacie odcięcia wiedzy treningowej modelu, zapobiegając w ten sposób błędom antycypacji i gwarantując czystą ocenę poza próbą. Okazało się, że GPT-4 trafnie określa kierunek początkowej reakcji rynku w 93,3% przypadków dla nagłówków nocnych oraz w 88,8% dla wiadomości publikowanych w ciągu dnia.

Na podstawie ocen nocnych nagłówków przez GPT-4 naukowcy stworzyli symulowaną strategię rynkową opartą na pozycjach długich i krótkich. Generowała ona średnio 34 punkty bazowe zysku dziennie przed uwzględnieniem kosztów transakcyjnych. Wskaźnik Sharpe’a dla strategii opartej na GPT-4 osiągnął wartość 2,97, drastycznie przewyższając model GPT-3.5 (1,66), DistilBART-MNLI (1,26) czy podstawowe modele open-source, które uzyskiwały ujemne stopy zwrotu. W przeciwieństwie do tradycyjnych modeli uczenia nadzorowanego, których wydajność spadała przy mniejszych próbach danych (spadek wskaźnika Sharpe’a z 2,53 do 1,71), GPT-4 zachowywał stabilne wyniki (wskaźnik Sharpe’a 2,63 dla wiadomości dziennych) dzięki zdolności do zerostrzałowego rozumowania semantycznego (zero-shot).

Gdzie rynki niedoreagowują? Anatomia dryfu cenowego

Oceny generowane przez model pozwalały przewidzieć nie tylko początkową skokową zmianę cen, ale również późniejszy trend cenowy (drift) utrzymujący się przez 1–2 dni handlowe. Zjawisko to ujawnia granice rynkowej efektywności oraz istnienie barier arbitrażowych. Rynki finansowe okazują się wysoce efektywne przy informacjach łatwo mierzalnych i transparentnych – takich jak raporty finansowe, partnerstwa strategiczne czy wyniki badań klinicznych, gdzie reakcja cenowa jest błyskawiczna, a późniejszy drift minimalny.

Systematyczne niedoreagowanie inwestorów pojawia się natomiast przy informacjach wymagających złożonej syntezy – w tym przy transakcjach osób z wewnątrz firmy (insiderów) oraz prezentacjach na specjalistycznych konferencjach branżowych. Zjawisko powolnego przyswajania wiedzy jest szczególnie widoczne w przypadku mniejszych spółek oraz wiadomości o charakterze negatywnym. GPT-4 poprawnie interpretował te nagłówki od samego początku, wykazując przewagę nad inwestorami w zakresie analitycznego wnioskowania.

Skala modelu a zdolności analityczne

Badanie jednoznacznie wskazuje, że zdolność sztucznej inteligencji do wyciągania wniosków finansowych rośnie wraz z jej rozmiarem. Najprostsze modele językowe, takie jak GPT-1, GPT-2 czy Llama2-7b, nie były w stanie wygenerować istotnych statystycznie prognoz. Z kolei większe architektury wykazywały ogromny skok jakościowy:

• Model Llama2-70b przewyższał wersję 7b o 316 punktów bazowych przy ogłoszeniach wyników finansowych.
• Model GPT-4 osiągał przewagę nad GPT-3.5 o 25,2 punktu bazowego przy reakcji początkowej i o 13,8 punktu bazowego przy drifcie cenowym w kategorii transakcji insiderów.

Paradoks znikającego zysku: Jak AI uszczelnia rynki

Najbardziej fascynującym odkryciem Lopeza-Liry i Tanga jest wpływ powszechnej adopcji AI na samą strukturę rynku. Zaproponowany przez nich model teoretyczny zakładał, że rosnąca moc obliczeniowa i dostępność modeli LLM powinny stopniowo likwidować nieefektywności informacyjne. Dane empiryczne z lat 2021–2024 w pełni potwierdziły tę hipotezę:

• Wskaźnik Sharpe’a dla strategii opartej na modelu GPT wynosił pod koniec 2021 roku aż 6,54.
• W roku 2022 spadł do 3,68.
• W roku 2023 obniżył się do 2,33.
• W okresie od stycznia do maja 2024 roku wyniósł już tylko 1,22.

Ten systematyczny spadek zyskowności strategii stanowi dowód na to, że powszechne wdrażanie sztucznej inteligencji aktywnie redukuje tarcia informacyjne, czyniąc globalne rynki finansowe coraz bardziej efektywnymi. Technologia ta z jednej strony eliminuje potrzebę posiadania specjalistycznej wiedzy statystycznej dzięki konwersacyjnemu interfejsowi, z drugiej zaś przyspiesza proces odkrywania cen, sprawiając, że dawne anomalie rynkowe błyskawicznie zanikają.

---

O autorze