Sztuczna inteligencja na giełdzie? Profesor przeprowadził testy, maklerzy nie mogą spać spokojnie

W swoich eksperymentach Lopez-Lira wykorzystuje ChatGPT, DeepSeek i Grok - trzy platformy wykorzystujące odmienne modele AI. Chce sprawdzić, czy sztuczna inteligencja może skutecznie wskazywać odpowiednie akcje. Choć przyznaje, że AI bywa zawodna, nie zaobserwował, by testowane przez niego modele podejmowały "głupie" decyzje. "Nie wiem, jakie zadania analitycy wykonują z informacjami, których nie można zrobić przy użyciu dużych modeli językowych" - stwierdza badacz cytowany przez StockWatch.

Jedynymi wyjątkami są zadania wymagające interakcji w świecie fizycznym lub prowadzenia rozmów twarzą w twarz. Poza tym, jak twierdzi Lopez-Lira, większość zadań analitycznych może już być zautomatyzowana dzięki obecnym technologiom AI.

Krótko po premierze ChatGPT w 2022 roku, Lopez-Lira rozpoczął testowanie jego umiejętności inwestycyjnych. Badanie rozpoczął od prostego pytania: czy AI potrafi poprawnie interpretować, czy nagłówek informacji prasowej jest dobry czy zły dla akcji spółki? Wyniki okazały się zaskakujące.

Przeprowadzając test wsteczny symulujący historyczne stopy zwrotu, badacz wykorzystał ponad 134 000 nagłówków z komunikatów prasowych i artykułów informacyjnych dotyczących ponad 4000 firm. Nagłówki wprowadzano do ChatGPT za pomocą języka programowania Python. AI decydowało, czy nagłówek jest pozytywny, negatywny czy niejednoznaczny dla firmy. Na podstawie tych ocen symulowano zakup akcji (przy pozytywnych nagłówkach) lub krótką sprzedaż (przy negatywnych).

Aby uniknąć problemu z "wiedzą przyszłą", Lopez-Lira testował ChatGPT na nagłówkach po październiku 2021 roku, gdyż model był trenowany na danych do września 2021 roku. Wyniki, opublikowane w kwietniu 2023 roku w artykule "Can ChatGPT Forecast Stock Price Movements?", wykazały, że GPT-4 osiągnął średni dzienny zwrot na poziomie 0,38% ze skumulowanym zwrotem przekraczającym 650% od października 2021 do grudnia 2023 roku.

Badacz przyznaje, że w rzeczywistych warunkach rynkowych wyniki byłyby mniej optymistyczne ze względu na koszty transakcyjne, podatki i inne czynniki. Niemniej jednak, przewaga zwrotów pozytywnych pozwoliła mu stwierdzić, że ChatGPT wykazał zrozumienie rynków ekonomicznych i zdolność do prognozowania wyników akcji.

Około miesiąc po publikacji wstępnych wyników, Lopez-Lira nawiązał współpracę z aplikacją inwestycyjną Autopilot, która odwzorowuje transakcje znanych osób. Poproszono go o pomoc w stworzeniu portfela opartego na wyborach inwestycyjnych dokonywanych przez ChatGPT. Od września 2023 roku badacz dostarcza aplikacji Autopilot miesięczne wybory inwestycyjne generowane przez sztuczną inteligencję.

W lutym 2024 roku Lopez-Lira dodał do Autopilot konta inwestycyjne wykorzystujące Grok i DeepSeek. Stopniowo zmniejszał ograniczenia nałożone na modele AI, pozwalając im na większą swobodę w podejmowaniu decyzji inwestycyjnych. Obecnie wykorzystuje najnowsze wersje modeli: OpenAI o3, xAI Grok 3 i DeepSeek R1.

Każdy model AI otrzymuje te same dane wejściowe, ale generuje własne rekomendacje inwestycyjne. Portfel ChatGPT, zarządzany od września 2023 roku, osiągnął zwrot na poziomie 43,5 proc. do końca maja 2025 roku, podczas gdy S&P 500 w tym samym okresie zyskał 34,7 proc.. Portfel Grok zwrócił 2,3 proc. od lutego do maja 2025 roku (S&P 500: -2,2 proc.), a DeepSeek stracił 0,25 proc. w podobnym okresie (S&P 500: -0,93 proc.).

Lopez-Lira podkreśla, że obecne modele AI nie są jeszcze gotowe do samodzielnego wybierania inwestycji - proces wciąż wymaga człowieka, który dostarcza odpowiednich informacji. Wynika to głównie z faktu, że modele AI nie są trenowane na danych w czasie rzeczywistym, więc ich wiedza jest często nieaktualna.

Mimo to wyniki badań sugerują, że sztuczna inteligencja może skutecznie naśladować usługi świadczone przez profesjonalnych zarządzających portfelami. Niektórzy analitycy, jak Michael Robbins, autor "Quantitative Asset Management", pozostają sceptyczni, wskazując, że AI nie doświadczyła jeszcze poważnych kryzysów rynkowych, co ogranicza możliwość pełnej oceny jej skuteczności w różnych warunkach rynkowych.