Za hranice sentimentu: AI agenti přinášejí revoluci do finančního obchodování

Richard Harmon, viceprezident pro oblast globálních finančních služeb ve společnosti Red Hat

Ve finančních službách se aplikace pro zpracování přirozeného jazyka (NLP) po léta soustředily především na rychlé poznatky získané z analýzy sentimentu nebo sledování trendů. V poslední době se to týká i velkých jazykových modelů (LLM). Ačkoli jsou tyto přístupy cenné, často postrádají hluboké, principiální pochopení tržní dynamiky. Ale co kdyby umělá inteligence dokázala jít nad rámec pouhé reakce na informace a místo toho odhalovala základní matematické modely, které řídí finanční časové řady?

Převratný nový přístup, podrobně popsaný v článku kvantitativních analytiků z Barclays a Simudyne s názvem „To Trade or Not to Trade: An Agentic Approach to Estimating Market Risk Improves Trading Decisions,“ právě toto dělá. Tento inovativní systém využívá sílu LLM v rámci „agentního" rámce a vytváří sofistikovaný multi-agentní systém, který je nejen základem pro obchodní rozhodnutí, ale zásadně zlepšuje odhad tržního rizika prostřednictvím odhalování modelů.

Agenti v souladu

Jádrem tohoto systému je kooperativní síť specializovaných AI agentů, z nichž každý má svou specifickou roli a spolupracuje na dosažení robustnějších a ziskovějších obchodních výsledků. Mezi klíčové aktéry řadíme Analytika rizik, Zpravodajského analytika a Obchodníka.  

Analytik rizik jako mozek systému

Analytik rizik je mozek, který stojí za odhalováním modelů, a je pravděpodobně nejdůležitějším agentem v systému. Analytik rizik je zodpovědný za identifikaci nejvhodnějších stochastických diferenciálních rovnic (SDE) pro modelování historického vývoje cen finančních aktiv. Nejedná se o jednorázový proces, ale o iterativní, sebezdokonalující se smyčku řízenou vzorem „Stavitel-Kritik“. Stavitele si přitom můžeme představit jako architekta a inženýra. Jeho úkolem je implementovat a simulovat navržený model SDE a generovat syntetické cenové trajektorie, přičemž vytváří potřebné programy, a dokonce navrhuje počáteční parametry pro kalibraci. Kritik pak působí jako náročný hodnotitel. Důsledně testuje syntetická data generovaná Stavitelem oproti historickým tržním datům pomocí komplexního souboru statistických metrik (momentů, metrik extrémního rizika, Hurstova exponentu apod.) a přímého porovnávání distribucí, například prostřednictvím Kolmogorov–Smirnovovy a Wassersteinovy vzdálenosti. Na základě těchto hodnocení a „skóre novátorství“ navržené rovnice Kritik ohodnotí model a, což je zásadní, navrhne nové a vylepšené SDE, které Stavitel prozkoumá v další iteraci. Tato nepřetržitá smyčka zpětné vazby vede systém k přesnějším a reprezentativnějším finančním modelům.

Zpravodajský analytik a klíčové informace o trhu
V rychlém světě financí ovlivňují zprávy trhy okamžitě. Agent Zpravodajský analytik je navržen tak, aby systém informoval o širším tržním prostředí. Aktivně shromažďuje nejnovější zpravodajské titulky týkající se společnosti a souvisejících subjektů, shrnuje klíčové informace, identifikuje potenciální výhody a nevýhody pro investici a poskytuje klíčové informace o kontextu Obchodníkovi. Agent Obchodník je pak zodpovědný za každodenní rozhodování. Díky hlubokým analytickým poznatkům od Analytika rizik a aktuálnímu tržnímu kontextu od Zpravodajského analytika činí Obchodník zásadní denní obchodní rozhodnutí - zda nakoupit, prodat nebo držet pozici. Zpracovává rizikové metriky založené na modelu (jako je hodnota v riziku – VaR, podmíněná hodnota v riziku – CVaR a maximální propad – MDD), trendové metriky (jako je index relativní síly – RSI a inherentní polarita driftu SDE) a sentiment zpráv, aby formuloval svou obchodní strategii.

Jak odhalování modelů podporuje obchodní rozhodnutí

Pracovní postup je sofistikovanou spoluprací mezi všemi uvedenými agenty. V rámci měsíčního odhalování modelů na začátku každého měsíce, nebo s jinou periodicitou v závislosti na tržních podmínkách, Analytik rizik prostřednictvím své smyčky Stavitel-Kritik neúnavně pracuje na identifikaci optimálního modelu SDE na základě historických cenových dat za posledních šest měsíců. Tím je zajištěna vysoká relevance základního modelu a jeho přizpůsobení aktuálním podmínkám na trhu.

V rámci denní rekalibrace a vytváření přehledů je pak každý obchodní den zvolený model SDE rekalibrován podle nejnovějších tržních dat. Pomocí tohoto vylepšeného modelu systém vypočítá kritické ukazatele tržního rizika - VaR, CVaR, MDD, očekávanou ztrátu, a dokonce i poznatky o extrémním riziku dle teorie extrémních hodnot. Současně Zpravodajský analytik získává a zpracovává nejnovější zprávy. Všechny tyto vstupy – přesné rizikové metriky, indikátory trendu (RSI, polarita driftu) a souhrnný sentiment zpráv – jsou poté předány Obchodníkovi. Tento komplexní tržní kontext umožňuje Obchodníkovi činit informovanější a potenciálně ziskovější rozhodnutí, která přesahují jednoduché heuristiky nebo povrchní analýzu trendů.

Nad rámec historického zkreslení

Klíčovou inovací v tomto designu je použití tržního simulátoru (Simudyne Horizon) pro generování syntetických, ale kauzálně věrohodných cenových trajektorií a zpravodajských událostí. Proč je to důležité? LLM jsou trénovány na obrovském množství historických dat. Ačkoli je to výkonné, může to vést ke zkreslenému pohledu nebo nedostatečné robustnosti při konfrontaci s událostmi typu „černá labuť" nebo tržními podmínkami mimo jejich trénovací distribuci. Použitím syntetických dat pro zpětné testování může systém vyhodnocovat své obchodní strategie v různorodých, realistických, ale zcela nových scénářích, což zajišťuje jeho odolnost a adaptabilitu v bezprecedentních tržních prostředích.

Budoucnost AI v obchodování

Tento agentní přístup k finančnímu obchodování představuje významný skok vpřed ve vývoji obchodních strategií založených na umělé inteligenci. Začleněním principiálního kroku tvorby modelu do finančních systémů řízených LLM se posouvá nad rámec typické analýzy sentimentu směrem k hlubšímu, robustnějšímu pochopení tržní dynamiky. Dosavadní poznatky ukazují, že tento přístup založený na modelu výrazně překonává standardní agenty založené na LLM, což vede ke zlepšení Sharpeho poměru, tedy míry výnosnosti upravené o riziko, u více akcií.

Ačkoli lidský dohled zůstává nezbytný, výše popsané demonstruje, že současné LLM jsou již schopny rozšířit obchodní rozhodnutí o sofistikované poznatky založené na modelech, čímž částečně automatizují proces, o kterém se dříve předpokládalo, že vyžaduje rozsáhlé lidské odborné znalosti. S dalším pokrokem schopností LLM můžeme od těchto inteligentních, spolupracujících AI agentů analyzujících finanční trhy očekávat ještě větší přesnost a ziskovost. (2.12.2025)