主要点
電気は人類史上最も画期的な発明のひとつです。電気は、通信、輸送、製造や娯楽など、社会のあらゆる分野に大きな変化をもたらしました。また、テレグラフ、ストック・ティッカー(1970年頃まで使用されていた電信線を介して株価情報を送受信する通信媒体)計算機、コンピューターなど、金融業界に革命をもたらした新しい技術も生み出しました。
今日、われわれは人工知能(AI)、特に生成AIの登場によって、同じような変化を目の当たりにしています。生成AIによって以前は想像もできなかったような新たな機能が創造されています。
生成AIは、データ拡張、フィーチャー・エンジニアリング(機械学習モデルのパフォーマンスと精度を向上させるために、追加の変数を構築してデータセットに追加すること)、データ抽出、ポートフォリオ構築に至るまで、われわれマンAHLの業務にも大きな影響を及ぼしています。マンAHLは、英国ロンドンに本拠を構え、様々な戦略を提供するマン・グループ傘下の運用会社です。コンピューターを駆使したクオンツ運用(定量分析運用)を1987年から35年以上行っている研究者集団で、その世界のパイオニアとして知られています。
はじめに
今日、電力が供給されない世界を想像することはできません。しかしながら、1879年にトーマス・エジソンが電球を発明してから20年経過した時点の米国の家庭における電力普及率は僅か3%で、広範囲に普及するにはさらに20年かかりました。Ajay Agrawal氏の2022年の著書『Power and Prediction:The Disruptive Economics of Artificial Intelligence』1では、生成AIに関してわれわれは「時代の狭間」にあり、その可能性に熱狂しながら、ゲーム・チェンジャーとなり得るような生成AIの登場を待ち望んでいる状況にあると指摘しています。
マンAHLにおいても同様の状況が観察されています。生成AIはまだリサーチャーやポートフォリオ・マネジャーに取って代わったり、マーケットをアウトパフォームできる全く新しいシステムを生み出したりしているわけではありません。一方で、生成AIによって生産性が向上しており、クオンツ・アナリストはアルファ収益源の分析により多くの時間を費やすことが可能となっています。本レポートでは、マンAHLにおいて生成AIが影響を及ぼしている4つの事例を紹介するとともに、今後のクオンツ・リサーチにおける生成AIの課題と可能性についても考察します。
AIへの関心が急速に高まっている理由
現在人々の関心は、生成AIが中心となっています。ユーザーがモデルと対話し、新しいアウトプットを生成できるChatGPTのような機能が最近のAIを巡る熱狂の原動力となっています。図表1のように、生成AIは人工知能のサブセットであり、広義のAIのサブセットです。
機械学習技術は、資産運用においてもすでに活用されており、資産クラスに関する予測の向上、リスク管理の改善、執行コストの削減などで成果が確認されています²。マンAHLでも、10年以上にわたり機械学習技術を活用しており、生成AIについてもいち早く採用しています。
生成AIの4つの活用方法
われわれは、生成AIは1879年の電球の発見時より早く広範囲に普及すると予想しています。マン・グループではChatGPTに類似したManGPTを開発していますが、現在従業員の70%以上がさまざまな業務において活用しています。また、マン・グループのCEOも2024年4月のメディアとのインタビューにおいて生成AIの活用に伴い業務効率が向上していると述べています³。以下ではマン・グループにおける業務効率の向上事例を4つご紹介いたします。
その1: Copilot(訳注:生成AIツールのひとつ)を使ったコーディング
生成AIの最も効果的な活用事例の1つは、コーディング(プログラミング言語を使用して、ソースコードを作成すること)をサポートすることです。GitHub Copilotのようなツールは、コードを予測し、ワーキング・プロトタイプ(試作)の開発や初期の研究を加速し、開発時間を短縮することができます。また AIによって開発者は、他の人が書いたさまざまなコードを確認することができるため、知識の共有も容易になります。
これらのツールに社内の独自のコードを理解させることは難しい作業ですが、成功すれば大きなプラスとなります。マンAHLでは、マーケット・データの取得、ティッカー・マッピング、シミュレーションの実行などのタスクのための独自のコードの広範なライブラリを有しています。市販されているAIモデルは、このような専門的なリポジトリに関する知識は有していません。
われわれは、社内独自のコードを理解する能力を備えたチャットボット(あたかも会話するように短いテキストや音声でコンピューターに指示し、その結果を受け取るユーザーインターフェイスの一種)を開発しています。例えば、あるチャットボットは、正しいライブラリとフィールドを指定することで、マーケットコードのメタデータがどこにあるかを特定して、時系列価格を取得するため、時間を節約することができます。有用なアウトプットを得るためには多くの作業が必要となるものの、このような機能によって業務効率が向上し、われわれ独自の知識を活用することが可能となります(図表2)。
その2: キャット・ボンド取引のための情報抽出
マンAHLは先物取引を行うCTAとして設立されました。当初は、流動性が高い伝統的な先物市場が取引の中心であったものの、事業拡大と多角化に伴い、よりニッチでエキゾチックな商品を取引するようになりました。 その一例がキャット・ボンドで、自然災害など、あらかじめ指定された事象が発生した場合に元本の一部若しく は全額が減額されるように設計された債券です⁴。
それぞれのキャット・ボンドには固有の特徴があるため、投資する前に正確に理解することが必要となります。 金利スワップやクレジット・デフォルト・スワップとは異なり、キャット・ボンドには標準化された仕組みはありません。 このようなプロセスでは、アナリストが目論見書を熟読し、抽出されたデータを別のアナリストが再度チェックすることが必要となります。これらの目論見書は200ページにも及ぶため、かなりの時間を要します(図表3)。
現在、われわれは、ChatGPTを使ってデータを抽出し、関連情報がチェックできるようにテンプレートに体系的にまとめるプロセスのテストを行っています。これにより、アナリストは新しい調査に専念できるようになります。
その3: 投資家からの問い合わせにチャットボットを活用
マン・グループのクライアント・リレーションズ・チームは、マンAHLの定量運用戦略を含む、顧客からの広範囲の投資関連の質問事項に日々対応しています。クライアント・リレーションズ・チームは、ファクトシート(月次の運用報告レポート)、プレゼンテーション、デューデリジェンスのための質問表、投資に関する質問などに関して、さまざまな投資関連資料からの情報に基づき、顧客に適した回答を作成します。顧客からの質問は、運用戦略に関する報酬、取引市場数、リスク目標など多岐にわたります。
ChatGPTはこのプロセスのいくつかのステップを自動化することができます。まず、関連文書から必要な情報を抽出します。次に、アナリストがレビューするための回答のドラフトを作成します。このようなプロセスの効率化により、クライアント・リレーションズ・チームはより付加価値の高いタスクに集中する時間を確保することが可能となります。図表4は、Q&Aチャットボットが関連文書から必要な情報を抽出し、回答を生成しているスクリーンショットを示しています。
データ抽出の効率化は前述のキャット・ボンドの事例で説明しましたが、マン・グループのさまざまな事業分野においてチャットボットが活用されています。
・定性判断運用のアナリストはRegulatory News Service(RNS。ロンドン証券取引所によ る情報配信)が発表する資料から情報を抽出
・データサイエンスの専門家は、ベンダーの電子メールからデータの更新情報を抽出
・デザイン担当の専門家は、フォーマットされていないチャートから基礎データを抽出し、マン・グループのブ ランディングに変換
その4: ジュニア・クオンツ・リサーチャー・レベルでのマクロ経済データの分析
ChatGPTで、マクロ経済の基本的な関係性に関する情報を抽出することによって、クオンツのマクロリサーチに役立たせることが可能となります。一つの事例は、ある経済に係る時系列データが特定のマーケットのファンダメンタルズを示唆しているか否かの検証プロセスに利用することです。これらの仮説は、統計的バックテスト法を用いて定量的検証が可能です。
ChatGPTはわれわれのマクロ・リサーチ・チームの代わりにはなりませんが、その理解力は大学を卒業したジュニア・リサーチャーとほとんど遜色ありません。主な違いは、人間のリサーチャーには休憩時間が必要であるものの、ChatGPTは休むことなく、何千もの関係性を体系的に分析し、それらの関係性に基づいたシグナルを提案できる可能性があるということです。
ChatGPTはまた、リサーチャーの基本的なマクロ情報に関する理解力を高めることに役立ちます。ウィキペディアのような手作りのリソースに比べて、ChatGPTはより簡潔に、適切な情報を抽出できるため、リサ―チャーはマクロ経済の主要なけん引役を素早く理解することが可能となります。
これまでの教訓
われわれはここまで生成AIの機会について述べてきましたが、以下では生成AIを活用することで得た教訓を紹介したいと思います。
ハルシネーションの管理が必要
ChatGPTの回答を完全に信頼することはできません。ハルシネーション(生成AIが事実に基づかない情報を生成する現象)の影響を軽減するために、われわれはツールを使って、人間によるチェックをサポートしています。コードも同様で、プロトタイプに過ぎず、人間による検証が必要です。
プロンプト・エンジニアリングが重要
ChatGPTがうまくタスクをこなせない場合、多くの場合プロンプト(生成AIに対する命令や指令)が適切ではないためであると考えられます。プロンプトを完璧にするためには、膨大なリソースと試行錯誤、そして特殊のテクニックが必要となります。(プロンプト・エンジニアリングとは、生成AIから望ましい出力を得るために、指示や命令を設計、最適化するスキルを示す)。
タスクを小さなサブタスクに分割する
ChatGPTは複雑な問題を論理的に分解して一度に実行することはできません。効果的な「AI エンジニアリング」では、適したプロンプトやツールを使って、ChatGPTの特別なインスタンス(あらかじめ定義されたコンピュータプログラムやデータ構造などを、メインメモリ上に展開して処理・実行できる状態にしたもの)によってプロジェクトを小さなタスクに分割します。ここでの課題は、複雑な問題を解決するエージェント(与えられた目的を達成するために自らの判断で行動するソフトウェア)を統合することです。
教育が普及の鍵
ChatGPTの能力と限界を理解することが極めて重要です。懐疑派は長所に着目し、熱狂的なファンはその失敗を学ぶ必要があります。効果的に活用するためには、モデルとのやり取りの仕方、その訓練方法と機能 を理解することが重要となります。
最新の生成AIモデルに対応可能な体制を備える
生成AIはすでに資産運用関連業務の効率化に有用となっているものの、ユーザーはこの進化するテクノロジ ーからの恩恵を享受するために、最新の生成AIモデルに機敏に対応する必要があります。生成AIの進化の スピードは目覚ましく、2019年にリリースされたGPT-2は「実用には程遠い」⁵と評されていたものの、GPT-4 はすでに複数のユースケース(システムやアプリケーションがどのような状況でどのように機能するかを示すテストケース)を集めつつあり、GPTは過去のどのような技術よりも速く拡張しているように思われます。
まとめ
電気の発明は社会を大きく変化させましたが、普及には40年近くかかりました。生成AIは同様のことを⁶、より早く実現することが可能であると思われます。われわれのアナリストはすでに、データ増強、フィーチャー・エンジニアリング、モデル選択とポートフォリオ構築において改善を確認しています。早ければ10年という短期間で、生成AIを採用する運用マネジャーは、イノベーションのペースの加速と優れたパフォーマンスにより、競争優位性を獲得することができるものと思われます。
当社のレポートの執筆者もまた、生成AIツールの使い方のスキルを向上させています。世界最大級の語学学習アプリの「Duolingo」の創業者であるルイス・フォン・アーンCEOは 「あなたの仕事はAIに取って代わられることはないが、AIをどのように使うかを知っている人間によって取って代わられるだろう」⁷と述べています。今一度 ChatGPTが生成する「Key takeaways」を確認すると、GPTの有用性と、レポートの執筆者がこれらのアドバイスをいかに真剣に受けとめているかを感じることができるものと思われます⁸。
エジソンが電球を発明してから、多くの人々に普及するまで40年近くかかりました。おそらく生成AIも10年後にはそのような局面を迎えるものと思われます。
参考文献
1 Ajay Agrawal, A., Gans, J. and Goldfarb, A. ‘Power and Prediction: The Disruptive Economics of Artificial Intelligence’ (2022)
2 Ledford, A. ‘An Introduction to Machine Learning’, 2019. Available here: https://www.man. com/maninstitute/intro-machine-learning
3 Pensions and Investments, ‘Man Group CEO sees generative AI boosting efficiency, but not investment decisions’, 30 April 2024. Available here: https://www.pionline.com/hedgefunds/generative-ai-has-boosted-efficiency-not-investment-decision-making-mangroup-ceo-robyn
4 Korgaonkar, R., ‘Diary of a Quant: Journeying into Exotic Markets’, 2024. Available here: https://www.man.com/maninstitute/the-big-picture-journeying-exotic-markets
5 Radford, A., Wu, J., Child, R., Luan, D., Amodei, D. and Sutskever, I., ‘Language models are unsupervised multitask learners’, 2019. OpenAI blog, 1(8), p.9
6 Eloundou, T., Manning, S., Mishkin, P. and Rock, D., 2023. ‘Gpts are gpts: An early look at the labor market impact potential of large language models’. arXiv preprint arXiv:2303.10130
7 Bloomberg, Odd Lots podcast, ‘How Humans and Computers learn from each other’, 2 May 2024. Available here: https://podcasts.apple.com/us/podcast/luis-von-ahn-explains-howcomputers-and-humans-learn/id1056200096?i=1000654289693
8 Key takeaways generated by ChatGPT, using Copilot for Word