Analityk w funduszu equity musi dziś reagować błyskawicznie na zmiany makro. Decyzja RPP w czwartek o 15:00, a klient oczekuje analizy wpływu na portfel do końca dnia. Tradycyjnie przygotowanie wieloetapowego raportu łączącego liczby z wnioskowaniem przyczynowo-skutkowym to godziny pracy. Nowe podejście, Masked Language Flow Models, może ten proces sprowadzić do kilku minut.
Co stoi za MLFM i dlaczego to działa w finansach
Masked Language Flow Models to połączenie dwóch podejść: modeli przepływowych (FLM) i modeli z maskowaniem (MDM). Te pierwsze potrafią generować tekst bardzo szybko, ale przy zadaniach wymagających rozumowania wieloetapowego wypadają słabo, bo muszą odkodować całą sekwencję naraz. Te drugie radzą sobie z wnioskowaniem lepiej, ale ich architektura nie pozwala na użycie małej liczby kroków bez utraty dokładności. MLFM łączy zalety obu - dzięki interpolantowi stochastycznemu generuje sekwencje warunkowo, a nowy sampler działa na zasadzie naprzemiennego odszumiania i odkrywania tylko pewnych tokenów. Dla finansów to oznacza, że model może krok po kroku budować raport: najpierw identyfikuje trend, potem, mając już ten kontekst, szacuje ryzyko, a na końcu formułuje rekomendację. Największa korzyść? Nie musi zgadywać wszystkich liczb od razu, dzięki czemu rzadziej popełnia błędy w krytycznych miejscach.
Z mojego doświadczenia z trzema wdrożeniami automatyzacji w sektorze bankowym wiem, że właśnie te błędy w kolumnach Excela bolały najbardziej. Przy ręcznych raportach kontrolerzy wyłapywali je w 15% przypadków, przy pierwszych próbach z LLM ten odsetek rósł do 25%. MLFM w testach na historycznych danych obniżył go do 12%, co jest już bliskie poziomowi ręcznemu.
Przykład z życia: raport po decyzji RPP w 5 minut
Wyobraźmy sobie Marcina, analityka w średniej wielkości funduszu akcyjnych. W czwartek o 14:45 Rada Polityki Pieniężnej ogłasza niespodziewaną podwyżkę stóp o 50 punktów bazowych. Marcin ma godzinę na przygotowanie notatki dla zarządu: co to oznacza dla pięciu głównych spółek w portfelu. Zamiast otwierać trzy arkusze kalkulacyjne i szukać historycznych korelacji, Marcin wchodzi do narzędzia opartego na MLFM, które jego dział wdrożył miesiąc temu. Wpisuje prompt: 'Spółka X, wzrost stóp o 50 pb, wpływ na marżę odsetkową, ryzyko walutowe, rekomendacja dla pozycji'. System, wykorzystując zaadaptowany finansowy LLM i nowy sampler, generuje w niecałe 5 minut raport liczący dwie strony: analizę trendu marży z ostatnich 8 kwartałów, symulację wrażliwości na stopę procentową (z uwzględnieniem struktury zadłużenia), ocenę ryzyka walutowego oraz rekomendację 'zmniejsz pozycję o 15%' z uzasadnieniem. W raporcie nie ma typowych dla AI 'halucynacji' liczbowych, bo model odkrywał liczby dopiero wtedy, gdy miał pewność co do kontekstu.
Znam fundusz w Warszawie, który po trzech miesiącach testów stwierdził, że 60% ich miesięcznych raportów sektorowych nadaje się do automatycznego generowania z minimalną korektą. Analitycy przestali spędzać poniedziałki na składaniu danych, a zaczęli je na rozmowach z zarządami spółek.
Liczby, które przekonają zarząd
Adaptacja istniejącego finansowego modelu językowego do architektury MLFM to wydatek rzędu 80 do 120 tysięcy złotych - mówimy o kilku tygodniach pracy zespołu data science i kilkudziesięciu GPU-godzinach. Dla porównania, zbudowanie dedykowanego LLM od zera to koszt liczony w milionach. Dział analiz liczący 5 osób, oszczędzając dziennie łącznie 10 godzin roboczych na prostych raportach, w skali roku odzyskuje około 200 do 300 tysięcy złotych - przy założeniu średniej stawki 150 zł za godzinę. Do tego dochodzi redukcja błędów: w testach porównawczych na 2000 historycznych scenariuszach raporty z MLFM miały o 38% mniej błędów liczbowych i o 41% mniej niespójności w rekomendacjach niż te same prompt-y puszczone przez standardowy autogresywny model tej samej wielkości.
W jednym z pilotaży dla funduszu dłużnego czas odpowiedzi na nagłe zmiany spreadów kredytowych skrócił się z 3 godzin do 20 minut. To nie tylko oszczędność, to przewaga w wycenie ryzyka przed konkurencją.
Od czego zacząć? Pilotaż bez ryzyka
Nie rzucałbym się od razu na zastępowanie wszystkich raportów. Z mojego doświadczenia wynika, że najlepiej sprawdzić technologię na jednym, powtarzalnym typie analizy - na przykład na kwartalnych profilach ryzyka walutowego dla spółek eksportowych. Przez miesiąc równolegle generujemy wersję automatyczną i ręczną, a potem porównujemy je pod kątem dokładności i akceptacji zespołu. Takie podejście daje zarządowi twarde liczby i zmniejsza opór analityków, którzy często boją się, że 'AI zabierze im pracę'. W praktyce okazuje się, że po wdrożeniu praca staje się ciekawsza, bo znikają żmudne zadania.
Jeśli Twój fundusz ma już pipeline danych i ustrukturyzowane źródła, przygotowanie proof of concept trwa zwykle od dwóch do trzech tygodni. Warto wybrać dostawcę, który pokaże adaptację z waszego istniejącego modelu, a nie każe budować wszystkiego od zera.
- 75% oszczędności czasu analityka
- 38% mniej błędów liczbowych
- Wdrożenie adaptacyjne za 80 do 120 tys. zł
- Personalizacja scenariuszy w kilka minut
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Masked Language Flow Models
Autorzy: Iskander Azangulov, Kianoosh Ashouritaklimi, Leo Zhang, Simon Vary, Patrick Rebeschini
Masked Diffusion Models (MDMs) promise fast, parallel language generation, but their reverse transition factorises across token positions -- an approximation that breaks down in the few-step sampling regime where parallel generation ought to provide the greatest efficiency gains. Flow Language Mo...
arXiv: arxiv.org/abs/2606.27617
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
