Construyendo un consultor de comercio AI personalizado con GPT-4

Creando tu propio asesor de comercio AI personalizado con GPT-4

Introducción

En los últimos años, la integración de la inteligencia artificial (IA) en la negociación de acciones ha revolucionado las decisiones de los inversores. Con la aparición de Modelos de Lenguaje Grandes (LLMs, por sus siglas en inglés) como GPT-3 y GPT-4, se ha producido un cambio de paradigma, haciendo que los análisis y conocimientos complejos del mercado sean más accesibles para los inversores y comerciantes individuales. Esta tecnología transformadora aprovecha grandes cantidades de datos y algoritmos sofisticados para proporcionar una comprensión profunda del mercado que antes era exclusiva de los inversores institucionales. Este artículo se centra en desarrollar un consultor de negociación de IA personalizado utilizando LLMs, diseñado para adaptarse a perfiles de inversión individuales basados en el apetito por el riesgo, el plazo de inversión, el presupuesto y los retornos deseados, empoderando a los inversores minoristas con asesoramiento de inversión estratégico y personalizado.

Los consultores de negociación de acciones impulsados por Modelos de Lenguaje Grandes (LLMs) como GPT-3 y GPT-4 han revolucionado los servicios de asesoramiento financiero. Pueden aprovechar la IA para analizar datos históricos de acciones y noticias financieras actuales, proporcionando consejos de inversión personalizados que se alinean con la cartera única y los objetivos financieros de un inversor. Intentaremos construir un consultor para predecir el comportamiento y las tendencias del mercado, ofreciendo recomendaciones personalizadas basadas en la tolerancia al riesgo individual, la duración de la inversión, el capital disponible y los retornos deseados.

Objetivos de aprendizaje

Al final de este artículo, los lectores podrán:

• 30+ herramientas de inteligencia artificial para startups (diciembre 2023)
• Esta investigación de IA comparte una visión general exhaustiva de los modelos de lenguaje grandes (LLM) en grafos.
• Meta utilizó libros con derechos de autor para entrenar su modelo LLaMA, los autores presentan una demanda

• Obtener información sobre cómo la IA y los LLMs como GPT-3 transforman el análisis y la negociación del mercado de valores.
• Reconocer la capacidad de las herramientas impulsadas por IA para proporcionar asesoramiento de inversión personalizado basado en perfiles de riesgo individual y objetivos de inversión.
• Aprender cómo la IA utiliza datos históricos y en tiempo real para formular estrategias y predicciones de inversión.
• Comprender cómo la IA en la negociación de acciones hace que las estrategias de inversión sofisticadas sean accesibles a un público más amplio, incluidos los inversores minoristas.
• Descubrir cómo aprovechar las herramientas impulsadas por IA para la toma de decisiones informadas en la inversión personal y la negociación de acciones.
• Concepto de un Consultor de Negociación de Acciones Utilizando LLMs

Este artículo se publicó como parte del Data Science Blogathon.

Sobre el conjunto de datos

El conjunto de datos para este proyecto, obtenido de la Bolsa de Valores de Nueva York y disponible en Kaggle, consta de cuatro archivos CSV que abarcan siete años. Incluye ‘fundamentals.csv’ con métricas financieras esenciales, ‘prices.csv’ y ‘prices-split-adjusted.csv’ que proporcionan precios históricos de acciones y ajustes por divisiones de acciones, y ‘securities.csv’ que ofrece información adicional de la empresa, como clasificación sectorial y sede. En conjunto, estos archivos proporcionan una visión integral del rendimiento de la empresa y la dinámica del mercado de valores.

Preparación de datos

Implementar el consultor de negociación de acciones con Modelos de Lenguaje Grandes (LLMs) como GPT-4 comienza con la preparación de datos crucial. Este proceso incluye tareas críticas: limpieza, normalización y categorización de datos, utilizando los conjuntos de datos proporcionados: fundamentals.csv, prices.csv, prices-split-adjusted.csv, y securities.csv.

Paso 1: Limpieza de datos

• En el conjunto de datos ‘Fundamental’, abordamos los valores faltantes en ‘Para el año’, ‘Ganancias por acción’ y ‘Número estimado de acciones en circulación’ (173, 219 y 219 valores faltantes) utilizando la imputación de la mediana.
• Convertimos la columna ‘Period Ending’ al formato de fecha y hora, haciéndola lista para el análisis de campos numéricos.

import pandas as pd# Cargando los conjuntos de datosfundamentals = pd.read_csv('/content/fundamentals.csv')prices = pd.read_csv('/content/prices.csv')prices_split_adjusted = pd.read_csv('/content/prices-split-adjusted.csv')securities = pd.read_csv('/content/securities.csv')# Manejo de valores faltantes y conversiones de tipo de dato en el conjunto de datos Fundamentalsfundamentals_info = fundamentals.info()fundamentals_missing_values = fundamentals.isnull().sum()# Formateo de columnas de fecha en todos los conjuntos de datosfundamentals['Period Ending'] = pd.to_datetime(fundamentals['Period Ending'])prices['date'] = pd.to_datetime(prices['date'])prices_split_adjusted['date'] = pd.to_datetime(prices_split_adjusted['date'])# Mostrando información sobre valores faltantes en el conjunto de datos Fundamentalsfundamentals_missing_values

# Eliminando la columna 'Unnamed: 0' innecesaria
fundamentals.drop(columns=['Unnamed: 0'], inplace=True)
# Rellenando los valores faltantes en 'Earnings Per Share' y 'Estimated Shares Outstanding' con la mediana
for column in ['Earnings Per Share', 'Estimated Shares Outstanding']:
    median_value = fundamentals[column].median()
    fundamentals[column].fillna(median_value, inplace=True)
# Verificando nuevamente los valores faltantes después de la imputación
fundamentals_missing_values_post_imputation = fundamentals.isnull().sum()
fundamentals_missing_values_post_imputation

• Las columnas de ‘fecha’ ya están consistentes en formato de fecha y hora para los conjuntos de datos de precios y precios ajustados. Verificamos la consistencia de los datos, especialmente en lo que respecta a las divisiones de acciones.

# Verificación de consistencia entre los conjuntos de datos de # Precios y Precios Ajustados por División
# Compararemos una muestra de datos para los # mismos símbolos ticker y fechas en ambos conjuntos de datos
# Selección de una muestra de símbolos ticker
sample_tickers = prices['symbol'].unique()[:5]
# Creando un DataFrame de comparación para cada símbolo ticker en la muestra
comparison_data = {}
for ticker in sample_tickers:
    prices_data = prices[prices['symbol'] == ticker]
    prices_split_data = prices_split_adjusted[prices_split_adjusted['symbol'] == ticker]
    merged_data = pd.merge(prices_data, prices_split_data, on='date', how='inner', suffixes=('_raw', '_split'))
    comparison_data[ticker] = merged_data
# Mostrando la comparación para el primer símbolo ticker como ejemplo
comparison_data[sample_tickers[0]].head()

Una comparación de prices.csv y prices-split-adjusted.csv para un ejemplo de símbolo ticker (WLTW) revela diferencias en los precios de apertura, cierre, mínimo y máximo debido a los ajustes por división de acciones. Las columnas de volumen son consistentes, lo que indica datos precisos de volumen de operaciones.

Paso 2: Normalización de Precios

Utilizamos el conjunto de datos prices-split-adjusted.csv para el consultor de operaciones de acciones, ya que ofrece una vista consistente de los precios de las acciones a lo largo del tiempo, teniendo en cuenta las divisiones de acciones.

Paso 3: Integración de Datos

El paso final de preparación de datos implica la integración de estos conjuntos de datos. Combinamos fundamentals.csv, prices-split-adjusted.csv y securities.csv para crear un marco de datos integral para el análisis. Dado su tamaño grande, integramos las columnas más relevantes basadas en los campos de símbolo ticker y fecha para relacionar los datos financieros con los precios de las acciones y la información de la empresa.

# Selección de columnas relevantes de cada conjunto de datos para la integración
fundamentals_columns = ['Ticker Symbol', 'Period Ending', 'Earnings Per Share', 'Total Revenue']
prices_columns = ['symbol', 'date', 'open', 'close', 'low', 'high', 'volume']
securities_columns = ['Ticker symbol', 'GICS Sector', 'GICS Sub Industry']
# Renombrando columnas para mayor consistencia
fundamentals_renamed = fundamentals[fundamentals_columns].rename(columns={'Ticker Symbol': 'symbol', 'Period Ending': 'date'})
prices_split_adjusted_renamed = prices_split_adjusted[prices_columns].rename(columns={'open': 'open_price', 'close': 'close_price', 'low': 'low_price', 'high': 'high_price', 'volume': 'trade_volume'})
securities_renamed = securities[securities_columns].rename(columns={'Ticker symbol': 'symbol'})
# Combinando conjuntos de datos
merged_data = pd.merge(pd.merge(fundamentals_renamed, prices_split_adjusted_renamed, on=['symbol', 'date']), securities_renamed, on='symbol')
# Mostrando las primeras filas del conjunto de datos integrado
merged_data.head()

El conjunto de datos resultante incluye métricas clave: ganancias por acción, ingresos totales, precios de apertura/cierre/mínimo/máximo de las acciones, volumen de operaciones e información de sector para cada símbolo ticker.

Análisis exploratorio de datos (EDA)

A continuación, realizaremos un EDA para comprender la distribución y las relaciones en el conjunto de datos, lo cual es crucial para la selección de características y el entrenamiento del modelo.

import matplotlib.pyplot as pltimport seaborn as sns# Análisis exploratorio de datos (EDA)# Resumen de estadísticas para columnas numéricasnumerical_summary = merged_data.describe()# Matriz de correlación para comprender las relaciones entre # diferentes características numéricascorrelation_matrix = merged_data.corr()# Visualización de la matriz de correlación mediante un mapa de calorplt.figure(figsize=(12, 8))sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt='.2f')plt.title('Matriz de correlación de características numéricas')plt.show()correlation_matrix

El EDA proporciona información valiosa sobre nuestro conjunto de datos integrado:

• Observamos un espectro diverso de la salud fiscal corporativa. Las ganancias por acción varían desde extremos negativos hasta positivos, y las cifras de ingresos totales reflejan una amplia gama de tamaños de empresa.
• Las fluctuaciones notables marcan la variedad de precios de las acciones, mientras que el volumen de operaciones subraya la diversidad en la actividad del mercado entre diferentes entidades.
• Nuestro estudio de correlación revela una fuerte vinculación entre varios puntos de precio de las acciones, una asociación moderada entre las ganancias de una empresa y el valor de las acciones, y una relación leve entre las escalas de ingresos y los volúmenes de operaciones.
• Un descubrimiento intrigante fue la relación inversa entre los volúmenes de operaciones y los precios de las acciones, lo que sugiere que una mayor actividad de negociación no necesariamente se correlaciona con precios más altos de las acciones.

Ingeniería de características

Con estas ideas analíticas, avanzamos para mejorar nuestro conjunto de datos a través de la ingeniería de características:

• Introduciremos ratios financieros predictivos:
  • PE_Ratio: Este ratio, que representa el Precio de las Ganancias, se calcula dividiendo el precio de cierre de las acciones entre las Ganancias por Acción.
  • Price_Change: Esto refleja la variación en el precio de las acciones, calculada restando el precio de apertura del precio de cierre.
  • Average_Price: Esta métrica promedia los precios de apertura, cierre, mínimo y máximo de las acciones de un día.
• Para abordar anomalías en los datos, utilizaremos el método del Rango Intercuartil (IQR) para identificar y mitigar valores atípicos en nuestros campos numéricos.
• Normalizaremos características numéricas clave, como las Ganancias por Acción y los Ingresos Totales, utilizando MinMaxScaler para garantizar una escala estandarizada para la entrada del modelo.
• La categoría ‘Sector GICS’ se someterá a una codificación one-hot para convertir las clasificaciones de sector en un formato binario compatible con los procesos de aprendizaje algorítmico.
• La culminación de este proceso nos brinda un conjunto de datos enriquecido con 103 columnas, que fusiona los datos originales, las características recién generadas y los sectores codificados en one-hot.

from sklearn.preprocessing import MinMaxScaler# Renombrar columnas para la coherenciafundamentals_renamed = fundamentals.rename(columns={'Ticker Symbol': 'símbolo', 'Period Ending': 'fecha'})prices_split_adjusted_renamed = prices_split_adjusted.rename(columns={'symbol': 'símbolo', 'date': 'fecha', 'open': 'precio_apertura', 'close': 'precio_cierre', 'low': 'precio_mínimo', 'high': 'precio_máximo', 'volume': 'volumen_operaciones'})securities_renamed = securities.rename(columns={'Ticker symbol': 'símbolo'})# Combinar conjuntos de datosmerged_data = pd.merge(pd.merge(fundamentals_renamed, prices_split_adjusted_renamed, on=['símbolo', 'fecha']), securities_renamed, on='símbolo')# Creación de nuevas característicasmerged_data['PE_Ratio'] = merged_data['precio_cierre'] / merged_data['Ganancias por Acción']merged_data['Price_Change'] = merged_data['precio_cierre'] - merged_data['precio_apertura']merged_data['Average_Price'] = (merged_data['precio_apertura'] + merged_data['precio_cierre'] + merged_data['precio_mínimo'] + merged_data['precio_máximo']) / 4# Manejo de valores atípicos: Utilizando el método del IQR para identificar y manejar valores atípicos en columnas numéricasQ1 = merged_data.quantile(0.25)Q3 = merged_data.quantile(0.75)IQR = Q3 - Q1merged_data = merged_data[~((merged_data.isin([Q1 - 1.5 * IQR, Q3 + 1.5 * IQR])).any(axis=1))]# Escalamiento de características: Normalizando las características numéricasnumerical_features = ['Ganancias por Acción', 'Ingresos Totales', 'precio_apertura', 'precio_cierre', 'precio_mínimo', 'precio_máximo', 'volumen_operaciones', 'PE_Ratio', 'Price_Change', 'Average_Price']scaler = MinMaxScaler()merged_data[numerical_features] = scaler.fit_transform(merged_data[numerical_features])# Codificación de variables categóricas: Codificación one-hot para 'Sector GICS'merged_data_encoded = pd.get_dummies(merged_data, columns=['Sector GICS'])# Mostrar una muestra del conjunto de datos preprocesadomerged_data_encoded.head()

Entrenamiento y Prueba del Modelo

Para nuestro proyecto de predicción de precios de acciones, debemos elegir un modelo de aprendizaje automático que sea excelente en el manejo de tareas de regresión, ya que estamos tratando de predecir valores continuos de precios de acciones. Dada la naturaleza diversa y compleja de nuestro conjunto de datos, nuestro modelo debe capturar patrones intrincados dentro de los datos hábilmente.

• Selección del Modelo: Elegido por su versatilidad y robustez, el Regresor de Bosques Aleatorios es ideal para manejar la complejidad y variedad de características de nuestro conjunto de datos. Sobresale en tareas de regresión, es menos propenso al sobreajuste y puede capturar relaciones no lineales.
• División de Datos: El conjunto de datos se divide en una proporción 80/20 para entrenamiento y prueba. Esto garantiza una fase de entrenamiento integral al tiempo que se conserva un conjunto de datos significativo para la validación.
• Manejo de Valores Faltantes: Los valores faltantes se abordan utilizando la estrategia de relleno de mediana de SimpleImputer de sklearn.impute, garantizando la integridad y consistencia de los datos en todo el conjunto de datos.
• Proceso de Entrenamiento: El modelo se entrena con los datos de entrenamiento imputados, reflejando escenarios del mundo real con puntos de datos faltantes.
• Evaluación del Rendimiento: Después del entrenamiento, la precisión predictiva del modelo se evalúa utilizando el conjunto de prueba imputado, brindando información sobre su aplicabilidad en el mundo real.

El siguiente código muestra los pasos involucrados en este proceso,

from sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.metrics import mean_squared_error, r2_scorefrom sklearn.impute import SimpleImputer# Suponiendo 'close_price' como la variable objetivo para la predicciónX = merged_data_encoded.drop(['close_price', 'symbol', 'date'], axis=1)  # eliminando variables no numéricas y objetivo variabley = merged_data_encoded['close_price']# Verificación de columnas no numéricas en el conjunto de datosnon_numeric_columns = X.select_dtypes(include=['object']).columns# Si hay columnas no numéricas, las eliminaremos del conjunto de datosif len(non_numeric_columns) > 0:    X = X.drop(non_numeric_columns, axis=1)# Dividiendo el conjunto de datos en conjuntos de entrenamiento y pruebaX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# Inicializando el Regresor de Bosques Aleatoriosrandom_forest_model = RandomForestRegressor(n_estimators=100, random_state=42)# Creando un objeto imputer con una estrategia de relleno de medianaimputer = SimpleImputer(strategy='median')# Aplicando el imputer a los conjuntos de datos de entrenamiento y pruebX_train_imputed = imputer.fit_transform(X_train)X_test_imputed = imputer.transform(X_test)# Entrenando el modelorandom_forest_model.fit(X_train_imputed, y_train)# Prediciendo en el conjunto de pruebay_pred = random_forest_model.predict(X_test_imputed)# Evaluando el modelomse = mean_squared_error(y_test, y_pred)r2 = r2_score(y_test, y_pred)mse, r2

Rendimiento del Modelo

El resultado de nuestro modelo Regresor de Bosques Aleatorios indica lo siguiente:

• Error Cuadrático Medio (MSE): El valor bajo del MSE de 8.592×10−5 sugiere que las predicciones de nuestro modelo están muy cerca de los valores reales, lo que indica una alta precisión en la predicción de precios de acciones.
• R-cuadrado (R²): Un valor de R² de aproximadamente 0.96 implica que el modelo puede explicar aproximadamente el 96% de la variabilidad en los precios de las acciones, lo cual es excepcionalmente alto para las predicciones del mercado de valores.

Integración con la API de GPT-4

Después de entrenar el modelo Regresor de Bosques Aleatorios y habilitarlo para realizar predicciones, lo integraremos de manera fluida con la API de GPT-4. Esta integración permite que el modelo analice y prediga precios de acciones y comunique estas ideas de manera efectiva a los usuarios. La API de GPT-4, con sus avanzadas capacidades de procesamiento del lenguaje natural, puede interpretar datos financieros complejos y presentarlos de manera fácil de entender para los usuarios.

¿Cómo funciona la integración?

Aquí hay una explicación detallada de cómo funciona la integración:

• Procesamiento de la consulta del usuario: La función get_model_predictions procesa la consulta del usuario para extraer información relevante, como el símbolo del ticker. Dado que no tenemos los datos más recientes, utilizaremos el resumen de la acción en particular en cuestión y generaremos datos de prueba.
• Predicción y escalado del modelo: El modelo Random Forest predice el precio de la acción a partir de los datos de prueba y lo escala de vuelta a su valor original utilizando el método de escalado previamente definido.
• Preparación de la consulta para GPT-4: La función query_gpt4_with_context combina la consulta del usuario, las predicciones del modelo y el contexto adicional, incluyendo tendencias de precios, fundamentos e información de los valores para la acción especificada. Este contexto guía a GPT-4 para ofrecer una consulta financiera personalizada basada en la consulta del usuario y el análisis del modelo.
• Consulta y respuesta de GPT-4: La consulta genera una respuesta personalizada basada en los datos y el perfil financiero del usuario.

import osfrom openai import OpenAIfrom sklearn.impute import SimpleImputeros.environ["OPENAI_API_KEY"] ='TU CLAVE DE API'client = OpenAI()imputer = SimpleImputer(strategy='median')# Función para obtener predicciones del modelo basadas en la consulta del usuariodef get_model_predictions(user_query):    ticker_symbol = user_query[0].split()[-1].strip().upper()    # Aplicando el imputador a los datos y usando el modelo para realizar    # las predicciones    imputed_test_data = imputer.fit_transform(test_data)    predicted_scaled_value = random_forest_model.predict(imputed_test_data)[0]    confidence = 0.9  # Suponiendo una confianza del 90% en nuestras predicciones    # Creando un array de marcadores de posición con la misma forma que los     # datos escalados originales    placeholder_array = np.zeros((1, len(numerical_features)))    # Insertando el valor predicho escalado en la posición correcta    placeholder_array[0][3] = predicted_scaled_value    # Realizando la transformación inversa    predicted_original_value = scaler.inverse_transform(placeholder_array)    # Extrayendo el valor de vuelta al estado original para 'close_price'    predicted_stock_price = predicted_original_value[0][3]    return {        "predicted_stock_price": predicted_stock_price,        "confidence": confidence    }# Función para consultar a GPT-4 con contexto del modelodef query_gpt4_with_context(model_context,additional_data_context, user_query):    prompt = f"{additional_data_context}\n\n    {model_context}\n\n{user_query}\n\nEres un asesor financiero, un experto consultor del mercado de valores. Estudia las predicciones, los datos     proporcionados y el perfil del cliente para brindar     consulta relacionada con las acciones al usuario     basada en la información anterior.     También, enfoca tus consejos en las acciones específicas."    response = client.chat.completions.create(        model="gpt-4",        messages=[{"role": "system", "content": prompt}]    )    return response.choices[0].message.content.strip()

Ahora, probemos la eficacia de nuestro asesor de acciones con un par de escenarios:

Caso de prueba 1

Soy un hombre soltero de 25 años con una tolerancia al riesgo alta. Busco al menos un crecimiento anual del 15% en todas mis inversiones en acciones. Hace dos años, compré 100 acciones de ABBV a $40 por acción. ¿Debería vender mis acciones de ABBV? ¿Cuál es la ganancia probable en dólares y porcentaje de esta venta?

Alimentemos esta consulta en nuestro modelo y veamos qué resultado obtenemos.

user_query = ["Soy un hombre soltero de 25 años. Dado mi estado, tengo una alta tolerancia al riesgo y busco al menos un crecimiento del 15% al año en todas mis inversiones en acciones. Compré 100 acciones de ABBV a $40 por acción hace dos años. ¿Debería pensar en vender mis acciones de la compañía ABBV?","¿Cuál es mi ganancia probable en $ y % de esta venta?"]# Generando una fila de datos aleatorios para las acciones consultadas # basada en sus estadísticas resumidasticker_symbol = user_query[0].split()[-1].strip().upper()df1 = merged_data_encoded[merged_data_encoded['symbol'] == ticker_symbol]df1 = df1.drop(['close_price'], axis=1)test_data = df1.describe().loc[['mean', 'std']].Ttest_data['random_value'] = np.random.randn(len(test_data)) * test_data['std'] + test_data['mean']# Seleccionando solo los valores aleatorios para formar un DataFrametest_data = pd.DataFrame(test_data['random_value']).transpose()model_predictions = get_model_predictions(user_query)# Generando contexto del modelocontexto_del_modelo = f"El precio actual de la acción predicho para {ticker_symbol} es ${model_predictions['predicted_stock_price']} con un nivel de confianza del {model_predictions['confidence']*100}%."# Generando contexto de datos adicionalescontexto_datos_adicionales = precios[precios['symbol']==ticker_symbol],fundamentos[fundamentos['Ticker Symbol']==ticker_symbol],valores[valores['Ticker symbol']==ticker_symbol]respuesta_gpt4 = consultar_gpt4_con_contexto(contexto_del_modelo, contexto_datos_adicionales, user_query)print(f"Respuesta de GPT-4: {respuesta_gpt4}")

Caso de Prueba 2

Tengo 40 años, soy mujer casada. Dada mi situación, tengo una tolerancia al riesgo baja y busco al menos un crecimiento del 10% por año en todas mis inversiones en acciones. Compré 100 acciones de ALXN a $100 por acción hace dos años. ¿Debería vender mis acciones de la compañía ALXN? ¿Cuál sería mi probable ganancia en $ y % con esta venta?

user_query = ["Tengo 40 años, soy mujer casada. Dada mi situación, tengo una tolerancia al riesgo baja y busco al menos un crecimiento del 10% por año en todas mis inversiones en acciones. Compré 100 acciones de ALXN a $100 por acción hace dos años. ¿Debería vender mis acciones de la compañía ALXN?","¿Cuál sería mi probable ganancia en $ y % con esta venta?"]# Generando una fila aleatoria de datos para la acción consultada # basándose en sus estadísticas resumidasticker_symbol = user_query[0].split()[-1].strip().upper()df1 = merged_data_encoded[merged_data_encoded['symbol'] == ticker_symbol]df1 = df1.drop(['close_price'], axis=1)test_data = df1.describe().loc[['mean', 'std']].Ttest_data['random_value'] = np.random.randn(len(test_data)) * test_data['std'] + test_data['mean']# Seleccionando solo los valores aleatorios para formar un DataFrametest_data = pd.DataFrame(test_data['random_value']).transpose()model_predictions = get_model_predictions(user_query)# Generando contexto del modelo.model_context = f"El precio actual predicho de la acción {ticker_symbol} es de ${model_predictions['predicted_stock_price']} con un nivel de confianza del {model_predictions['confidence']*100}%."# Generando contexto de datos adicionalesadditional_data_context = prices[prices['symbol']==ticker_symbol],fundamentals[fundamentals['Ticker Symbol']==ticker_symbol],securities[securities['Ticker symbol']==ticker_symbol]gpt4_response = query_gpt4_with_context(model_context,additional_data_context, user_query)print(f"GPT-4 Respuesta: {gpt4_response}")

Desafíos

• Uno de los mayores desafíos en la implementación de un proyecto como este es asegurar la precisión y actualidad de los datos financieros. Datos inexactos o desactualizados pueden llevar a predicciones y recomendaciones equivocadas.
• Numerosos factores impredecibles, como eventos geopolíticos, cambios económicos y noticias específicas de empresas, influyen en los mercados de valores. Estos elementos pueden hacer que las predicciones de IA sean menos confiables.
• Los modelos de IA, a pesar de sus capacidades avanzadas, pueden tener dificultades para comprender completamente terminologías y conceptos financieros complicados, lo que podría afectar la calidad de los consejos de inversión.
• El asesoramiento financiero está fuertemente regulado. Asegurar que las recomendaciones impulsadas por IA cumplan con los estándares legales y pautas éticas es un desafío importante.

Conclusión

Nuestra exploración de la IA en el comercio de acciones muestra que modelos como GPT-3 y GPT-4 redefinen el panorama, asimilando vastos datos, aplicando análisis sofisticados y ofreciendo ideas precisas y personalizadas. El desarrollo del consultor de comercio de acciones representa un salto hacia un comercio accesible e informado para todos.

Puntos principales

• La integración de la IA en el comercio de acciones no es futurista, ya está aquí, remodelando cómo interactuamos con el mercado de valores.
• Los modelos impulsados por IA como GPT-3 y GPT-4 ofrecen estrategias personalizadas, alineándose con perfiles de riesgo individuales y objetivos financieros.
• La IA utiliza tanto datos históricos como datos en tiempo real para predecir las tendencias del mercado y orientar las estrategias de inversión.
• Las estrategias de inversión sofisticadas ya no son exclusivas de los inversores institucionales, ahora están al alcance de los inversores minoristas gracias a la IA.
• La IA capacita a los inversores para tomar decisiones informadas, brindando una ventaja estratégica en el volátil mundo de la inversión en acciones.

Preguntas frecuentes

Los medios mostrados en este artículo no son propiedad de Analytics Vidhya y se utilizan a discreción del autor.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!