[논문 리뷰] Opportunities and Challenges of Generative-AI in Finance

Akshar Prabhu Desai, Ganesh Mallya외 4명|arXiv (Cornell University)|2024. 10. 21.

Stock Market Forecasting MethodsDecision Sciences인용 수 3

한 줄 요약

이 논문은 금융 분야에서 생성형 AI(Gen-AI) 응용에 대한 종합적인 분석을 제공하며, 상호작용형, 보조형, 교육형, 자문형 시스템 분야에서의 주요 기회를 제시하고, 데이터 부족, 환상, 지연, 편향과 같은 핵심 과제를 밝혀낸다. 또한 피닝튜닝과 검색 증강 생성(RAG)을 포함한 훈련 방법론을 제시하며, 사기 탐지, 리스크 모델링, 포트폴리오 관리 분야에서 Gen-AI의 영향을 입증한다. 연구 결과, 백테스트 전략에서 최대 30%의 성과 향상을 기록했다.

ABSTRACT

Gen-AI techniques are able to improve understanding of context and nuances in language modeling, translation between languages, handle large volumes of data, provide fast, low-latency responses and can be fine-tuned for various tasks and domains. In this manuscript, we present a comprehensive overview of the applications of Gen-AI techniques in the finance domain. In particular, we present the opportunities and challenges associated with the usage of Gen-AI techniques. We also illustrate the various methodologies which can be used to train Gen-AI techniques and present the various application areas of Gen-AI technologies in the finance ecosystem. To the best of our knowledge, this work represents the most comprehensive summarization of Gen-AI techniques within the financial domain. The analysis is designed for a deep overview of areas marked for substantial advancement while simultaneously pin-point those warranting future prioritization. We also hope that this work would serve as a conduit between finance and other domains, thus fostering the cross-pollination of innovative concepts and practices.

연구 동기 및 목표

• 금융 생태계 전반에 걸친 생성형 AI 응용에 대한 통합적 개요 제공.
• 금융 분야에서 상호작용형, 보조형, 교육형, 자문형 Gen-AI 응용 분야에서의 주요 기회를 식별하고 분석.
• 금융 분야 구현에서 데이터 품질, 환상, 추론 지연, 모델 편향과 같은 주요 과제 분석.
• 도메인 특화 금융 Gen-AI 모델을 위한 프롬프트 엔지니어링, 피닝튜닝, RAG를 포함한 훈련 방법론 평가.
• 리스크 관리, 거래, 준수 분야에서의 구체적 사례 도식화 및 성과 결과 정량화.

제안 방법

• 대규모 언어 모델(LLM)과 그 재무 작업에 대한 적응을 중심으로, 금융 분야에서의 Gen-AI 응용에 대한 체계적 리뷰 및 통합.
• Gen-AI 응용 사례를 네 가지 영역으로 분류: 상호작용형(예: 챗봇), 보조형(예: 양식 작성), 교육형(예: 금융 리터러시), 자문형(예: 거래 보조 시스템).
• 훈련 기법 평가: 제로샷/소량 샘플 프롬프팅, 지시 튜닝, 작업 특화 피닝튜닝, 효율적인 파rameter 피닝튜닝(PEFT).
• 검색 증강 생성(RAG)을 적용하여 LLM에서 사실 일관성 향상 및 최신 금융 데이터 접근성 향상.
• 금융 NLP 작업을 위한 도메인 특화 모델인 BloombergGPT(500억 파라미터) 및 StockGPT 분석.
• 리스크 모델링, 포트폴리오 재균형, 문서 처리 분야에서의 Gen-AI 연구 결과 종합.

실험 결과

연구 질문

• RQ1 생성형 AI는 상호작용형 및 보조형 응용을 통해 금융기관의 고객 서비스 및 지원을 어떻게 향상시킬 수 있는가?
• RQ2 Gen-AI는 투자 및 리스크 관리 분야에서 금융 의사결정을 어떻게 향상시킬 수 있으며, 달성 가능한 성과 향상 수준은 무엇인가?
• RQ3 규제된 금융 환경에서 Gen-AI 모델을 구현할 때 발생하는 주요 기술적 및 윤리적 과제는 무엇인가?
• RQ4 피닝튜닝과 RAG 기법은 금융 LLM에서 사실 정확성과 도메인 관련성 향상에 어떻게 기여하는가?
• RQ5 금융 분야에서 Gen-AI의 가장 유망한 응용 분야는 무엇이며, 추가 연구가 필요한 분야는 무엇인가?

주요 결과

• McKinsey의 추정에 따르면, 고도화된 챗봇과 대화 시스템을 통해 인간 대응 고객 연락을 최대 50% 감소시킬 수 있다.
• BloombergGPT는 일반 언어 능력을 유지하면서도 재무 질의 응답 및 감성 분석 분야에서 뛰어난 성능을 보였다.
• StockGPT 및 유사 모델은 토큰 시퀀스에 대한 어텐션 메커니즘을 사용하여 정량적 거래 연구에서 상당한 예측 능력을 입증했다.
• 백테스트 연구 결과, Gen-AI가 생성한 신호를 활용한 포트폴리오 재균형이 수동 인덱스 대비 10~30%의 성과 향상을 기록했다.
• Gen-AI 모델은 사기 탐지 성능을 향상시켰으며, Mastercard는 탐지율 평균 20% 향상을 보고했다.
• RAG를 적용한 모델은 금융 질의 시스템에서 사실 일관성과 최신 정보 접근성 향상에 뚜렷한 효과를 보였다.