1. Mi a hír röviden?
2. Mi az a három dolog, amit érdemes megjegyezni?
- Mind a nyolc ügynök jobb kockázattal korrigált hozamot ért el a 60/40 portfóliónál, a legjobb évi 0,7 százalékponttal és alacsonyabb volatilitással. A JPMorgan mégis óva int attól, hogy ezt tartós piacverő képességként kezeljük.
- Az eredmények abból a historikus adathalmazból származnak, amelyen a modellt kialakították, ezért erősen ki vannak téve a túlillesztésnek. Éles piacon a költségek, a likviditás és a modellezhetetlen rezsimváltások miatt egészen másképp viselkedhetnek.
- A nagyobb tét rendszerszintű: ha sok intézmény hasonló modellt és adatot használ, a pozíciók zsúfolttá válnak, a modellek pedig manipulálhatók és túl kockázatvállalók lehetnek. Az MNB 13/2025-ös ajánlása már ma testületi szintű AI-kockázatkezelést vár el.
3. Miért fontos a pénzügyi szektornak?
Folytatás élőben itt: TechShow X.
2026. október 14-15., Várkert Bazár. Itt azokat hallhatod a színpadon, akik már élesben építik az intelligens pénzügyek következő fejezetét.
Nyolc ügynök, egy tanulság
A JPMorgan Chase kutatói AI-ügynököket (AI agents) építettek, amelyek a piaci körülmények változása szerint mozgatják a tőkét részvények és kötvények között.
A Bloomberg által ismertetett, Thomas Salopek stratéga vezetésével készült július 9-i elemzés szerint a húszéves időszakot lefedő visszatesztelésben (backtest) a legjobban teljesítő rendszer évi 0,7 százalékponttal múlta felül a hagyományos, 60 százalék részvényből és 40 százalék kötvényből álló portfóliót, ráadásul alacsonyabb volatilitás mellett.
Mind a nyolc ügynök jobb kockázattal korrigált hozamot ért el a 60/40 portfóliónál, és a bank saját, szabályalapú piacirezsim-modelljét is megverték.
Az ügynökök az OpenAI és az Anthropic modelljeire épültek, ez volt a JPMorgan első kísérlete piaci rezsimeket azonosító AI-rendszer építésére.
„Lelkesedünk az agentikus AI lehetőségeiért, miközben óvakodunk attól, hogy az eszközallokációs döntéshozatalt átadjuk egy ügynöknek”
– írták a JPMorgan stratégái.
A visszateszt nem éles kereskedés
A figyelemre méltó számok mellett a jelentés legfontosabb üzenete maga a fenntartás. A stratégák hangsúlyozták, hogy az eredmények történelmi szimulációkon alapulnak, nem éles befektetéseken, és kifejezetten óvtak attól, hogy bárki az AI tartós piacverő képességének bizonyítékaként kezelje őket.
„Határozottan óvunk attól, hogy bárki kritika nélkül elfogadja az AI mintán belüli, túlzottan magabiztos válaszait” – fogalmazott a kutatócsapat.
A mintán belüli (in-sample) eredmények ugyanabból a historikus adathalmazból származnak, amelyen a modellt kialakították, ezért különösen ki vannak téve a túlillesztés kockázatának.
Ami húsz év adatán jól mutat, az éles piacon a végrehajtási költségek, a likviditás és a múltból nem modellezhető rezsimváltások miatt egészen másképp viselkedhet.
Amikor mindenki ugyanazt gondolja
A JPMorgan-kutatás egy szélesebb, kevésbé reflektorfényben lévő vitába illeszkedik. A Bloomberg július elsején külön elemzésben foglalta össze azokat a friss akadémiai kutatásokat, amelyek azt vizsgálják,
mi történik a piaccal, ha egyre több intézmény hasonló AI-modellekre bízza a befektetési döntéseket.
A piacok működésének alapfeltétele, hogy a szereplők ugyanabból az információból eltérő következtetésekre jutnak.
A homogenizáció (homogenization) éppen ezt a feltételt bontja le: ha sok intézmény hasonló alapmodellt, hasonló adatokat és hasonló promptokat használ, a pozíciók zsúfolttá válnak, a nyereséges kereskedési jelzések élettartama lerövidül, és a stresszidőszakok felerősödhetnek.
A New York University kutatói közel egymillió intézményi alapkezelői pozíciót elemezve azt találták, hogy az AI terjedésével a portfóliók hasonlósága folyamatosan nő.
A Wharton kutatói pedig szimulált piacokon mutatták ki, hogy AI-kereskedő ügynökök explicit programozás nélkül is kartellszerű viselkedésre képesek konvergálni.
Manipulálható és túl kockázatvállaló
A homogenizáció mellett két további sebezhetőséget azonosított a kutatói közösség.
A Liechtensteini Egyetem kutatói tíz nagy nyelvi modellre épülő kereskedési rendszert teszteltek: mindegyik pozitív hozamot termelt, ám mindegyiket sikerült megtéveszteni emberi szemmel alig észrevehető módosításokkal, például hasonló karakterek cseréjével vagy rejtett szöveg beágyazásával a pénzügyi hírcímekben.
A legrosszabb esetben egyetlen részvényt érintő, egyetlen napi manipuláció nagyjából 18 százalékponttal rontotta a modell teljes hozamát.
Az Elm Partners kísérletében négy népszerű AI-modell irányhelyesség tekintetében az elit makrokereskedőkkel vetekedett, ugyanakkor mindegyik rendszeresen és jelentősen túllépte az ajánlott kockázati szintet.
„Egyetlen rossz döntés továbbterjedhet más napokra és a rendszer más döntéseire” – figyelmeztetett Advije Rizvani, a liechtensteini kutatás egyik szerzője.
A kérdés már nem a teljesítmény
A JPMorgan eredményei azt jelzik, hogy az agentikus AI technikailag képes lehet érdemi tőkeallokációs döntésekre.
A kutatások összképe viszont azt mutatja, hogy az igazi tét rendszerszintű:
a felügyeleti hatóságoknak és az intézményeknek arra kell felkészülniük, hogy a hasonló modellek tömeges elterjedése magát a piacszerkezetet változtatja meg.
Ez a kérdéskör a hazai szektort is közvetlenül érinti, az MNB 13/2025-ös ajánlása már ma elvárja az AI-kockázatok testületi szintű kezelését.
Mi történik, ha minden AI ugyanazt lépi?
Az AI-ügynökök éles pénzügyi bevetéséről a TechShow X. Autonóm pénzügyek szekciójában azok beszélnek, akik már ma építik.
- Időpont: 2026. október 14-15.
- Helyszín: Várkert Bazár, Budapest
- Program és jegyek a FinTechZone oldalán →
Felhasznált források: Bloomberg, JPMorgan Builds AI Agents That Beat 60/40 Portfolio in Backtests, 2026. július 9. · Bloomberg, Wall Street’s AI Race Is Fueling New Fears of Crowded Trading, 2026. július 1. · Wharton School, AI-Powered Collusion in Financial Markets. · Oliver Bussmann, LinkedIn-bejegyzés a JPMorgan-kutatásról.
