Een recent wetenschappelijk onderzoek werpt een kritisch licht op de inzet van kunstmatige intelligentie binnen de financiële sector. Hoewel grote taalmodellen (LLM's) in staat zijn om zeer geloofwaardige sequenties van gebeurtenissen in een orderboek te produceren, blijkt dat zij de feitelijke dynamiek en de staat van de markt niet werkelijk doorgronden.
Het onderzoek richtte zich specifiek op de interactie tussen AI en het zogenaamde limit order book (LOB), een cruciaal systeem waarin koop- en verkooporders in moderne markten worden beheerd. Volgens een arxiv.org van 24 augustus 2026 is een LLM getraind met synthetische gegevens van een dergelijk orderboek. De resultaten laten een paradoxaal beeld zien: het model behaalde bijna perfecte scores bij het genereren van geldige sequenties. Dit betekent dat de AI patronen kan reproduceren die voldoen aan de formele regels en op het eerste gezicht correct ogen.
Ondanks dit technische succes stellen de onderzoekers Junxiao Chen en Paul Glasserman dat het impliciete 'wereldmodel' van de AI tekortschiet. In de wordt geconcludeerd dat het model er niet in slaagt om de actuele staat van het orderboek echt te leren of te begrijpen. Dit gebrek aan fundamenteel inzicht heeft directe gevolgen voor de betrouwbaarheid van voorspellingen. Wanneer deze modellen worden gebruikt om toekomstige marktgebeurtenissen te schatten, kunnen de resultaten bevooroordeeld zijn of gebaseerd zijn op statistische correlaties in plaats van op de reële marktdynamiek.
Om tot deze conclusies te komen, hebben de auteurs nieuwe testmethoden ontwikkeld. Zij breidden bestaande tests uit van deterministische omgevingen naar de stochastische, oftewel onvoorspelbare, aard van een limit order book. Hierdoor werd zichtbaar dat het model weliswaar de vorm van de data beheerst, maar niet de logica die erachter schuilt.
Om de context van deze bevindingen te begrijpen, is het relevant om te kijken naar de werking van deze systemen. Zoals uiteengezet in een geeksforgeeks.org, zijn LLM's machine learning-systemen die op gigantische hoeveelheden data worden getraind om menselijke taal te verwerken en te genereren. De meeste van deze modellen maken gebruik van de Transformer-architectuur en attention mechanisms, waardoor ze volledige sequenties van data gelijktijdig kunnen analyseren.
Hoewel deze technologie zeer effectief is voor tekstuele taken, zoals het maken van samenvattingen, bewijst het onderzoek dat dit mechanisme niet automatisch leidt tot een begrip van complexe numerieke systemen. De is primair gericht op taalpatronen, wat in het geval van financiële markten kan leiden tot een schijnvoorspelbaarheid.
De conclusie voor de financiële sector is helder: het vermogen van een generatief AI-model om data te produceren die correct lijkt, is geen bewijs voor een correct begrip van de onderliggende logica. Voor toepassingen waarbij een accuraat beeld van de marktsituatie essentieel is, kunnen LLM's op basis van deze resultaten als onbetrouwbaar worden beschouwd.