„Finance AI Challenge“: šešių geriausių nemokamų žiniatinklio AI modelių įvertinimas
Davidas Krause’as (Marquette universitetas)
2024 m. birželio mėn
Šiame straipsnyje įvertinami šeši nemokami žiniatinklio AI modeliai – „ChatGPT“, „Gemini“, „Copilot“, „Claude“, „Perplexity“ ir „Meta AI“ – kaip jie atlieka su finansais susijusias užduotis. Naudodami struktūrizuotą metodą, įvertinome modelių gebėjimus tvarkyti faktines, konceptualias ir skaičiavimo užklausas, taip pat jų gebėjimą koduoti Python per finansinio atvejo analizę. Mūsų išvados rodo, kad „ChatGPT“, „Copilot“ ir „Perplexity“ nuolat tobulėjo, ypač pateikdami tikslius, išsamius ir gerai struktūrizuotus atsakymus. Tačiau išlieka iššūkių, tokių kaip konteksto palaikymas, faktų tikslumo užtikrinimas ir šališkumo mažinimas. Tyrimas pabrėžia būtinybę atlikti būsimus tyrimus, siekiant pagerinti srities pritaikymą, paaiškinamumą ir etinius aspektus, siekiant užtikrinti patikimą ir atsakingą AI modelių naudojimą finansų srityje.
Pirmas žvilgsnis į finansinių duomenų analizę naudojant ChatGPT-4o
2024 m. gegužės mėn
Zifeng Feng (Teksaso universitetas El Pase) ir kt.
2024 m. gegužės mėn
Naujasis „OpenAI“ pavyzdinis modelis „ChatGPT-4o“ (su „o“reiškia „omni“), išleistas 2024 m. gegužės 13 d., siūlo patobulintą natūralios kalbos supratimą ir nuoseklesnius atsakymus. Šiame darbe nagrinėjame ChatGPT-4o galimybes finansinių duomenų analizėje, įskaitant nulinį raginimą, laiko eilučių analizę, rizikos ir grąžos analizę bei ARMA-GARCH įvertinimą. Pastebime, kad „ChatGPT-4o“ našumas paprastai yra panašus į tradicinę statistikos programinę įrangą, pvz., „Stata“, nors kai kurių klaidų ir neatitikimų atsiranda dėl įgyvendinimo skirtumų. Nepaisant šių problemų, mūsų išvados rodo, kad „ChatGPT-4o“ turi didelį potencialą atlikti realią finansinę analizę. „ChatGPT-4o“ integravimas į finansinius tyrimus ir praktiką gali padėti efektyviau apdoroti duomenis, pagerinti analitines galimybes ir priimti geriau informuotus investicinius sprendimus.
Portfelio kūrimo ir optimizavimo tobulinimas: AI vaidmuo didinant grąžą, mažinant riziką ir supaprastinant efektyvumą
Michaelas Schopfas („Schopf Meta Consult“)
2024 m. vasario mėn
Šis dokumentas yra praktinis vadovas, kaip dirbtinis intelektas (AI) ir mašininis mokymasis (ML) gali padėti profesionaliems investuotojams kurti ir optimizuoti portfelį, ir nustatyti trys būdai, kaip sklandžiai integruoti ML pagrįstą portfelio kūrimą į esamą investavimo procesą. Jame pateikiama įtikinama lyginamoji tradicinių metodų ir šiuolaikinių ML pagrįstų portfelio kūrimo ir optimizavimo metodų analizė. Straipsnyje iliustruojama, kaip, skirtingai nuo tradicinių įrankių, tokių kaip vidutinės dispersijos optimizavimas ir kapitalo turto kainodaros modelis, ML metodai dinamiškai prisitaiko prie rinkos pokyčių, veikdami kaip navigacijos sistema ar GPS nuolat besikeičiančioje finansinėje srityje. Šis pritaikomumas leidžia ML pagrįstiems portfeliams pranokti tradicinius metodus, naudojant geresnę nuspėjamąją analizę, automatizuotą perbalansavimą ir rizikos valdymą, todėl gaunami efektyvesni, keičiamo dydžio ir pritaikyti portfelio sprendimai. Straipsnyje teigiama, kad ML integravimas į portfelio kūrimą yra ne tik atnaujinimas, bet ir reikšminga naujovė turto valdymo srityje. Tai suteikia tikslumo ir efektyvumo, viršijančio tradicinių metodų galimybes, taip padidindama portfelio grąžą, sumažindama riziką ir pagerindama efektyvumą.
Ar didelių kalbų modeliai gali įveikti Volstritą? AI potencialo akcijų pasirinkimo atskleidimas
George’as Fatourosas („Alpha Tensor Technologies“) ir kt.
2024 m. sausio mėn
Šiame dokumente pristatoma „MarketSenseAI“ – novatoriška sistema, pasitelkianti pažangius GPT-4 argumentus renkantis akcijas finansų rinkose. Integruodama minties grandinę ir mokymąsi kontekste, „MarketSenseAI“ analizuoja įvairius duomenų šaltinius, įskaitant rinkos tendencijas, naujienas, pagrindus ir makroekonominius veiksnius, kad galėtų pamėgdžioti ekspertų investicinius sprendimus. Nuodugniai aptariamas sistemos kūrimas, įgyvendinimas ir patvirtinimas, pabrėžiant jos gebėjimą generuoti veiksmingus ir interpretuojamus investicijų signalus. Svarbus šio darbo bruožas yra tai, kad GPT-4 naudojamas kaip nuspėjamasis mechanizmas ir signalų vertintojas, atskleidžiantis reikšmingą AI sukurtų paaiškinimų įtaką signalo tikslumui, patikimumui ir priimtinumui. Atlikdamas empirinius konkurencingų S&P 100 akcijų testus per 15 mėnesių laikotarpį, MarketSenseAI parodė išskirtinį našumą, suteikdamas nuo 10 % iki 30 % alfa pertekliaus ir pasiekdamas iki 72 % suminę grąžą per laikotarpį, išlaikydamas palyginamą rizikos profilį. į platesnę rinką. Mūsų išvadose pabrėžiamas didelių kalbų modelių transformacinis potencialas priimant finansinius sprendimus, o tai žymi reikšmingą šuolį integruojant generatyvųjį AI į finansinę analizę ir investavimo strategijas.
Generatyvaus dirbtinio intelekto integravimas į finansų rinkos numatymą, kad būtų lengviau priimti sprendimus
Chang Che (Džordžo Vašingtono universitetas) ir kt.
2024 m. balandžio mėn
Šiame tyrime pateikiama nuodugni generatyvaus dirbtinio intelekto modelių architektūros ir pagrindinių technologijų analizė, derinama su konkrečiais taikymo atvejais, naudojami sąlyginiai generatyviniai priešingi tinklai (cGAN) ir laiko eilučių analizės metodai, skirti imituoti ir numatyti dinamiškus pokyčius finansų rinkose. Tyrimo rezultatai rodo, kad cGAN modelis gali efektyviai fiksuoti finansų rinkos duomenų sudėtingumą, o nukrypimas tarp prognozavimo rezultatų ir tikrosios rinkos veiklos yra minimalus, o tai rodo aukštą tikslumo laipsnį. Atlikus investicijų grąžos analizę, patvirtinama modelio prognozių taikymo vertė faktinėse investavimo strategijose, suteikiant investuotojams naujų būdų, kaip pagerinti sprendimų priėmimo procesą. Be to, modelio stabilumo ir patikimumo įvertinimas taip pat rodo, kad nors vis dar yra iššūkių reaguojant į ekstremalias rinkos situacijas, apskritai GAI technologija parodė didelį potencialą ir taikymo vertę finansų rinkų prognozavimo srityje. Išvadoje nurodoma, kad generatyvaus dirbtinio intelekto integravimas į finansų rinkos prognozes gali ne tik pagerinti prognozių tikslumą, bet ir suteikti galingą duomenų palaikymą priimant finansinius sprendimus, padedančius investuotojams priimti labiau pagrįstus sprendimus sudėtingoje ir nuolat kintančioje rinkos aplinkoje.
AI ekonominių tyrimų fronte
Oliveris Giesecke (Stanfordo universiteto Hūverio institutas)
2024 m. vasario mėn
AI naudojimas vis labiau įtraukiamas į ekonominius tyrimus. Kai kurios programos apima nuotaikų analizę, klasifikavimą, grupavimą arba funkcijų aproksimavimą, skirtą lanksčiams modeliams kurti. Kitas perspektyvus pokytis yra AI naudojimas selektyviai išgauti duomenis, kurie vėliau analizuojami naudojant įprastą ekonominių priemonių rinkinį. Pastarąjį įgalina naujausi vaizdo ir kalbos transformatorių modelių pažanga. Šis metodas gali žymiai išplėsti ekonominių tyrimų galimybes, kaip parodyta pavyzdyje, kai skolos termino duomenys ištraukiami iš tūkstančių PDF dokumentų.
Išmokite naudoti R portfelio analizei
Kiekybinė investicijų portfelio analizė R:
R įvadas, skirtas modeliuoti portfelio riziką ir grąžą
James Picerno
