Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Este documento proporciona una visión general completa de los modelos de fundamentos financieros (FFM) emergentes en el campo de la ingeniería financiera. Los modelos de fundamentos (FM) de propósito general, como GPT-4 y Gemini, han demostrado su rendimiento en diversas tareas, como resumir informes financieros y predecir sentimientos, pero aún enfrentan muchos desafíos debido a los requisitos únicos del campo financiero, como la inferencia multimodal, el cumplimiento normativo y la privacidad de los datos. Para abordar estos desafíos, los FFM son modelos específicos de finanzas que pueden clasificarse en tres modalidades principales: modelos basados en lenguaje financiero (FinLFM), modelos basados en series temporales financieras (FinTSFM) y modelos basados en lenguaje visual financiero (FinVLFM). Este documento revisa la arquitectura, el método de entrenamiento, el conjunto de datos y las aplicaciones reales de cada modelo, e identifica desafíos importantes como la disponibilidad de datos, la escalabilidad de los algoritmos y las limitaciones de infraestructura, a la vez que proporciona información sobre oportunidades para futuras investigaciones. Puede encontrar una lista actualizada de publicaciones y materiales relacionados con FFM en https://github.com/FinFM/Awesome-FinFMs .
Takeaways: Organiza exhaustivamente las tendencias de surgimiento y desarrollo de las FFM especializadas en el ámbito financiero y las analiza sistemáticamente clasificándolas en FinLFM, FinTSFM y FinVLFM, sugiriendo así líneas de investigación y desarrollo en el campo de la ingeniería financiera. Al presentar desafíos clave como la disponibilidad de datos, la escalabilidad de algoritmos y las limitaciones de infraestructura, se aclara el enfoque de la investigación futura.
•
Limitations: Este artículo ofrece una revisión general de los FFM, pero podría carecer de comparaciones detalladas del rendimiento de cada modelo o de un análisis exhaustivo de aplicaciones específicas. Además, podría resultar difícil abarcar todas las últimas tendencias de investigación en el campo de los FFM, en rápida evolución. Finalmente, las soluciones específicas o técnicas prácticas a los problemas presentados podrían ser limitadas.
