दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

क्या एलएलएम-आधारित वित्तीय निवेश रणनीतियाँ दीर्घकाल में बाज़ार से बेहतर प्रदर्शन कर सकती हैं?

Created by
  • Haebom

लेखक

वेक्सियन वेलॉन ली, ह्योनजुन किम, मिहाई कुकुरिंगु, टाईजुन मा

रूपरेखा

यह शोधपत्र बड़े पैमाने के भाषा मॉडल (एलएलएम) का उपयोग करके परिसंपत्ति मूल्य निर्धारण और शेयर ट्रेडिंग रणनीतियों की सामान्यीकरण क्षमता और सुदृढ़ता का आलोचनात्मक मूल्यांकन करता है। हम बताते हैं कि पिछले अध्ययनों ने एलएलएम रणनीतियों की प्रभावशीलता को उनकी संकीर्ण समयावधि और सीमित स्टॉक पोर्टफोलियो के कारण ज़्यादा आंका है। हम एक बैकटेस्टिंग फ्रेमवर्क, फिनसेबर, का प्रस्ताव करते हैं, जो लंबी अवधि (20 वर्षों से अधिक) और 100 से अधिक शेयरों में एलएलएम-आधारित बाजार समय निर्धारण रणनीतियों का मूल्यांकन करेगा।

Takeaways, Limitations

•
Takeaways: पिछले अध्ययनों में बताया गया है कि दीर्घकालिक और व्यापक-आधारित शेयरों का मूल्यांकन करते समय एलएलएम की श्रेष्ठता में उल्लेखनीय गिरावट आती है। एलएलएम रणनीतियाँ तेजी वाले बाजारों में रूढ़िवादी और मंदी वाले बाजारों में आक्रामक होती हैं, जिससे कम रिटर्न और संभावित रूप से बड़े नुकसान का संकेत मिलता है। इसलिए, यह एलएलएम रणनीतियों को विकसित करने की आवश्यकता को रेखांकित करता है जो केवल ढांचे की जटिलता बढ़ाने के बजाय बाजार की स्थितियों के आधार पर प्रवृत्ति का पता लगाने और जोखिम प्रबंधन को प्राथमिकता देती हैं।
•
Limitations: FINSABER फ्रेमवर्क का उपयोग करके बैकटेस्टिंग के परिणाम एक विशिष्ट अवधि और प्रतिभूतियों के समूह तक सीमित हो सकते हैं। विभिन्न बाज़ार स्थितियों और निवेश रणनीतियों के लिए अतिरिक्त शोध की आवश्यकता होती है।
👍
Made with Slashpage