Daily Arxiv

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.

FinZero: Lanzamiento de un pronóstico de series temporales financieras multimodales con un modelo de razonamiento amplio

Created by
  • Haebom

Autor

Yanlong Wang, Jian Xu, Fei Ma, Hongkang Zhang, Hang Yu, Tiantian Gao, Yu Wang, Haochen You, Shao-Lun Huang, Danny Dongning Sun, Xiao-Ping Zhang

Describir

Este documento destaca los desafíos de la previsión de series temporales financieras y las limitaciones de los enfoques existentes (pérdida de información debido a la estandarización de datos, número fijo de variables y longitud histórica de las series temporales, interpretabilidad e incertidumbre de la previsión). Para abordar estos desafíos, construimos un conjunto de datos financieros de imagen y texto (FVLDB) diverso y desarrollamos un método de optimización de políticas relativas a grupos ajustado a la incertidumbre (UARPO) capaz de pronosticar y analizar la incertidumbre. Proponemos FinZero, un modelo multimodal preentrenado y ajustado con UARPO, para realizar inferencia, previsión y comprensión analítica de las series temporales financieras FVLDB. Los resultados experimentales demuestran una gran adaptabilidad y escalabilidad, y en particular, FinZero mejora la precisión de la predicción en aproximadamente un 13,48 % en el grupo de alta confianza en comparación con GPT-4o, lo que demuestra la eficacia del ajuste fino del aprendizaje de refuerzo en modelos multimodales a gran escala.

Takeaways, Limitations

•
Takeaways:
◦
Demostración de la eficacia de los modelos multimodales preentrenados y del aprendizaje de refuerzo en la previsión de series temporales financieras.
◦
Presentamos un modelo que puede analizar no sólo los resultados previstos sino también la incertidumbre.
◦
Verificación experimental de la alta adaptabilidad y escalabilidad del modelo FinZero.
◦
Supera el Limitations de los métodos existentes y mejora la precisión de la predicción.
•
Limitations:
◦
Falta de información sobre la composición específica y el tamaño del conjunto de datos FVLDB.
◦
Falta de descripción del algoritmo específico y detalles del método UARPO.
◦
Se necesita un análisis comparativo más profundo con otros modelos de previsión de series temporales financieras.
◦
Se necesita una validación adicional para su aplicación en los mercados financieros reales.
👍
Made with Slashpage