Der Artikel befasst sich mit der Aufgabe der Finanzanalyse, die zwei Hauptbereiche umfasst: Aktienkursprognose und die entsprechende Finanz-Frage-Antwort. Derzeit werden Maschinenlern- und Deep-Learning-Algorithmen (ML&DL) weithin für Aktienkursprognosen eingesetzt, was zu erheblichen Fortschritten geführt hat. Diese Methoden liefern jedoch keine Begründungen für die Vorhersagen, was an mangelnder Interpretierbarkeit und fehlenden Schlussfolgerungsprozessen mangelt. Außerdem können sie keine Textinformationen wie Finanznachrichten oder -berichte integrieren. Große Sprachmodelle (LLMs) haben zwar bemerkenswerte Text-Verständnis- und Generierungsfähigkeiten, leiden aber aufgrund des Mangels an Finanz-Trainingsdatensätzen und der begrenzten Integration von Echtzeitwissen unter Halluzinationen und können mit den neuesten Informationen nicht Schritt halten.
Um diese Herausforderungen zu bewältigen, veröffentlichen wir zunächst die AlphaFin-Datensätze, die traditionelle Forschungsdatensätze, Echtzeit-Finanzdaten und handgeschriebene Chain-of-Thought (CoT)-Daten kombinieren. Diese haben einen positiven Einfluss auf das Training von LLMs zur Durchführung von Finanzanalysen. Anschließend nutzen wir die AlphaFin-Datensätze, um eine state-of-the-art-Methode namens Stock-Chain zu benchmarken, die effektiv die Aufgabe der Finanzanalyse bewältigt und Retrieval-Augmented-Generation (RAG)-Techniken integriert. Umfangreiche Experimente werden durchgeführt, um die Effektivität unseres Frameworks für die Finanzanalyse zu demonstrieren.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Xiang Li,Zhe... at arxiv.org 03-20-2024
https://arxiv.org/pdf/2403.12582.pdfDeeper Inquiries