论文笔记：Can Large Language Models Beat Wall Street? Unveiling the Potential of AI in Stock Selection

最新推荐文章于 2024-11-12 12:29:51 发布
最新推荐文章于 2024-11-12 12:29:51 发布
阅读量278 收藏
点赞数 1
分类专栏： 论文笔记 文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40206371/article/details/136658014
版权

202401 arxiv

提出了 MarketSenseAI，整合了多种数据来源，包括实时市场动态、财经新闻、公司基本面和宏观经济指标，利用GPT-4生成全面的投资建议

1 方法

1.1 渐进式新闻摘要器

苹果新闻的summary结果

1.2 基础数据摘要器

苹果财报的summary结果

1.3 股价动态摘要器

苹果的股价动态摘要

1.4 宏观经济摘要器

宏观摘要结果

1.5 信号（决策）生成

整合之前的摘要，给出决策和理由（chain of thought）

2 实验结果

 

UQI-LIUWJ
关注
专栏目录
Can Large Language Models Beat Wall Street? Unveiling the Potential of AI in Stock Selection
c_cpp_csharp的专栏
02-05 750
在金融市场的动态和数据驱动环境中，本文介绍了MarketSenseAI，这是一种新颖的人工智能驱动框架，利用GPT-4的高级推理能力进行可扩展的股票选择。MarketSenseAI结合了思维链和上下文学习方法来分析广泛的数据来源，包括市场价格动态、金融新闻、公司基本面和模拟知名金融投资团队决策过程的宏观经济报告。MarketSenseAI的开发、实施和实证验证是详细的，重点是其提供可操作的投资信号（买入、持有、卖出）的能力，并辅以令人信服的解释。
Unveiling the Misuse Potential of Base Large Language Models via In-Context Learning
c_cpp_csharp的专栏
08-17 147
大型语言模型（LLMs）的开源加速了应用程序开发、创新和科学进步。这包括基础模型和对齐模型，基础模型是在广泛的数据集上预训练的，没有对齐，对齐模型是专门为符合道德标准和人类价值观而设计的。与普遍的假设相反，即基础LLM限制后的固有指示可以防止滥用，我们的调查揭示了这一信念中的一个关键疏忽。通过部署精心设计的演示，我们的研究表明，基础LLM可以有效地解释和执行恶意指令。为了系统地评估这些风险，我们引入了一套新的风险评估指标。实证结果表明，基础LLM的输出可以表现出与针对恶意目的进行微调的模型相当的风险水平。
Can Large Language Models Beat Wall Street? Unveiling the Potential of AI in Stock Selection翻译
nopSled
04-22 149
资本市场是经济体内资本配置的有效渠道，其价格发现过程在维护金融体系的健康和稳定方面发挥着关键作用。价格发现过程取决于多种因素的复杂相互作用，包括公司和行业的具体因素、宏观经济数据、动量效应以及政治和地缘政治影响。市场参与者共同参与这一复杂的价格发现机制，从而确保金融市场的有效运作。选股本质上是一种价格发现机制，市场参与者通过该机制关注被认为“定价错误”的股票，从而提供相对于更广泛市场有吸引力的回报潜力。这一原则构成了价值投资的本质。
MiniCPM: Unveiling the Potential of Small Language Models with Scalable Training Strategies
m0_47867638的博客
06-12 1090
随着开发具有高达数万亿参数的大型语言模型（LLMs）的兴趣激增，关于资源效率和实际成本的担忧也随之而来，特别是考虑到实验的巨大成本。这一情形突显了探索小型语言模型（SLMs）作为资源高效替代方案的潜力。在此背景下，我们介绍了MiniCPM，特别是其1.2B和2.4B非嵌入参数变体，这些变体不仅在各自的类别中表现出色，而且在能力上与7B-13B的LLMs不相上下。尽管我们专注于SLMs，但我们的方法在模型和数据维度上都表现出可扩展性，为未来LLM的研究提供了可能。
Beyond Probabilities: Unveiling the Misalignment in Evaluating Large Language Models
c_cpp_csharp的专栏
04-26 122
大型语言模型（LLM）在各种应用程序中表现出了非凡的能力，从根本上重塑了自然语言处理（NLP）研究的格局。然而，最近的评估框架通常依赖LLM的输出概率进行预测，这主要是由于计算限制，与现实世界的LLM使用场景不同。尽管这些基于概率的评估策略被广泛使用，但其有效性仍然是一个悬而未决的研究问题。本研究旨在在使用LLM进行多项选择题（MCQ）的背景下，仔细审查这种基于概率的评估方法的有效性，强调其固有的局限性。我们的实证研究表明，流行的基于概率的评估方法与基于生成的预测不完全一致。
论文翻译：ACL-2024 Unveiling the Spectrum of Data Contamination in Language Models: A Survey from
CSPhD-winston的博客
09-07 171
电脑在大型语言模型（LLMs）的时代，由于依赖于广泛的互联网衍生的训练语料库，数据污染问题引起了越来越多的关注。训练语料库与评估基准的重叠问题——被称为污染——已成为近期重要研究的焦点。这些工作旨在识别污染，理解其影响，并从不同角度探索缓解策略。然而，在这个新兴领域，缺乏从基础概念到高级洞察的清晰路径的全面研究。因此，我们提供了一个关于数据污染领域的全面综述，概述了关键问题、方法和迄今为止的发现，并强调了需要进一步研究和发展的领域。特别是，我们首先检查了数据污染在不同阶段和形式的影响。
Unveiling Linguistic Regions in Large Language Models
c_cpp_csharp的专栏
04-30 168
大型语言模型（LLM）已经显示出相当大的跨语言对齐和泛化能力。目前的研究主要集中在提高LLM的跨语言泛化能力上。然而，关于LLM如何实现跨语言对齐的内在机制仍然缺乏研究。本文从区域划分的角度，对LLMs的语言能力进行了几次考察。我们发现LLM中有一个核心区域对应于语言能力，约占整个模型参数的1%。通过将参数设置为零来删除此核心区域会导致30种不同语言的性能显著下降。此外，这个核心区域表现出显著的维度依赖性，甚至对特定维度上的单个参数的扰动都会导致语言能力的丧失。
Unveiling the Generalization Power of Fine-Tuned Large Language Models
c_cpp_csharp的专栏
05-28 124
虽然大型语言模型（LLM）已经证明了非凡的多任务处理能力，但在下游特定领域的数据集上对这些模型进行微调通常是必要的，以在测试集上产生优于未进行微调的测试集的性能。然而，微调对LLM泛化能力的综合影响还没有完全理解。本文深入探讨了原始、未修改的LLM及其微调变体之间的差异。我们的主要研究集中在微调是否会影响LLM固有的泛化能力。为了详细说明这一点，我们在不同的数据集上对五种不同的语言任务进行了广泛的实验。我们的主要发现表明，对生成和分类任务进行微调的模型在推广到不同的领域和任务时表现出不同的行为。
Advancing Abstract Reasoning in Large Language Models via Generic Fact Guidance
c_cpp_csharp的专栏
05-27 257
大型语言模型（LLM）在各种推理场景中都取得了令人印象深刻的性能和强大的可解释性，标志着向模仿类人智能迈出了重要一步。尽管如此，当任务是由一般事实支持的简单问题时，LLM往往无法提供一致和准确的答案，这表明抽象推理能力不足。这引发了一场激烈的争论，争论的焦点是LLM是真正的推理还是仅仅是记忆。有鉴于此，我们设计了一项初步研究，以量化和深入研究现有LLM的抽象推理能力。我们的发现揭示了他们的一般推理和抽象推理表现之间的巨大差异。
机器学习系列----岭回归（Ridge Regression）简介及实现
DK22151的博客
11-09 991
岭回归（Ridge Regression），也被称为Tikhonov正则化，是一种线性回归的变体。它通过在普通最小二乘法（OLS）回归中加入L2正则化项来解决多重共线性问题，从而提高模型的泛化能力和鲁棒性。岭回归的核心思想是通过惩罚模型的参数，使得它们保持较小的值，从而减少过拟合的风险。岭回归适用于当特征之间高度相关时（即多重共线性问题），普通的线性回归模型可能会变得不稳定，并且模型的系数可能会变得非常大。岭回归通过加上一个正则化项，约束了模型参数的大小，从而使得模型更加稳健。
PCA（主成分分析）算法的应用场景
huanfeng_AI的博客
11-09 529
需要注意的是，PCA并不适用于所有场景。例如，当数据之间存在非线性关系时，PCA可能无法完全揭示数据的内在结构。此外，PCA对初始变量的顺序和标签敏感，不同的变量顺序可能导致不同的主成分结果。因此，在选择数据分析方法时，需要根据具体的数据和任务需求来决定是否使用PCA。
探索App Intents：让你的应用与Siri无缝互动的新方式
jixn的博客
11-09 3343
苹果推出了一个新框架——App Intents，使开发者可以在iOS 18.2+、macOS 15.2+等平台上集成Siri和Apple Intelligence，实现对应用内容的读取和操作。App Intents使应用的功能和内容能无缝融入系统体验中，例如Siri、Spotlight搜索、快捷指令和小组件，让用户可以轻松访问应用核心功能，并获得更智能的Siri帮助。：表示应用内容，如照片、联系人或文件。：用户可以对 Siri 发出指令，例如“查找我的航班”或“添加待办事项”，Siri直接与应用交互。
掌握AIStarter新功能，轻松关闭广告享受纯净浏览体验
ai_xiaogui的博客
11-07 627
AIStarter的广告拦截器是一项集成在平台内部的新特性，它允许用户根据自己的喜好设置广告过滤规则。无论是烦人的横幅广告、视频前贴片广告还是弹窗广告，都可以通过简单的设置被有效屏蔽。这项功能不仅提升了用户的浏览效率，还保护了用户的隐私安全。在数字时代，拥有一个清爽无干扰的网络环境对每个人都至关重要。AIStarter的广告拦截器正是为此而设计，它帮助用户夺回了对个人浏览体验的控制权。现在就尝试启用这项功能，开始享受一个更加干净、高效的上网体验吧！不要广告！关闭广告！
一次薅国家超算平台的记录
weixin_55179972的博客
11-07 408
参与 谁是下一个“AI”跃人 -AI体验推介活动，赢取千元算力券！（https://www.scnet.cn/home/subject/modular/index270.html）2. Clone开源的Llama3 Chinese （https://github.com/LlamaFamily/Llama-Chinese）活动名称主题：国家超算互联网「AI跃升季」：谁是下一个“AI”跃人 - AI算力体验活动。其中位置1，2替换为商品基模型和训练出来的微调模型。模型改为商城下载的模型。2、运行的过程记录。
在后LLM时代，关于新一代智能体的思考
langboat_mengzi的博客
11-07 959
同时，新一代智能体工具平台应具备与基座LLM保持独立的多层次智能体系，无需依赖单一大模型或者技术供应商，如此一来，有利于实现模块化开发，具备较强的可维护性，同时还能够建立良好的生态，促进智能体的繁荣发展。而“慢思考”是指在基础模型的基础上，当处理一些复杂指令时，智能体将需求拆解成多个子任务，会调用不同的工具来完成任务，并对结果进行反思、确认，这一过程体现了一种类似于人类思维的“系统 2”的过程，即 step-by-step、可解释的且能导致更准确结果的过程。这些能力对于智能体具有重要的作用和价值。
人工智能是这样理解“情绪”的
JellyAI的博客
11-12 841
在前面的内容中，我们经常提到“特征”，那么如何表示特征呢？举个例子，在日常生活中，我们描述一个快递包装盒时可能会提到它的高度、宽度和深度（这三个值就是盒子的特征，当然也可以用颜色、重量、材料等来描述）。当我们仅用高度、宽度和深度三个数据来描述盒子的特征时，我们就说这个盒子的特征是三维的。如果再加上颜色、重量和材料等特征，那么这个特征空间就是六维的了。
Yolo11实战改进：一文读懂Yolo11到实战。
m0_47867638的博客
11-09 884
YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代版本，它以尖端的精度、速度和效率重新定义了可能性。在之前YOLO版本令人瞩目的进步基础上，YOLO11在架构和训练方法上引入了重大改进，使其成为各种计算机视觉任务的通用选择。关键特性：YOLO11采用改进的主干网络和颈部架构，提高了特征提取能力，以实现更精确的目标检测和更复杂的任务性能。YOLO11引入了精细的架构设计和优化的训练流程，提供了更快的处理速度，并在准确性和性能之间保持了最佳平衡。
多媒体信息检索
Edward2022的博客
11-10 813
多媒体信息检索：信息检索(Information Retrieval)、文本检索、图像检索、视频检索、多模态学习、跨文本检索
0-Equity-Transformer：求解NP-Hard Min-Max路由问题的顺序生成算法（AAAI-24)(完)（code）
最新发布
太极生两鱼
11-12 73
最小最大路由问题旨在通过智能体合作完成任务来最小化多个智能体中最长行程的长度。这些问题包括对现实世界有重大影响的应用场景，但已知属于NP-hard问题。现有方法在大规模问题上面临挑战，尤其是在需要协调大量智能体以覆盖数千个城市的情况下。本文提出了Equity-Transformer来解决大规模最小最大路由问题。首先，我们采用顺序规划方法来处理最小最大路由问题，使我们能够利用强大的序列生成器（例如，Transformer）。其次，我们提出了关键的归纳偏差，以确保智能体之间的公平工作量分配。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UQI-LIUWJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值