論文の概要: FinPT: Financial Risk Prediction with Profile Tuning on Pretrained
Foundation Models
- arxiv url: http://arxiv.org/abs/2308.00065v1
- Date: Sat, 22 Jul 2023 09:27:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-06 11:11:37.796122
- Title: FinPT: Financial Risk Prediction with Profile Tuning on Pretrained
Foundation Models
- Title(参考訳): FinPT:事前学習基盤モデルに基づくプロファイル調整による金融リスク予測
- Authors: Yuwei Yin, Yazheng Yang, Jian Yang, Qi Liu
- Abstract要約: FinPTは、金融リスク予測のための新しいアプローチであり、大規模な事前訓練された基礎モデルに基づいてプロファイルチューニングを行う。
FinBenchは、デフォルト、詐欺、チャーンといった金融リスクに関する高品質なデータセットのセットである。
- 参考スコア(独自算出の注目度): 32.7825479037623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Financial risk prediction plays a crucial role in the financial sector.
Machine learning methods have been widely applied for automatically detecting
potential risks and thus saving the cost of labor. However, the development in
this field is lagging behind in recent years by the following two facts: 1) the
algorithms used are somewhat outdated, especially in the context of the fast
advance of generative AI and large language models (LLMs); 2) the lack of a
unified and open-sourced financial benchmark has impeded the related research
for years. To tackle these issues, we propose FinPT and FinBench: the former is
a novel approach for financial risk prediction that conduct Profile Tuning on
large pretrained foundation models, and the latter is a set of high-quality
datasets on financial risks such as default, fraud, and churn. In FinPT, we
fill the financial tabular data into the pre-defined instruction template,
obtain natural-language customer profiles by prompting LLMs, and fine-tune
large foundation models with the profile text to make predictions. We
demonstrate the effectiveness of the proposed FinPT by experimenting with a
range of representative strong baselines on FinBench. The analytical studies
further deepen the understanding of LLMs for financial risk prediction.
- Abstract(参考訳): 金融リスク予測は金融セクターにおいて重要な役割を果たす。
機械学習手法は、潜在的なリスクを自動的に検出し、労働コストを削減するために広く応用されている。
しかし,近年,この分野の発展は,次の2つの事実によって遅れている。
1)アルゴリズムは、特に生成型aiと大規模言語モデル(llm)の急速な進歩の文脈において、やや時代遅れである。
2) 統合的でオープンソースの金融指標の欠如は,長年にわたって関連する研究を妨げてきた。
これらの課題に対処するために、FinPTとFinBenchを提案する: 前者は、大規模な事前訓練された基盤モデルに基づいてプロファイルチューニングを行う金融リスク予測の新しいアプローチであり、後者は、デフォルト、詐欺、チャーンといった金融リスクに関する高品質なデータセットのセットである。
FinPTでは、事前に定義された命令テンプレートに財務表データを埋め込み、LLMを誘導して自然言語の顧客プロファイルを取得し、プロファイルテキストで大規模基盤モデルを微調整して予測する。
提案するfinptの有効性を,finbench 上の代表的な強基線を用いて検証することで実証する。
分析研究は、金融リスク予測のためのLLMの理解をさらに深めている。
関連論文リスト
- Are Large Language Models Rational Investors? [9.629632578239974]
大規模言語モデル(LLM)は、複雑な市場データとトレンドを解釈するための広範な知識基盤を活用するために、金融分析において徐々に採用されている。
しかし、金融分野におけるそれらの応用は、内在的バイアス(すなわちリスク参照バイアス)と表面的な市場の複雑さの把握によって挑戦される。
本研究では, LLMの経済的合理性を評価する新しい枠組みであるFinancial Bias Indicators(FBI)を紹介する。
論文 参考訳(メタデータ) (2024-02-20T04:26:08Z) - The FinBen: An Holistic Financial Benchmark for Large Language Models [75.09474986283394]
FinBenは、金融分野におけるLLMの能力を徹底的に評価するために設計された、初めての包括的なオープンソース評価ベンチマークである。
FinBenは、23の財務タスクにわたる35のデータセットを含み、Cattell-Horn-Carroll理論にインスパイアされた3つの難易度に分類されている。
GPT-4, ChatGPT, そして最新のGeminiを含む15の代表的なLCMを評価した結果, 金融分野におけるその強みと限界についての知見が得られた。
論文 参考訳(メタデータ) (2024-02-20T02:16:16Z) - FinGPT: Democratizing Internet-scale Data for Financial Large Language
Models [35.83244096535722]
大型言語モデル (LLM) は、人間に似たテキストの理解と生成に顕著な熟練性を示した。
ファイナンシャル・ジェネレーティブ・プレトレーニング・トランスフォーマー(FinGPT)は、インターネット上の34の多様なソースからリアルタイムの財務データの収集とキュレーションを自動化する。
FinGPTは、FinLLMを民主化し、イノベーションを刺激し、オープンファイナンスにおける新たな機会を開放することを目指している。
論文 参考訳(メタデータ) (2023-07-19T22:43:57Z) - PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark
for Finance [63.51545277822702]
PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。
我々はLLaMAを細調整してFinMAを提案する。
我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
論文 参考訳(メタデータ) (2023-06-08T14:20:29Z) - Measuring Consistency in Text-based Financial Forecasting Models [10.339586273664725]
FinTrustは財務文書の論理的一貫性を評価する評価ツールである。
金融予測のための最先端NLPモデルの整合性は乏しいことを示す。
意味保存による性能劣化の分析は,現在のテキストベースの手法が市場情報の堅牢な予測に適していないことを示唆している。
論文 参考訳(メタデータ) (2023-05-15T10:32:26Z) - Financial Distress Prediction For Small And Medium Enterprises Using
Machine Learning Techniques [5.301137510638804]
ファイナンシャルディストレス予測(Financial Distress Prediction)は、失敗する構造物の数と確率を正確に予測することで、経済において重要な役割を果たす。
しかし、中小企業にとっての財政難の予測は、そのあいまいさが原因で困難である。
本稿では,金融データの薄面成分分析,コーポレートガバナンスの質,および市場交換データを関連ベクタマシンに組み込んだ企業FCPモデルを提案する。
論文 参考訳(メタデータ) (2023-02-23T15:58:30Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。
我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。
その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
論文 参考訳(メタデータ) (2021-09-01T00:08:14Z) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳(メタデータ) (2020-02-11T19:18:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。