論文の概要: BreakGPT: A Large Language Model with Multi-stage Structure for
Financial Breakout Detection
- arxiv url: http://arxiv.org/abs/2402.07536v1
- Date: Mon, 12 Feb 2024 10:04:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 14:41:07.750929
- Title: BreakGPT: A Large Language Model with Multi-stage Structure for
Financial Breakout Detection
- Title(参考訳): BreakGPT:金融ブレークアウト検出のための多段階構造を持つ大規模言語モデル
- Authors: Kang Zhang, Osamu Yoshie, Weiran Huang
- Abstract要約: 金融ブレークアウト検出のための最初の大規模言語モデルであるBreakGPTを紹介する。
我々は,大規模言語モデル,すなわち多段階構造のための新しいフレームワークを開発した。
GPT-3.5と比較して、BreakGPTは答えの正確さと合理的さを44%改善し、多段階構造は改善に17.6%貢献した。
- 参考スコア(独自算出の注目度): 8.067595615254879
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trading range breakout (TRB) is a key method in the technical analysis of
financial trading, widely employed by traders in financial markets such as
stocks, futures, and foreign exchange. However, distinguishing between true and
false breakout and providing the correct rationale cause significant challenges
to investors. Recently, large language models have achieved success in various
downstream applications, but their effectiveness in the domain of financial
breakout detection has been subpar. The reason is that the unique data and
specific knowledge are required in breakout detection. To address these issues,
we introduce BreakGPT, the first large language model for financial breakout
detection. Furthermore, we have developed a novel framework for large language
models, namely multi-stage structure, effectively reducing mistakes in
downstream applications. Experimental results indicate that compared to
GPT-3.5, BreakGPT improves the accuracy of answers and rational by 44%, with
the multi-stage structure contributing 17.6% to the improvement. Additionally,
it outperforms ChatGPT-4 by 42.07%. Our Code is publicly available:
https://github.com/Neviim96/BreakGPT
- Abstract(参考訳): トレーディング・レンジ・ブレイクアウト(Trending Range Breakout、TRB)は、金融取引の技術的分析において重要な手法であり、株式、先物、外国為替などの金融市場のトレーダが広く採用している。
しかし、trueとfalseの区別と正しい合理性の提供は投資家にとって大きな課題となる。
近年,ダウンストリームアプリケーションで大規模言語モデルが成功を収めているが,財務的ブレークアウト検出の領域での有効性は劣っている。
その理由は、ブレークアウト検出にはユニークなデータと特定の知識が必要であるからだ。
これらの問題に対処するために、ファイナンシャルブレークアウト検出のための最初の大規模言語モデルであるBreakGPTを導入する。
さらに,大規模言語モデル,すなわちマルチステージ構造のための新しいフレームワークを開発し,下流アプリケーションにおける誤りを効果的に軽減した。
GPT-3.5と比較して、BreakGPTは回答の精度を44%改善し、多段階構造は改善に17.6%貢献した。
さらに、ChatGPT-4を47%上回っている。
私たちのコードは公開されています。 https://github.com/Neviim96/BreakGPT
関連論文リスト
- Evaluating Named Entity Recognition: Comparative Analysis of Mono- and Multilingual Transformer Models on Brazilian Corporate Earnings Call Transcriptions [3.809702129519642]
本研究は,ブラジル銀行の決算報告書から抽出したポルトガル語テキストに焦点をあてる。
384文字からなる包括的データセットをキュレートすることにより、ポルトガル語で訓練された単言語モデルの性能を評価する。
以上の結果から,BERTベースモデルはT5ベースモデルより一貫して優れていた。
論文 参考訳(メタデータ) (2024-03-18T19:53:56Z) - Multimodal Large Language Models to Support Real-World Fact-Checking [80.41047725487645]
MLLM(Multimodal large language model)は、膨大な情報処理において人間を支援する能力を持つ。
MLLMはすでにファクトチェックツールとして使用されていますが、その能力や制限については検討中です。
本稿では,現実のファクトチェックを容易にするために,現在のマルチモーダルモデルの能力を体系的に評価するためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-06T11:32:41Z) - Forecasting Cryptocurrency Prices Using Deep Learning: Integrating
Financial, Blockchain, and Text Data [3.8443430569753025]
我々は、先進的なディープラーニングNLP手法を用いて、公開感情が暗号通貨評価に与える影響を分析する。
我々は,NLPデータ統合の有無にかかわらず,各種MLモデルの性能を比較した。
我々は,Twitter-RoBERTaやBART MNLIといった事前学習モデルが,市場感情を捉える上で極めて有効であることを発見した。
論文 参考訳(メタデータ) (2023-11-23T16:14:44Z) - Transforming Sentiment Analysis in the Financial Domain with ChatGPT [0.07499722271664146]
本研究では,金融感情分析における大規模言語モデル,特にChatGPT 3.5の可能性について検討する。
ChatGPTは、感情分類で約35%向上し、市場リターンと36%高い相関を示した。
この研究は、特にゼロショットの文脈において、迅速なエンジニアリングの重要性を浮き彫りにすることで、ChatGPTが金融アプリケーションにおける感情分析を大幅に強化する可能性を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-08-13T09:20:47Z) - Dynamic Transformers Provide a False Sense of Efficiency [75.39702559746533]
マルチエグジットモデルは、計算の節約を早期出口から得るため、効率と精度をトレードオフする。
本稿では,マルチエグジットモデルの効率を抑えるために特別に最適化された,シンプルで効果的なアタック・フレームワークであるITAを提案する。
GLUEベンチマークの実験により、Pameは様々なマルチエクイットモデルの効率向上を平均80%削減できることが示された。
論文 参考訳(メタデータ) (2023-05-20T16:41:48Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - Consistency Analysis of ChatGPT [65.268245109828]
本稿では,ChatGPTとGPT-4の論理的一貫した行動に対する信頼性について検討する。
その結果,両モデルとも言語理解能力と推論能力が向上しているように見えるが,論理的に一貫した予測が得られないことが示唆された。
論文 参考訳(メタデータ) (2023-03-11T01:19:01Z) - Prompting GPT-3 To Be Reliable [117.23966502293796]
この研究は信頼性を一般化可能性、公平性、校正性、事実性という4つの側面に分解する。
GPT-3はこれらすべての面において,より小型の教師付きモデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-10-17T14:52:39Z) - ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep
Neural Network and Transfer Learning [80.85273827468063]
既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。
スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。
ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
論文 参考訳(メタデータ) (2021-03-23T15:04:44Z) - Trader-Company Method: A Metaheuristic for Interpretable Stock Price
Prediction [3.9189409002585562]
金融市場では、機械学習ベースのモデルの実践的応用を妨げるいくつかの課題がある。
本稿では,金融機関とトレーダーの役割を模倣する新たな進化モデルであるTrader-Company法を提案する。
トレーダーと呼ばれる複数の弱い学習者からの提案を集約し、将来の株式リターンを予測します。
論文 参考訳(メタデータ) (2020-12-18T13:19:27Z)
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。