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: 翻訳完了
• 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

• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• Mechanistic interpretability of large language models with applications to the financial services industry [0.0]
  我々は、金融サービスアプリケーションで使用する大規模言語モデルの内部動作に光を当てるために、機械的解釈可能性の使用の先駆者です。 特に,フェアレンディング法違反の可能性を特定するために,GPT-2スモールの注意パターンについて検討する。
  論文  参考訳（メタデータ） (2024-07-15T19:59:53Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• FinLlama: Financial Sentiment Classification for Algorithmic Trading Applications [2.2661367844871854]
  大規模言語モデル(LLM)はこの文脈で使用することができるが、財務に特化せず、重要な計算資源を必要とする傾向がある。 我々はLlama 2 7Bの基礎モデルに基づく新しいアプローチを導入し,その生成特性と包括的言語操作の利点を享受する。 これは、Llama2 7Bモデルを教師付き財務感情分析データの一部に微調整することで達成される。
  論文  参考訳（メタデータ） (2024-03-18T22:11:00Z)
• Sentiment-driven prediction of financial returns: a Bayesian-enhanced FinBERT approach [1.131316248570352]
  本研究では、FinBERT大言語モデルを用いて、ツイートから抽出した感情情報を活用する効果を示す。 この成功は、バックテストトレーディング中に明らかに高い累積利益をもたらす。
  論文  参考訳（メタデータ） (2024-03-07T11:56:36Z)
• A Multimodal Foundation Agent for Financial Trading: Tool-Augmented, Diversified, and Generalist [33.82344864007857]
  FinAgentは金融取引タスクのためのマルチモーダル・ファンデーション・エージェントである。 金融市場を正確に分析するために、多種多様なデータ数字、テキスト、視覚的に処理する。 既存のトレーディング戦略と専門家の洞察を統合し、そのトレーディングアプローチがデータ駆動であり、健全な金融原則に根ざしていることを保証する。
  論文  参考訳（メタデータ） (2024-02-28T17:06:54Z)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  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)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• 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)
• 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)
• 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)
• Deep Portfolio Optimization via Distributional Prediction of Residual Factors [3.9189409002585562]
  そこで本稿では,残余要因と呼ばれる金融量分布の予測に基づくポートフォリオ構築手法を提案する。 本手法が米国および日本の株式市場データに有効であることを実証する。
  論文  参考訳（メタデータ） (2020-12-14T04:09:52Z)

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。