論文の概要: Temporal Relational Reasoning of Large Language Models for Detecting Stock Portfolio Crashes

• arxiv url: http://arxiv.org/abs/2410.17266v1
• Date: Mon, 07 Oct 2024 11:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 05:40:59.867471
• Title: Temporal Relational Reasoning of Large Language Models for Detecting Stock Portfolio Crashes
• Title（参考訳）: ストックポートフォリオクラッシュ検出のための大規模言語モデルの時間関係推論
• Authors: Kelvin J. L. Koa, Yunshan Ma, Ritchie Ng, Huanhuan Zheng, Tat-Seng Chua,
• Abstract要約: 我々はTRR(Temporal Reasoning)というアルゴリズムフレームワークを提案する。 TRRは、複雑な問題解決に使用される人間の認知能力のスペクトルをエミュレートしようとしている。 TRRは、ストックポートフォリオのクラッシュを検出する上で、最先端のソリューションよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 46.259921167692895
• License:
• Abstract: Stock portfolios are often exposed to rare consequential events (e.g., 2007 global financial crisis, 2020 COVID-19 stock market crash), as they do not have enough historical information to learn from. Large Language Models (LLMs) now present a possible tool to tackle this problem, as they can generalize across their large corpus of training data and perform zero-shot reasoning on new events, allowing them to detect possible portfolio crash events without requiring specific training data. However, detecting portfolio crashes is a complex problem that requires more than basic reasoning abilities. Investors need to dynamically process the impact of each new information found in the news articles, analyze the the relational network of impacts across news events and portfolio stocks, as well as understand the temporal context between impacts across time-steps, in order to obtain the overall aggregated effect on the target portfolio. In this work, we propose an algorithmic framework named Temporal Relational Reasoning (TRR). It seeks to emulate the spectrum of human cognitive capabilities used for complex problem-solving, which include brainstorming, memory, attention and reasoning. Through extensive experiments, we show that TRR is able to outperform state-of-the-art solutions on detecting stock portfolio crashes, and demonstrate how each of the proposed components help to contribute to its performance through an ablation study. Additionally, we further explore the possible applications of TRR by extending it to other related complex problems, such as the detection of possible global crisis events in Macroeconomics.
• Abstract（参考訳）: 株式ポートフォリオはしばしば、2007年の世界的な金融危機、2020年のCOVID-19(COVID-19)株式市場の崩壊など、稀な出来事に晒される。 大規模な言語モデル(LLM)は、トレーニングデータの大規模なコーパスをまたいで一般化し、新たなイベントに対するゼロショット推論を実行し、特定のトレーニングデータを必要としないポートフォリオクラッシュイベントを検出することができるため、この問題に対処するためのツールを提供することができる。 しかし、ポートフォリオのクラッシュを検出することは、基本的な推論能力以上の複雑な問題である。 投資家は、ニュース記事にある各新しい情報の影響を動的に処理し、ニュースイベントやポートフォリオの株価にまたがる影響のリレーショナルネットワークを分析し、タイムステップ間の影響の時間的文脈を理解して、対象のポートフォリオに対する総括的な影響を得る必要がある。 本研究では,時間関係推論(TRR)というアルゴリズムフレームワークを提案する。 同社は、ブレインストーミング、記憶、注意、推論を含む複雑な問題解決に使用される人間の認知能力のスペクトルをエミュレートしようとしている。 広範な実験を通じて、TRRはストックポートフォリオのクラッシュ検出における最先端のソリューションよりも優れており、それぞれのコンポーネントがアブレーション研究を通じてそのパフォーマンスにどのように貢献するかを示す。 さらに、マクロ経済学における世界的な危機事象の検出など、他の関連する複雑な問題に拡張することで、TRRの応用の可能性についても検討する。

関連論文リスト

• Safety vs. Performance: How Multi-Objective Learning Reduces Barriers to Market Entry [86.79268605140251]
  我々は、大規模言語モデルのための新興市場への参入に必要となる障壁が存在するかどうかを調査する。 要求されるデータポイント数は、既存の企業のデータセットサイズよりも大幅に小さくなることを示します。 以上の結果から,多目的的考察が参入障壁を根本的に低減することを示す。
  論文  参考訳（メタデータ） (2024-09-05T17:45:01Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation [0.0]
  本稿では,アテンション機構や時系列,すなわちMASAATと統合されたマルチエージェントで自己適応的なポートフォリオ最適化フレームワークを提案する。 時系列で財務データのトークンを再構築することにより、各エージェントの注意ベースの横断分析モジュールと時間分析モジュールは、資産と時間点間の依存関係との相関を効果的に捉えることができる。 実験により、MASAATフレームワークは、よく知られたポートフォリオ最適化アプローチと比較して、印象的な拡張を実現していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-04-13T09:10:05Z)
• Competition-Level Problems are Effective LLM Evaluators [121.15880285283116]
  本稿では,Codeforcesにおける最近のプログラミング問題の解決において,大規模言語モデル(LLM)の推論能力を評価することを目的とする。 まず,問題の発生時間,難易度,遭遇したエラーの種類など,様々な側面を考慮して,GPT-4の望ましくないゼロショット性能を総合的に評価する。 驚くべきことに、GPT-4のTheThoughtivedのパフォーマンスは、2021年9月以降、あらゆる困難と種類の問題に対して一貫して問題が減少するような崖を経験している。
  論文  参考訳（メタデータ） (2023-12-04T18:58:57Z)
• Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
  国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。 このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。 したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
  論文  参考訳（メタデータ） (2023-07-15T23:53:37Z)
• Reinforcement Learning with Knowledge Representation and Reasoning: A Brief Survey [24.81327556378729]
  近年,強化学習は飛躍的な発展を遂げている。 いまだに複雑な実生活問題に対処する上で大きな障害に直面している。 近年,知識表現と推論の利用に対する関心が高まっている。
  論文  参考訳（メタデータ） (2023-04-24T13:35:11Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)
• Detecting and adapting to crisis pattern with context based Deep Reinforcement Learning [6.224519494738852]
  本稿では、2つのサブネットワークで構成された革新的なDRLフレームワークを提案する。 テストセットの結果、このアプローチはMarkowitzのような従来のポートフォリオ最適化手法を大幅に上回っており、現在のCovidのような危機を検出し予測することができる。
  論文  参考訳（メタデータ） (2020-09-07T12:11:08Z)
• Unsupervised and Interpretable Domain Adaptation to Rapidly Filter Tweets for Emergency Services [18.57009530004948]
  本稿では,TRECインシデントストリームの公開データセットを用いて,危機時に関連するツイートを分類する新しい手法を提案する。 私たちは各タスクに専用の注意層を使用して、モデル解釈可能性を提供しています。 新型コロナウイルスのパンデミックに対するユースケースを提供することで、我々の仕事の実践的な意味を示す。
  論文  参考訳（メタデータ） (2020-03-04T06:40:14Z)

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。