Combinare Fattori Quantitativi e LLM per Previsioni Azionarie

Nuovo Paper di Ricerca: Esplorare la Sinergia tra Fattori Quantitativi e Rappresentazioni del Flusso di Notizie tramite Large Language Models per la Previsione dei Rendimenti Azionari

RAM AI è lieta di condividere il suo nuovo paper di ricerca, redatto da Tian GUO, PhD, Senior Quant, e Emmanuel Hauptmann, CIO & Head of Systematic, che indaga modelli efficaci e schemi di addestramento per combinare fattori quantitativi e rappresentazioni del flusso di notizie derivate da Large Language Models (LLM) nella previsione e selezione dei rendimenti azionari.

Sulla base del nostro paper EMNLP 2024, 'Fine-Tuning Large Language Models for Stock Return Prediction Using Newsflow,' questo ultimo lavoro fornisce approfondimenti empirici e teorici sul multimodal fusion learning e sulla modellazione mista con diverse strategie di addestramento. Poiché l'utilizzo di dati multimodali continua a crescere in diverse applicazioni, ci auguriamo che questi studi contribuiscano allo sviluppo di modelli multimodali più efficaci per l'investimento quantitativo e sistematico.

Leggi su arXiv:  https://lnkd.in/exKyzueE