Задача финансового искусственного интеллекта: оценка шести лучших бесплатных веб-моделей искусственного интеллекта
Дэвид Краузе (Университет Маркетта)
июнь 2024 г.
В этой статье оценивается эффективность шести бесплатных веб-моделей искусственного интеллекта — ChatGPT, Gemini, Copilot, Claude, Perplexity и Meta AI — при выполнении задач, связанных с финансами. Используя структурированный подход, мы оценили способности моделей обрабатывать фактические, концептуальные и вычислительные запросы, а также их навыки программирования на Python с помощью финансового исследования. Наши результаты показывают, что ChatGPT, Copilot и Perplexity неизменно превосходят других, особенно в предоставлении точных, полных и хорошо структурированных ответов. Однако сохраняются такие проблемы, как поддержание контекста, обеспечение фактической точности и смягчение предвзятости. Исследование подчеркивает необходимость будущих исследований для улучшения адаптации предметной области, объяснимости и этических соображений для обеспечения надежного и ответственного использования моделей ИИ в финансах.

Первый взгляд на анализ финансовых данных с использованием ChatGPT-4o
май 2024 г.
Зифэн Фэн (Техасский университет в Эль-Пасо) и др.
май 2024 г.
Новая флагманская модель OpenAI, ChatGPT-4o (с буквой «o» означает «омни»), выпущенный 13 мая 2024 года, предлагает улучшенное понимание естественного языка и более связные ответы. В этой статье мы исследуем возможности ChatGPT-4o в анализе финансовых данных, включая подсказки с нулевым результатом, анализ временных рядов, анализ риска и доходности, а также оценку ARMA-GARCH. Мы обнаружили, что производительность ChatGPT-4o в целом сравнима с производительностью традиционного статистического программного обеспечения, такого как Stata, хотя возникают некоторые ошибки и несоответствия из-за различий в реализации. Несмотря на эти проблемы, наши результаты показывают, что ChatGPT-4o имеет значительный потенциал для реального финансового анализа. Интеграция ChatGPT-4o в финансовые исследования и практику может привести к более эффективной обработке данных, улучшению аналитических возможностей и принятию более обоснованных инвестиционных решений.

Продвижение построения и оптимизации портфеля: роль ИИ в повышении доходности, снижении рисков и оптимизации эффективности
Михаэль Шопф (Shopf Meta Consult)
февраль 2024 г.
Этот документ представляет собой практическое руководство о том, как искусственный интеллект (ИИ) и машинное обучение (МО) могут помочь профессиональным инвесторам в построении и оптимизации портфеля, а также определяет три метода плавной интеграции построения портфеля на основе МО в существующий инвестиционный процесс. В нем представлен убедительный сравнительный анализ традиционных методов и современных подходов на основе машинного обучения к построению и оптимизации портфеля. В документе показано, как, в отличие от традиционных инструментов, таких как оптимизация среднего отклонения и модель ценообразования капитальных активов, методы машинного обучения динамически адаптируются к изменениям рынка, действуя как навигационная система или GPS в постоянно меняющейся финансовой сфере. Эта адаптивность позволяет портфелям на основе ML превосходить традиционные методы за счет более качественного прогнозного анализа, автоматической ребалансировки и управления рисками, что приводит к более эффективным, масштабируемым и настраиваемым портфельным решениям. В документе утверждается, что интеграция машинного обучения в формирование портфеля — это не просто модернизация, а значительная инновация в управлении активами. Это обеспечивает точность и эффективность, превосходящие возможности традиционных методов, тем самым увеличивая доходность портфеля, снижая риски и повышая эффективность.

Могут ли большие языковые модели победить Уолл-стрит? Раскрытие потенциала искусственного интеллекта при выборе акций
Джордж Фатурос (Alpha Tensor Technologies) и др.
Январь 2024 г.
В этом документе представлен MarketSenseAI, инновационная система, использующая передовые аргументы GPT-4 для выбора акций на финансовых рынках. Интегрируя цепочку мыслей и контекстное обучение, MarketSenseAI анализирует различные источники данных, включая рыночные тенденции, новости, фундаментальные показатели и макроэкономические факторы, чтобы имитировать принятие экспертных инвестиционных решений. Подробно обсуждаются вопросы разработки, внедрения и проверки этой структуры, что подчеркивает ее способность генерировать действенные и интерпретируемые инвестиционные сигналы. Примечательной особенностью этой работы является использование GPT-4 как в качестве механизма прогнозирования, так и в качестве средства оценки сигналов, что демонстрирует значительное влияние объяснений, сгенерированных ИИ, на точность, надежность и приемлемость сигнала. Благодаря эмпирическому тестированию конкурирующих акций S&P 100 в течение 15-месячного периода MarketSenseAI продемонстрировал исключительную эффективность, обеспечив избыточную альфа от 10% до 30% и достигнув совокупной доходности до 72% за этот период, сохраняя при этом сопоставимый профиль риска. на более широкий рынок. Наши результаты подчеркивают преобразующий потенциал моделей большого языка в принятии финансовых решений, что знаменует собой значительный скачок в интеграции генеративного ИИ в финансовую аналитику и инвестиционные стратегии.

Интеграция генеративного искусственного интеллекта в прогнозирование финансовых рынков для повышения эффективности принятия решений
Чанг Че (Университет Джорджа Вашингтона) и др.
апрель 2024 г.
В этом исследовании представлен углубленный анализ архитектуры модели и ключевых технологий генеративного искусственного интеллекта в сочетании с конкретными случаями применения, а также используются условные генеративно-состязательные сети (cGAN) и методы анализа временных рядов для моделирования и прогнозирования динамических изменений на финансовых рынках. Результаты исследования показывают, что модель cGAN может эффективно отражать всю сложность данных финансового рынка, а отклонение между результатами прогнозирования и фактическими показателями рынка минимально, что демонстрирует высокую степень точности. Посредством анализа доходности инвестиций подтверждается ценность применения прогнозов модели в реальных инвестиционных стратегиях, предоставляя инвесторам новые способы улучшения процесса принятия решений. Кроме того, оценка стабильности и надежности модели также показывает, что, хотя проблемы с реагированием на рыночные чрезвычайные ситуации все еще существуют, в целом технология GAI продемонстрировала большой потенциал и прикладную ценность в области прогнозирования финансового рынка. В заключении отмечается, что интеграция генеративного искусственного интеллекта в прогнозы финансового рынка может не только повысить точность прогнозов, но и обеспечить мощную информационную поддержку для принятия финансовых решений, помогая инвесторам принимать более обоснованные решения в сложной и постоянно меняющейся рыночной среде.

ИИ на переднем крае экономических исследований
Оливер Гизеке (Стэнфордский университет – Гуверовский институт)
февраль 2024 г.
Использование ИИ все чаще включается в экономические исследования. Некоторые из приложений включают анализ настроений, классификацию, кластеризацию или аппроксимацию функций для разработки гибких моделей. Еще одним многообещающим развитием является использование искусственного интеллекта для выборочного извлечения данных, которые впоследствии анализируются с помощью обычного экономического инструментария. Последнее стало возможным благодаря недавним достижениям в области моделей преобразования изображений и языка. Этот подход потенциально может значительно расширить возможности экономических исследований, о чем свидетельствует пример извлечения данных о сроках погашения долга из тысяч PDF-документов.

Научитесь использовать R для анализа портфеля
Количественная аналитика инвестиционного портфеля в R:
Введение в R для моделирования риска и доходности портфеля
Джеймс Пицерно