Este artículo presenta un estudio novedoso sobre la explotación del conocimiento sobresaliente y las capacidades de razonamiento de los modelos de lenguaje extenso (LLM) para el pronóstico de series temporales financieras interpretables. La aplicación de modelos de aprendizaje automático en series de tiempo financieras enfrenta algunos desafíos, incluida la dificultad del razonamiento y el razonamiento de secuencias cruzadas, obstáculos para integrar señales multimodales como noticias históricas y gráficos de conocimiento financiero, y modelos de interpretación de procesamiento e interpretación de resultados. En este documento, nos enfocamos en las acciones de Nasdaq 100 utilizando datos históricos de precios de acciones accesibles al público, metadatos de empresas y noticias económicas/financieras históricas. Llevamos a cabo experimentos para ilustrar el potencial del LLM para brindar una solución unificada a los desafíos anteriores. Nuestros experimentos incluyen probar la inferencia de cero disparos/pocos disparos con GPT-4 y el ajuste fino basado en instrucciones con Open LLaMA, un modelo LLM público. Demostramos que nuestro método supera varias líneas de base, incluido el modelo ARMA-GARCH clásico ampliamente utilizado y los modelos de árboles potenciados por gradiente. A través de los resultados de la comparación de rendimiento y algunos ejemplos, encontramos que LLM puede extraer información mediante el razonamiento sobre la información en noticias de texto y series temporales de precios, explotar información de secuencias cruzadas y aprovechar el conocimiento inherente integrado en Come tome una decisión reflexiva dentro de LL.M. Además, mostramos que los LLM disponibles públicamente, como Open-LLaMA, cuando se ajustan, pueden generar comprensiblemente instrucciones que explican predicciones interpretables y lograr un rendimiento razonable , aunque relativamente bajo en comparación con GPT-4.
El rápido desarrollo de las tecnologías de aprendizaje automático (ML) e inteligencia artificial (IA) en los últimos años ha traído numerosas oportunidades y desafíos a varios campos, incluido el campo de los mercados financieros [4,32,49]. En particular, la tarea de pronóstico financiero de series de tiempo, un elemento clave de la toma de decisiones estratégicas y la formulación de políticas, ha sido testigo de innovaciones tecnológicas significativas desde técnicas estadísticas/econométricas de series de tiempo [2, 7, 21, 46] hasta aprendizaje automático. Técnicas de aprendizaje [31, 33, 68], aprendizaje profundo [13, 28, 34, 35, 52]. A pesar de estos avances, aún existen algunos desafíos inherentes a la implementación de modelos de ML/AI en finanzas. Un desafío radica en el dominio del razonamiento y el razonamiento a través de secuencias, un aspecto importante para comprender patrones temporales y hacer predicciones precisas. Los métodos actuales incluyen análisis de correlación de series temporales [8, 11, 20, 48] y agrupamiento [1, 3, 50]. Recientemente, el aprendizaje profundo se ha utilizado para aprender dependencias latentes complejas entre series temporales [25, 40, 42, 55].
ABSTRACTO
Este artículo presenta un estudio novedoso sobre cómo aprovechar el conocimiento sobresaliente y las habilidades de razonamiento de los modelos de lenguaje grande (LLM) para la previsión de series temporales financieras explicables. La aplicación de modelos de aprendizaje automático a series de tiempo financieras presenta varios desafíos, incluida la dificultad en el razonamiento y la inferencia de secuencias cruzadas, el obstáculo de incorporar señales multimodales de noticias históricas, gráficos de conocimiento financiero, etc., y el problema de interpretar y explicar los resultados del modelo. En este documento, nos enfocamos en las acciones NASDAQ-100, haciendo uso de datos históricos de precios de acciones accesibles al público, metadatos de empresas y noticias económicas/financieras históricas.Realizamos experimentos para ilustrar el potencial de los LLM para ofrecer una solución unificada a los desafíos antes mencionados. Nuestros experimentos incluyen probar la inferencia de tiro cero/poco tiro con GPT-4 y el ajuste fino basado en instrucciones con un modelo LLM público Open LLaMA. Demostramos que nuestro enfoque supera algunas líneas de base, incluido el modelo ARMA-GARCH clásico ampliamente aplicado y un modelo de árbol que aumenta el gradiente. A través de los resultados de la comparación de rendimiento y algunos ejemplos, encontramos que los LLM pueden tomar una decisión bien pensada al razonar sobre la información tanto de las noticias textuales como de las series temporales de precios y extraer información, aprovechando la información de secuencia cruzada ., y utilizando el conocimiento inherente integrado en el LLM. Además, mostramos que un LLM disponible públicamente como Open-LLaMA, después de un ajuste fino, puede comprender la instrucción para generar pronósticos explicables y lograr un rendimiento razonable, aunque relativamente inferior en comparación con GPT-4.