この論文では、大規模言語モデル (LLM) の優れた知識と推論機能を解釈可能な金融時系列予測に活用することに関する新しい研究を紹介します。金融時系列における機械学習モデルの適用は、クロスシーケンス推論と推論の難しさ、歴史ニュースや金融知識グラフなどのマルチモーダルシグナルの統合への障害、検察解釈と解釈モデルなど、いくつかの課題に直面しています。このペーパーでは、一般にアクセス可能な過去の株価データ、企業メタデータ、および過去の経済/金融ニュースを使用して、ナスダック 100 銘柄に焦点を当てます。私たちは、上記の課題に対する統合ソリューションを提供する LLM の可能性を示すために実験を実施します。私たちの実験には、GPT-4 を使用したゼロショット/少数ショット推論の試行や、公開 LLM モデルである Open LLaMA を使用した命令ベースの微調整が含まれます。私たちの手法が、広く使用されている古典的な ARMA-GARCH モデルや勾配ブースト ツリー モデルなど、いくつかのベースラインよりも優れていることを示します。パフォーマンスの比較結果といくつかの例を通じて、LLM がテキスト ニュースと価格時系列の情報について推論することで洞察を抽出し、シーケンス間の情報を活用し、埋め込まれた固有の知識を活用できることがわかりました。LL.M 内で思慮深い決定を下してください。さらに、Open-LLaMA などの公的に利用可能な LLM は、微調整すると、GPT-4 と比べると比較的劣るものの、解釈可能な予測を説明する命令を当然のことながら生成し、妥当なパフォーマンスを達成できることを示します。
過去数年間の機械学習 (ML) および人工知能 (AI) テクノロジーの急速な発展は、金融市場の分野を含むさまざまな分野に多くの機会と課題をもたらしました [4、32、49]。特に、戦略的意思決定と政策決定の重要な要素である金融時系列予測のタスクでは、統計/計量経済時系列手法 [2、7、21、46] から機械学習に至るまで、大きな技術革新が見られました。学習手法 [31、33、68]、深層学習 [13、28、34、35、52]。こうした進歩にもかかわらず、金融における ML/AI モデルの導入には依然としていくつかの固有の課題が存在します。課題の 1 つは、時間的パターンを理解し、正確な予測を行うための重要な側面である、シーケンス全体にわたる推論と推論の領域にあります。現在の方法には、時系列相関分析 [8、11、20、48] およびクラスタリング [1、3、50] が含まれます。最近、時系列間の複雑な潜在的な依存関係を学習するために深層学習が使用されています [25、40、42、55]。
概要
この論文は、説明可能な金融時系列予測のために大規模言語モデル (LLM) の卓越した知識と推論能力を活用することに関する新しい研究を紹介します。金融時系列への機械学習モデルの適用には、シーケンス間の推論と推論の難しさ、過去のニュースや金融知識のグラフなどからマルチモーダルなシグナルを組み込むハードル、解釈の問題など、いくつかの課題が伴います。そしてモデルの結果を説明します。このペーパーでは、一般にアクセス可能な過去の株価データ、企業メタデータ、および過去の経済/金融ニュースを利用して、NASDAQ-100 銘柄に焦点を当てます。私たちは、前述の課題に対する統合ソリューションを提供する LLM の可能性を示すために実験を実施します。私たちの実験には、GPT-4 を使用したゼロショット/フューショット推論の試行と、公開 LLM モデル Open LLaMA を使用した命令ベースの微調整が含まれます。私たちのアプローチは、広く適用されている古典的な ARMA-GARCH モデルや勾配ブースティング ツリー モデルなど、いくつかのベースラインを上回るパフォーマンスを示します。パフォーマンスの比較結果といくつかの例を通じて、LLM はテキストニュースと価格時系列の両方からの情報を推論し、系列間の情報を活用して洞察を抽出することで、よく考えられた意思決定を下せることがわかります。、LLM に組み込まれた固有の知識を活用します。さらに、Open-LLaMA などの公的に利用可能な LLM は、微調整後、GPT-4 と比較すると相対的に劣るものの、説明可能な予測を生成する命令を理解して、妥当なパフォーマンスを達成できることを示します。