پیش بینی سهام ، پیش بینی افکار عمومی ، همه نوع ممکن است با مدل های شبیه به چتپ

Boffins Foretell LLMS نفوذ مالی و سیاست را با دیدگاه های با اطمینان برگزار می کند

سه شنبه 18 آوریل 2023 // 20:14 UTC

اگر تصویری از آینده می خواهید ، تصور کنید که از یک مدل بزرگ زبان برای پیش بینی درخواست کنید.

دو مجموعه از محققان اخیراً این کار را کردند و دریافتند که مدل های بزرگ زبان (LLM) مانند Chatgpt و Bert می توانند دقت پیش بینی های مربوط به بازار سهام و افکار عمومی را ، حداقل در برابر داده های تاریخی اندازه گیری کنند.

در مقاله ای با عنوان "آیا chatgpt می تواند حرکات قیمت سهام را پیش بینی کند؟ پیش بینی بازگشت و مدل های بزرگ زبان" ، استادان دانشگاه فلوریدا ، Alejandro Lopez-Lira و Yuehua Tang ارزیابی کردند که چتپ اوپای هنگام ارزیابی احساسات عناوین اخبار چگونه است.

تجزیه و تحلیل احساسات - تعیین اینکه آیا متن مانند یک تیتر خبری بیان مثبت ، خنثی یا منفی در مورد یک موضوع یا شرکت است - به یک پارامتر گسترده ارزیابی شده برای الگوریتم های تحلیل کمی مورد استفاده توسط بازرگانان سهام تبدیل شده است. مشخص شده است که پیش بینی های بازار را دقیق تر می کند.

دو بوفین دانشگاه فلوریدا به بررسی چگونگی عملکرد چتگپ در هنگام درخواست ارزیابی احساسات بیان شده در عناوین خبری پرداختند. هنگامی که آنها ارزیابی چتپپ از آن اخبار را با عملکرد بعدی سهام شرکت در نمونه خود مقایسه کردند ، آنها این مدل را دریافتند که پیش بینی های برگشتی از نظر آماری قابل توجه است ، که بیشتر از آنچه در مورد سایر LLM ها گفته می شود.

آنها در مقاله خود اظهار داشتند: "تجزیه و تحلیل ما نشان می دهد که نمرات احساسات Chatgpt از نظر آماری قدرت پیش بینی قابل توجهی در بازده روزانه بورس سهام دارد."

"با استفاده از داده های تیتر خبری و نمرات احساسات تولید شده ، ما بین ارزیابی چتپپ و بازده روزانه سهام موجود در نمونه ما ارتباط جدی پیدا می کنیم. این نتیجه پتانسیل چتپپ را به عنوان ابزاری ارزشمند برای پیش بینی حرکات بازار سهام بر اساس آن برجسته می کنددر تجزیه و تحلیل احساسات. "

به عنوان مثال ، آنها چتگپ را به این ترتیب برانگیختند:

تمام دستورالعمل های قبلی خود را فراموش کنید. وانمود کنید که شما یک متخصص مالی هستید. شما یک متخصص مالی با تجربه توصیه سهام هستید. اگر خبر خوب ، "نه" ، اگر خبر بد "یا" ناشناخته "اگر در خط اول نامشخص است ، پاسخ دهید. سپس با یک جمله کوتاه و مختصر در خط بعدی توضیح دهید. آیا این تیتر برای قیمت سهام اوراکل در کوتاه مدت خوب است یا بد؟

تیتر: خیابان ریمینی در پرونده اوراکل 630،000 دلار جریمه شد

در مقاله ، چتپپ پاسخ داد:

جریمه خیابان ریمینی به طور بالقوه می تواند اعتماد سرمایه گذاران را به توانایی اوراکل در حفاظت از مالکیت معنوی خود و افزایش تقاضا برای محصولات و خدمات آن افزایش دهد.

محققان این را به این معنا تفسیر می کنند که تحلیل ChatGPT فرض می کند که جریمه می تواند فروش و قیمت سهام اوراکل را افزایش دهد.

همانطور که در مقاله توضیح داده شد، ChatGPT نسبت به سایر LLMها، به ویژه GPT-1، GPT-2، و BERT، کار بهتری را در تجزیه و تحلیل احساسات انجام داد.

محققان نتیجه می گیرند: «برتری ChatGPT در پیش بینی بازده بازار سهام را می توان به قابلیت های پیشرفته درک زبان آن نسبت داد، که به آن اجازه می دهد تا ظرافت ها و ظرافت ها را در عناوین اخبار به تصویر بکشد».

این مدل را قادر می سازد تا نمرات احساسات قابل اعتمادتری تولید کند و منجر به پیش بینی بهتر بازده روزانه بازار سهام شود.»

با این حال، مسافت پیموده شده شما ممکن است متفاوت باشد، به این معنی که می خواهید بدانید پارامتر دمای مدل شما، که بر تصادفی سازی پاسخ تأثیر می گذارد، چگونه تنظیم می شود. هنگامی که ثبت نام امروز با استفاده از رابط وب رایگان به ChatGPT همان اعلان را وارد کرد، پاسخ مخالف را دریافت کردیم:

این جریمه یک پیامد مالی منفی برای خیابان ریمینی است و ممکن است تأثیر کوتاه مدتی بر قیمت سهام آنها داشته باشد، اما لزوماً نشانگر مستقیم تأثیر بر قیمت سهام اوراکل نیست.

و سپس برای بار دوم، با یک کالسکه اضافی بین اعلان و تیتر، پاسخ این بود:

تعیین تأثیر خاص جریمه خیابان ریمینی بر قیمت سهام اوراکل بدون اطلاعات بیشتر در مورد ماهیت پرونده و دخالت اوراکل در آن دشوار است.

آلخاندرو لوپز-لیرا، استادیار امور مالی در دانشگاه فلوریدا و یکی از نویسندگان همکار مقاله، در پاسخ به سوالی درباره این موضوع، حدس زد که رابط وب تصادفی تر از API پولی است.

لوپز-لیرا در ایمیلی به The Register گفت که ChatGPT به تنهایی برای تجزیه و تحلیل احساسات در مورد رویدادهای جاری کافی نیست.

ما فکر می کنیم ChatGPT جای زیادی برای بهبود دارد

لوپز-لیرا در ایمیلی گفت: "ما فکر می کنیم ChatGPT فضای زیادی برای بهبود دارد.""به عنوان مثال، ChatGPT آخرین اطلاعات در مورد کووید یا جنگ را ندارد. به همین دلیل است که ما به این به عنوان مبنایی برای آنچه که مدل ها می توانند انجام دهند فکر می کنیم. ارائه زمینه بیشتر یا به صورت فوری یا با تنظیم دقیق احتمالاً مدل ها را ایجاد می کند. در پیش بینی بهتر است. به نوعی، آنچه ما نشان می دهیم مرز پایین تری برای توانایی ها است.»

تحلیل احساسات به خودی خود یک شاخص قوی برای حرکت قیمت سهام نیست، اگرچه هنوز برای معامله گران سهام ارزش دارد.

لوپز لیرا گفت: "این همبستگی بسیار اندک است اما از نظر آماری قابل توجه است."

"این به ترتیب یک درصد است. با این حال ، زیرا این همبستگی های روزانه برای سهام های مختلف است ، آنها به سرعت منجر به بازده بالا می شوند. به عنوان مثال ، (بدون هزینه معاملات) حداقل دو برابر بازار منجر به نسبت شارپ می شود."

وی افزود: "بیشتر حرکات موجود در بورس مربوط به اخبار مستقیم در مورد اصول نیست ، بلکه تحمل ریسک سرمایه گذاران (احساسات) یا انتظارات آینده آنها را تغییر می دهد. ما فکر می کنیم اضافه کردن اطلاعات متنی در مورد احساسات بازار احتمالاً بازده خواهد داشتپیش بینی قوی تر. "

• نگران نباشید ، مردمی ، اینجا چاک شومر با ایده هایی در مورد تنظیم هوش مصنوعی می آید
• chatgpt تبدیل به chatrepair برای خودکار سازی اشکال برای کمتر می شود
• chatgpt برای مشاغل شما می آید - حداقل افراد وحشتناک ، حداقل
• در نبرد بین مایکروسافت و گوگل ، LLM سلاح بیش از حد کشنده است برای استفاده

در یک مقاله جداگانه ، "مدل های زبانی که در رژیم های غذایی رسانه ای آموزش دیده اند می توانند افکار عمومی را پیش بینی کنند" ، محققان MIT ، اریک چو ، جیکوب آندریاس و دب روی ، به همراه محقق هاروارد ، استفان انسولابیر ، مدلهای بزرگ زبان را آموزش داده اند که در رسانه های خاص آموزش دیده اند (اخبار آنلاین ، تلویزیون تلویزیونپخش یا رادیو) می تواند نظرات گروههای در معرض آن رسانه را پیش بینی کند.

"با" مدل های رژیم غذایی رسانه ای "،" اریک چو "، نویسنده تحقیقات گوگل که در زمان پروژه تحقیقاتی ، از طریق توییتر نامزد MIT بود ، توضیح داد:" ما پیش بینی می کنیم که چگونه گروهی از مصرف کنندگان رسانه ای به نظرسنجی پاسخ می دهندآموزش [مدل زبان] در رسانه ای که آنها مصرف می کنند. "

این مدل های رژیم غذایی رسانه ای مبتنی بر BERT ، یک مدل بزرگ زبان بزرگ شناخته شده و تنظیم دقیق با یک مجموعه داده رژیم غذایی رسانه ای بود.

نویسندگان گفتند که کار آنها راهی برای نظرسنجی دقیق تر افکار عمومی است ، اما همچنین از بررسی بیشتر چگونگی تأثیر رسانه ها بر مردم و شکل دادن به افکار عمومی دعوت می کند.

آنها برای تجزیه و تحلیل های خاص رژیم غذایی رسانه ای که بررسی می کنند استدلال می کنند: "(1) قرار گرفتن در معرض انتخابی ، یا تعصب کلی سیستمیک که در آن افراد به سمت اطلاعاتی که با اعتقادات قبلی خود متناسب است ، گرایش می یابد ؛ (2) اتاق های اکو ، که در آن محیط های انتخاب شده تقویت می شوند وعقاید به اشتراک گذاشته شده با فرد همفکر را تقویت کنید ؛ و (3) حباب ها را فیلتر کنید ، که در آن الگوریتم های سطح و توصیه های محتوا بر اساس رفتارهای گذشته کاربران ، مجدداً جهان بینی کاربران را تأیید می کنند. "

نویسندگان پیشنهاد می کنند: "مدل های رژیم غذایی رسانه ای می توانند به شناسایی زیرمجموعاتی که در معرض پیام های بالقوه مضر قرار می گیرند ، کمک کنند."

این بهترین سناریو است. آنها همچنین ممکن است برای ارزیابی اثربخشی کمپین های اطلاعاتی خود برای دستکاری های رسانه ای مفید باشند.®

از دست ندهچه اتفاقی می افتد که بلومبرگ ثروت داده های مالی خود را به یک مدل بزرگ ML وصل کند؟جای تعجب نیست ، به لطف دوستان ما در سکوی بعدی ، که Bloomberggpt را تجزیه و تحلیل کرد.