Finsentiment: التنبؤ بالمشاعر المالية والمخاطر من خلال نقل التعلم
| العنوان | Finsentiment: التنبؤ بالمشاعر المالية والمخاطر من خلال نقل التعلم |
|---|---|
| المؤلف | إرغون، زهرة إيرفا |
| تاريخ النشر: | 2024-08-30T15:34:48Z |
| الموضوع | المالية، النماذج الرياضية، الذكاء الاصطناعي، التطبيقات المالية، تقييم المخاطر، تحليل المشاعر، استخراج البيانات، التعلم العميق (التعلم الآلي)، التعلم الآلي |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | 2fe5668c-765f-4113-95e9-bd4fce458bac |
| موقع المكتبة | قسم علوم الحاسوب |
| التاريخ | 2024-08-30T15:34:48Z |
| نص عينة | هناك اهتمام متزايد بمهام استخراج النصوص المالية. تم إحراز تقدم كبير من خلال استخدام النماذج القائمة على التعلم العميق في مجموعة عامة، والتي تظهر أيضًا نتائج معقولة في مهام التنقيب في النصوص المالية مثل تحليل المشاعر المالية. ومع ذلك، لا يزال تحليل التوجه المالي عملاً صعباً بسبب عدم كفاية البيانات المصنفة للمجال المالي ولغته المتخصصة. إن أساليب التعلم العميق للأغراض العامة ليست فعالة بشكل رئيسي بسبب اللغة المتخصصة المستخدمة في السياق المالي. في هذه الدراسة، نركز على تحسين أداء مهام التنقيب في النصوص المالية من خلال تحسين نماذج اللغة المدربة مسبقًا عبر تعلم نقل البرمجة اللغوية العصبية. تتطلب نماذج اللغة المدربة مسبقًا كمية صغيرة من العينات المصنفة، ويمكن تعزيزها إلى حد أكبر من خلال تدريبها على مجموعات خاصة بمجال معين بدلاً من ذلك. نقترح نموذجًا محسنًا FinSentiment، والذي يتضمن إصدارات محسنة لعدد من النماذج المدربة مسبقًا المقترحة مؤخرًا، مثل BERT وXLNet وRoBERTa لأداء أفضل عبر مهام البرمجة اللغوية العصبية في المجال المالي من خلال تدريب هذه النماذج على مجاميع المجال المالي. تسمى النماذج المالية المحددة المقابلة في FinSentiment بـ Fin-BERT وFin-XLNet وFin-RoBERTa على التوالي. نقترح أيضًا أشكالًا مختلفة من هذه النماذج التي تم تدريبها بشكل مشترك على المجال المالي والمجموعات العامة. تُظهر نماذج FinSentiment الخاصة بالتمويل بشكل عام أفضل أداء عبر 3 مجموعات بيانات لتحليل التوجهات المالية، حتى عندما يتم ضبط جزء فرعي فقط من هذه النماذج باستخدام مجموعة تدريب أصغر. تظهر نتائجنا تعزيزًا لكل معايير الأداء التي تم اختبارها على النتائج الحالية لمجموعات البيانات هذه. تُظهر النتائج التجريبية الشاملة فعالية ومتانة RoBERTa التي تم تدريبها مسبقًا على المواد المالية. بشكل عام، نظهر أن تقنيات تعلم نقل البرمجة اللغوية العصبية هي حلول مناسبة لمهام تحليل المشاعر المالية. ويتم قياس المخاطر المالية تجريبيا من حيث تقلب عائد الأصول، وهو درجة الانحراف عن العائد المتوقع للأصل. في ظل إدارة المخاطر في مجال التمويل، يعد التنبؤ بتقلبات الأصول أحد أهم المشكلات بسبب دورها المهم في اتخاذ قرارات الاستثمار. على الرغم من أن عددًا من الدراسات السابقة قد بحثت في دور معرفة اللغة الطبيعية في تعزيز جودة تنبؤات التقلب، إلا أنه لا يزال من الممكن تعزيز تقدير التقلب من خلال تقنيات التعلم العميق الحديثة. على وجه التحديد، لم يتم استخدام استخلاص المعرفة المالية في النص من خلال أساليب نقل التعلم مثل BERT في التنبؤ بالمخاطر. هنا، نأتي إلى RiskBERT، وهي أول طريقة لتعلم التحويل تعتمد على BERT للتنبؤ بتقلبات الأصول من خلال النظر في نفس الوقت في مجموعة واسعة من السمات المالية والميول المالية. فيما يتعلق بمجموعة البيانات اللغوية، فإننا نستخدم النصوص من ملفات 10-K التي تحدث سنويًا للشركات التجارية العامة لتدريب نموذجنا. نموذجنا المقترح، RiskBERT يستخدم آلية الاهتمام لنمذجة السياق اللفظي ويؤدي بشكل ملحوظ أفضل من الأساليب الحديثة وخطوط الأساس مثل التقلبات التاريخية. نحن نلاحظ هذا الأداء المتفوق حتى عندما يتم ضبط جهاز RiskBERT بمجموعة تدريب أصغر. لقد وجدنا أن RiskBERT أكثر فعالية في التنبؤ بالمخاطر بعد إقرار قانون Sarbanes-Oxley لعام 2002 نظرًا لأن هذا التشريع جعل التقارير السنوية أكثر فعالية. بشكل عام، نظهر أن تقنيات تعلم نقل البرمجة اللغوية العصبية هي حلول مواتية لمهمة التنبؤ بالمخاطر المالية. ستكون نماذجنا المدربة مسبقًا وكود المصدر متاحة للجمهور بمجرد الانتهاء من المراجعة. يقوم العديد من مصممي الأزياء العامين بدراسة العديد من نماذج الأعمال المالية التي يتم تحليلها من خلال تحليل بياناتهم. علاوة على ذلك، فإن التحليل المالي، والتحليل المالي، والتحسينات والتحسينات الكبيرة التي توفرها هذه الشركات هي الأفضل. يتم سداد الأموال المالية بشكل كبير من خلال عملية تحويل الأموال بشكل عام إلى أموال حقيقية. نتيجة لذلك، قد يؤدي نقل نماذج النماذج إلى تفاقم المشاكل المالية التي قد تؤدي إلى حدوث مشكلات في الأداء. ¨ لقد تم تصميم نماذج العارضين من خلال العديد من أدوات التصميم التي توفرها الشركة وتمتلك القدرة على أداء أفضل أداء. Biz، هو أحد مصممي الأزياء المعتمدين من قبل BERT وXLNet وRoBERTa Modellerini، الذين صمموا نماذج من FinSentiment وSunuyoruz. لقد قام مصممو نماذج المشاكل هذه بمراجعة أداء موظفيهم الماليين من خلال الشركات أو الشركات. تم تمويل جميع نماذج FinSentiment الإلكترونية من FinSentiment: FinBERT وFin-XLNet وFin-RoBERTa. تم تصميم نماذج FinSentiment بشكل عام من خلال 3 تحليلات مالية حقيقية وأداء أفضل مما جعل مصممي النماذج يقطعون جزءًا من مجموعة أدواتهم. اختبار edilen veri setleri için baz aldığımız الأداء kriterine göre olan sonuçlarımızda iyileşme gözlemlendi. إن المعلومات التفصيلية هي عبارة عن تمويل رائع للشركات من خلال نموذج روبرتا المتميز. أخيرًا، نقل öğrenmesi teknikleri duygu analizi çalışmalarında elverişli çözümler sunduğunu göstermiş olduk. قد تؤدي المخاطر المالية إلى حدوث تقلبات في الأسعار. Varlık getirisi volatilitesi، varlığın beklenen getirisinden ne kadar sapma olduğunun bir olçütüdür. إن المخاطر المالية التي يواجهها الماليون مرتفعة للغاية، حيث أنهم يلجأون إلى بعض التقلبات في أسعار الفائدة مما يؤدي إلى مشاكل كبيرة. بالإضافة إلى ذلك، يتم استخدام تقنية التطاير المتقلبة من خلال استخدام تقنية التطاير، مما يؤدي إلى زيادة استخدام التكنولوجيا المتطايرة. Özellikle, خطر tahminlemesinde BERT gibi Transfer öğrenmesi yaklaşımını kullanarak metinlerden finansal anlam çıkaran yöntemler kullanılmamıştır. C، alışmamızda öncelikle، BERT'e dayalı Transfer öğrenmesi metodu ile varlık volatilitesi tahminlemesi yapan RiskBERT 'i sunuyoruz. تم تصميم هذه النماذج من خلال سلاسل من 10-K من 10-K. نماذج RiskBERT، تم إنشاء نماذج يومية من خلال "آلية الاهتمام" للأدوات والأدوات الحديثة التي تم تصميمها في وقت مبكر من اليوم، والتي تحدد كيفية أداء الأداء. يمكنك اختيار فناني الأداء الذين سيتمكنون من ضبط إعداداتهم بشكل صحيح. في عام 2002، قام ساربانيس-أوكسلي بتصوير تقرير صحفي عن أكثر من 100 شخص من ذوي الخبرة، حيث قام ريسكبيرت بتصويره من خلال أداء أفضل أداء. قد يكون هناك خطر من استخدام تقنية النقل غير الآمنة. |
