万亿美元的话语:一个新的金融数据集、任务和市场分析
本文分析 FOMC 官方声明中的语言以获取对金融市场和经济预测的影响,结果表明,FOMC 小心避免表达情绪;使用 VADER,FinBERT 和 GPT-4 等先进的语言建模技术。FinBERT 能够更准确地预测负面情绪,但是分析强调了使用 NLPTechniques 分析 FOMC 文本的挑战和限制,并建议增强语言模型和探索替代方法。
Apr, 2023
本研究通过文本挖掘技术分析中央银行发表的文件,并提出了一种评估中央银行政策语调的方法,以比较 FOMC 会议的声明、记录、新闻发布会记录和美联储官员的讲话的语气,并对自 1971 年以来每种政策立场的变化进行分析。
Jun, 2023
通过 Fine-Grained Monetary Policy Analysis Framework (FMPAF) 方法,将大型语言模型与回归分析相结合,全面分析美联储主席的记者招待会沟通对金融市场的影响。
Mar, 2024
本研究提出了一种适用于金融文本的多标签主题模型,使用新的金融多标签数据库进行训练,并通过分析股市反应来研究不同主题之间的差异以及协同出现主题对股市反应的影响,模型的最佳表现可达到超过 85% 的宏观 F1 得分。
Nov, 2023
该研究通过结合机器学习技术和因果推断,考察了宏观经济政策对金融市场的影响。重点关注美联储调整利率对固定收益和股权基金回报的影响,并对主动和被动管理的基金进行了区分。结果显示,梯度提升是预测基金回报的有用工具,例如,利率上升 1%导致主动管理基金回报下降 - 11.97%。这一对利率和基金表现之间的关系的理解为进一步研究提供了机会,并为基金经理和投资者提供了富有洞察力和数据驱动的建议。
Mar, 2024
本研究将机器学习应用于金融领域,尤其是股票市场预测。研究通过合作数字股票数据和定性文本数据,提供了一个包含来自新闻档案、电视新闻字幕、广播节目文字转录、推特、日常金融报纸等的 140 多万条文本数据的数据集,该数据集可用于股票市场预测的全球研究中。
Nov, 2023
本文介绍了 BloombergGPT, 这是一个在大量金融数据上训练得到的具有 500 亿参数的语言模型。通过使用混合数据集进行训练,我们得到的模型不仅在金融任务上表现出色,还在普遍的 LLM 基准测试上得到了不错的表现,同时也解释了模型构建、训练过程和评估方法。
Mar, 2023
该研究通过使用 NLP 技术和基于幂律动态的交易模型,探讨了加密货币和模因股票市场中由社交媒体信息产生的 “泡沫” 现象,为金融市场提供了一种分析和检测新型数字资产的方法。
May, 2022
本文提出了一种多模态预测模型,利用 Twitter 社交媒体以及其他相关资产价格和技术指标等预测比特币价格波动,最终构建一个能够准确预测市场运动的模型,提出了一种基于模型预测的交易策略,与传统策略相比风险更低,可用于实际交易。
May, 2022
本文研究了 4900 多个 YouTube 视频数据库,以表征金融市场报道。我们使用 OpenAI 的语音转文本模型 Whisper,通过自然语言处理技术从市场报道视频中提取洞察力,同时研究趋势话题的突出存在及其随时间的演变,了解某些个人和组织对金融市场的影响。我们的研究强调了金融市场报道的动态,提供了有关近期金融事件和世界经济的广泛讨论的有价值的视角。
Feb, 2023