利用机器学习和深度学习模型，结合资金指标、创始人特征和行业分类等多个因素，预测初创企业成功的目标里程碑，如首次公开募股(IPO)、独角兽地位、并购成功。通过使用Crunchbase的历史数据进行模型回测，并评估模型在真实投资环境中的实用性，研究结果显示了这种深度学习模型和非结构化数据在预测初创企业成功方面的巨大潜力，并为未来的研究进展提供了奠基。

Sep, 2023

通过扩大和丰富数据源以及特征数量，利用机器学习模型对创业公司的公开数据进行预测，可较准确地预测公司是否能在未来一定时间内筹集到资金。

Dec, 2023

本研究探讨了对预训练大型语言模型（LLMs）进行微调和应用于特定领域的方法，重点关注LLMs、基础模型和特定领域预训练方法的趋势。针对金融行业，研究详细介绍了数据集选择、预处理、模型选择和金融领域LLM微调的关键考虑因素。通过实例展示了LLM微调在金融领域的实际应用，包括股价预测、金融新闻情感分析、自动文档处理、信息提取和客户服务的增强。本研究旨在推进自然语言处理技术在商业领域的应用，建议积极利用LLM在金融服务等行业中的潜力。

Jan, 2024

最近几年，大型语言模型（LLMs）如ChatGPT取得了显著的进展，并在各个领域得到了应用。这些模型建立在Transformer架构基础上，通过广泛的数据集训练，能够有效地理解和生成人类语言。在金融领域，LLMs的部署正在迅速发展。它们被用于自动化财务报告生成、预测市场趋势、分析投资者情绪和提供个性化的财务建议。利用其自然语言处理能力，LLMs可以从海量金融数据中提取关键见解，帮助机构做出明智的投资决策，提高运营效率和客户满意度。本研究全面介绍了LLMs在各种金融任务中的应用。此外，我们通过自然语言指令对多个金融任务进行了全面测试。我们的研究结果表明，GPT-4在各种金融任务中能够有效地遵循指令。这项对LLMs在金融领域的调查和评估旨在加深金融从业者和LLM研究人员对LLMs在金融中的作用的理解，发现新的研究和应用前景，并强调如何利用这些技术来解决金融行业的实际挑战。

Jan, 2024

利用人工智能技术的最新进展来识别影响众筹活动成功的关键因素，并通过战略优化这些因素来提高筹款效果，我们的最佳性能机器学习模型能准确预测81.0%的众筹活动的筹款结果，主要基于其文本描述。通过解释机器学习模型，我们能够在启动活动之前提供可行的改进文本描述的建议。我们证明，通过使用大型语言模型来增加叙述的三个方面，活动对83%的人类评估者更具吸引力，并且其获得财务支持的可能性增加了11.9%。我们的研究揭示了为小型企业筹款活动制作描述的有效策略，并在众筹方法中开辟了一个新的领域。

Apr, 2024

本研究针对风险投资领域中，创业公司成功预测面临的数据不足和主观收入预测问题，提出了一种新颖的GraphRAG增强时间序列模型。该模型通过融入企业间的竞争和合作关系，显著提升了成功预测的准确性，实验结果表明其优于以往的方法，首次展示了GraphRAG在此领域的应用潜力。

Aug, 2024

本研究解决了定性数据分析中人工分析耗时费力的问题，提出了利用基于检索增强生成的（RAG）大型语言模型（LLMs）来分析访谈记录的新方法。研究发现，该方法有效提取了相关主题，相较于手动生成的主题覆盖更广，验证了LLMs作为新手定性研究助手的可行性，并为研究人员提供了提高方法严谨性和可信度的建议。

Aug, 2024

本研究解决了风险投资行业中创业公司成功预测面临的金融数据有限和主观收入预测的问题。我们提出了一种新颖的方法，即GraphRAG增强的时间序列模型，通过将竞争与合作等关键的公司间关系纳入分析框架，显著提高了预测精确度。实验结果证明，该模型在创业公司成功预测方面显著优于以往模型，具有重要的应用潜力。

Aug, 2024

本研究解决了风险投资中初创企业成功预测面临的数据有限及主观收入预测的挑战。我们提出了一种新颖的GraphRAG增强时间序列模型，通过整合公司间的竞争与合作关系，动态理解初创企业生态系统。实验结果表明，该模型在预测初创企业成功方面显著优于以往模型，标志着GraphRAG在该领域的首次应用。

Aug, 2024

本研究解决了投资者在初创企业投资中面临的成功预测问题。我们提出了一种独特的融合大型语言模型，通过分析初创企业在风投资本平台上的自我描述，来提高成功预测的准确性。研究表明，文本描述在成功预测中起到了显著作用，为投资者提供了一种支持决策的工具。

Sep, 2024