IDEAS home Printed from https://ideas.repec.org/p/osf/osfxxx/4fprx.html
   My bibliography  Save this paper

Application de modèles de langage pré-entraînés dans la recherche financière moderne

Author

Listed:
  • Lee, Heungmin

Abstract

Ces dernières années, les modèles de langage pré-entraînés (PLM) sont devenus un outil puissant pour les tâches de traitement du langage naturel (TAL). Dans cet article, nous examinons le potentiel de ces modèles dans le secteur financier et les défis auxquels ils sont confrontés dans ce domaine. Nous discutons également de l'interprétabilité de ces modèles et des considérations éthiques associées à leur déploiement en finance. Notre analyse montre que les modèles de langage pré-entraînés ont le potentiel de révolutionner la manière dont les données financières sont analysées et traitées. Cependant, il est important de relever les défis et les considérations éthiques associés à leur déploiement pour s'assurer qu'ils sont utilisés de manière responsable et responsable. Les recherches futures se concentreront sur le développement de modèles capables de gérer la volatilité des données financières, d'atténuer les biais dans les données de formation et de fournir des prévisions interprétables. Dans l'ensemble, nous pensons que l'avenir de l'IA dans la finance sera façonné par le développement et le déploiement continus de modèles de langage pré-entraînés.

Suggested Citation

  • Lee, Heungmin, 2023. "Application de modèles de langage pré-entraînés dans la recherche financière moderne," OSF Preprints 4fprx, Center for Open Science.
    • Handle: RePEc:osf:osfxxx:4fprx
    DOI: 10.31219/osf.io/4fprx
    as

    Download full text from publisher

    File URL: https://osf.io/download/63da9b511e9686023eb2564e/
    Download Restriction: no
    File URL: https://libkey.io/10.31219/osf.io/4fprx?utm_source=ideas
    LibKey link: if access is restricted and if your library uses this service, LibKey will redirect you to where you can use your library subscription to access this item
    ---><---

    More about this item

    Statistics

    Access and download statistics

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:osf:osfxxx:4fprx. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    We have no bibliographic references for this item. You can help adding them by using this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: OSF (email available below). General contact details of provider: https://osf.io/preprints/ .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.