IDEAS home Printed from https://ideas.repec.org/p/osf/osfxxx/9wc6t.html
   My bibliography  Save this paper

Aplicação de modelos de linguagem pré-treinados na pesquisa financeira moderna

Author

Listed:
  • Lee, Heungmin

Abstract

Nos últimos anos, modelos de linguagem pré-treinados (PLMs) surgiram como uma ferramenta poderosa para tarefas de processamento de linguagem natural (NLP or PNL). Neste artigo, examinamos o potencial desses modelos no setor financeiro e os desafios que eles enfrentam nesse domínio. Também discutimos a interpretabilidade desses modelos e as considerações éticas associadas à sua implantação em finanças. Nossa análise mostra que os modelos de linguagem pré-treinados têm o potencial de revolucionar a forma como os dados financeiros são analisados e processados. No entanto, é importante abordar os desafios e as considerações éticas associadas à sua implantação para garantir que sejam usados de maneira responsável. A pesquisa futura se concentrará no desenvolvimento de modelos que possam lidar com a volatilidade dos dados financeiros, atenuar o viés nos dados de treinamento e fornecer previsões interpretáveis. No geral, acreditamos que o futuro da IA em finanças será moldado pelo desenvolvimento contínuo e implantação de modelos de linguagem pré-treinados.

Suggested Citation

  • Lee, Heungmin, 2023. "Aplicação de modelos de linguagem pré-treinados na pesquisa financeira moderna," OSF Preprints 9wc6t, Center for Open Science.
  • Handle: RePEc:osf:osfxxx:9wc6t
    DOI: 10.31219/osf.io/9wc6t
    as

    Download full text from publisher

    File URL: https://osf.io/download/63da9da52781fc0287009e80/
    Download Restriction: no

    File URL: https://libkey.io/10.31219/osf.io/9wc6t?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:9wc6t. 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.