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

Appliquer des modèles de grands langages pré-entraînés à la recherche financière basée sur l'IA

Author

Listed:
  • Kim, Donghyun

Abstract

Dans un passé récent, l'utilisation de modèles de langage pré-entraînés (PLM) a acquis une immense popularité pour les tâches de traitement du langage naturel (TAL). Cet article évalue les capacités de ces modèles dans le secteur financier, ainsi que les obstacles auxquels ils sont confrontés dans ce domaine. L'article évalue également la transparence de ces modèles et les enjeux éthiques liés à leur utilisation en finance. Notre étude montre que les PLM ont le potentiel de transformer la façon dont les données financières sont analysées et traitées. Cependant, il est crucial de relever les défis et les préoccupations éthiques associés à leur mise en œuvre pour s'assurer qu'ils sont utilisés de manière éthique et responsable. Les études futures se concentreront sur l'amélioration des modèles pour gérer l'instabilité des données financières, réduire les biais dans les données de formation et offrir des prévisions transparentes. En conclusion, nous pensons que l'avancement de l'IA dans la finance sera déterminé par la croissance et la mise en œuvre de modèles de langage pré-entraînés.

Suggested Citation

  • Kim, Donghyun, 2023. "Appliquer des modèles de grands langages pré-entraînés à la recherche financière basée sur l'IA," OSF Preprints kpvrx, Center for Open Science.
    • Handle: RePEc:osf:osfxxx:kpvrx
    DOI: 10.31219/osf.io/kpvrx
    as

    Download full text from publisher

    File URL: https://osf.io/download/63e27cb43db09501da1d0e6b/
    Download Restriction: no
    File URL: https://libkey.io/10.31219/osf.io/kpvrx?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:kpvrx. 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.