IDEAS home Printed from https://ideas.repec.org/p/osf/osfxxx/rcwp7.html
   My bibliography  Save this paper

Applica modelli di linguaggi di grandi dimensioni preaddestrati alla ricerca finanziaria basata sull'intelligenza artificiale

Author

Listed:
  • Kim, Donghyun

Abstract

Nel recente passato, l'uso di modelli linguistici preaddestrati (PLM) ha guadagnato un'immensa popolarità per le attività di elaborazione del linguaggio naturale (NLP). Questo documento valuta le capacità di questi modelli nel settore finanziario, insieme agli ostacoli che devono affrontare in questo dominio. Il documento valuta anche la trasparenza di questi modelli e le questioni etiche legate al loro utilizzo in finanza. Il nostro studio mostra che i PLM hanno il potenziale per trasformare il modo in cui i dati finanziari vengono analizzati ed elaborati. Tuttavia, è fondamentale affrontare le sfide e le preoccupazioni etiche associate alla loro attuazione per garantire che siano utilizzate in modo etico e responsabile. Gli studi futuri si concentreranno sul miglioramento dei modelli per gestire l'instabilità dei dati finanziari, ridurre le distorsioni nei dati di addestramento e offrire previsioni trasparenti. In conclusione, riteniamo che il progresso dell'IA nella finanza sarà determinato dalla crescita e dall'implementazione di modelli linguistici preaddestrati.

Suggested Citation

  • Kim, Donghyun, 2023. "Applica modelli di linguaggi di grandi dimensioni preaddestrati alla ricerca finanziaria basata sull'intelligenza artificiale," OSF Preprints rcwp7, Center for Open Science.
    • Handle: RePEc:osf:osfxxx:rcwp7
    DOI: 10.31219/osf.io/rcwp7
    as

    Download full text from publisher

    File URL: https://osf.io/download/63e1c6f868420a0063c981d0/
    Download Restriction: no
    File URL: https://libkey.io/10.31219/osf.io/rcwp7?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:rcwp7. 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.