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

Modern Finansal Araştırmalarda Önceden Eğitilmiş Büyük Dil Modellerini Uygulayın

Author

Listed:
  • Kim, Donghyun

Abstract

Yakın geçmişte, Önceden Eğitilmiş Dil Modellerinin (PLM'ler) kullanımı, Doğal Dil İşleme (NLP) görevleri için büyük bir popülerlik kazanmıştır. Bu makale, bu modellerin finans sektöründeki yeteneklerini ve bu alanda karşılaştıkları engelleri değerlendirmektedir. Makale ayrıca bu modellerin şeffaflığını ve finansta kullanımlarıyla ilgili etik sorunları da değerlendirmektedir. Çalışmamız, PLM'lerin finansal verilerin analiz edilme ve işlenme şeklini dönüştürme potansiyeline sahip olduğunu gösteriyor. Ancak, etik ve sorumlu bir şekilde kullanılmalarını sağlamak için bunların uygulanmasıyla ilgili zorlukları ve etik kaygıları ele almak çok önemlidir. Gelecekteki çalışmalar, finansal verilerin istikrarsızlığını yönetmek, eğitim verilerindeki yanlılığı azaltmak ve şeffaf tahminler sunmak için modellerin geliştirilmesine odaklanacaktır. Sonuç olarak, AI'nın finans alanındaki ilerlemesinin, Önceden Eğitilmiş Dil Modellerinin büyümesi ve uygulanmasıyla belirleneceğine inanıyoruz.

Suggested Citation

  • Kim, Donghyun, 2023. "Modern Finansal Araştırmalarda Önceden Eğitilmiş Büyük Dil Modellerini Uygulayın," OSF Preprints gcsyx, Center for Open Science.
    • Handle: RePEc:osf:osfxxx:gcsyx
    DOI: 10.31219/osf.io/gcsyx
    as

    Download full text from publisher

    File URL: https://osf.io/download/63e1b9894901f50045761801/
    Download Restriction: no
    File URL: https://libkey.io/10.31219/osf.io/gcsyx?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:gcsyx. 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.