IDEAS home Printed from https://ideas.repec.org/p/osf/osfxxx/2xuj9.html
   My bibliography  Save this paper

Pas vooraf getrainde grote taalmodellen toe op door AI aangedreven financieel onderzoek

Author

Listed:
  • Kim, Donghyun

Abstract

In het recente verleden is het gebruik van Pretrained Language Models (PLM's) enorm populair geworden voor Natural Language Processing (NLP)-taken. Dit document evalueert de mogelijkheden van deze modellen in de financiële sector, samen met de obstakels waarmee ze in dit domein worden geconfronteerd. De paper evalueert ook de transparantie van deze modellen en de ethische kwesties die verband houden met het gebruik ervan in de financiële wereld. Ons onderzoek toont aan dat PLM's het potentieel hebben om de manier waarop financiële gegevens worden geanalyseerd en verwerkt te transformeren. Het is echter van cruciaal belang om de uitdagingen en ethische problemen aan te pakken die gepaard gaan met de implementatie ervan om ervoor te zorgen dat ze ethisch en verantwoord worden gebruikt. Toekomstige studies zullen zich concentreren op het verbeteren van de modellen om de instabiliteit van financiële gegevens te beheersen, vertekening in de trainingsgegevens te verminderen en transparante voorspellingen te doen. Concluderend zijn wij van mening dat de vooruitgang van AI in de financiële wereld zal worden bepaald door de groei en implementatie van voorgetrainde taalmodellen.

Suggested Citation

  • Kim, Donghyun, 2023. "Pas vooraf getrainde grote taalmodellen toe op door AI aangedreven financieel onderzoek," OSF Preprints 2xuj9, Center for Open Science.
    • Handle: RePEc:osf:osfxxx:2xuj9
    DOI: 10.31219/osf.io/2xuj9
    as

    Download full text from publisher

    File URL: https://osf.io/download/63e1bd5e68420a0057c98010/
    Download Restriction: no
    File URL: https://libkey.io/10.31219/osf.io/2xuj9?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:2xuj9. 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.