IDEAS home Printed from https://ideas.repec.org/p/osf/osfxxx/h9uac.html
   My bibliography  Save this paper

Utilizza modelli linguistici preaddestrati nella ricerca finanziaria guidata dall'intelligenza artificiale

Author

Listed:
  • Daves, Daniel

Abstract

I modelli linguistici preaddestrati (PLM) hanno raccolto un'attenzione significativa da parte dei ricercatori della PNL come sviluppo chiave nell'IA. Questo documento valuta il potenziale dei PLM nel settore finanziario e le sfide che devono affrontare in questo campo. Valuta inoltre la trasparenza dei modelli e le considerazioni etiche relative al loro utilizzo in ambito finanziario. La nostra ricerca indica che i PLM hanno la capacità di rivoluzionare il modo in cui i dati finanziari vengono analizzati ed elaborati. Tuttavia, è fondamentale superare le sfide e le preoccupazioni etiche al fine di garantire un uso responsabile ed etico. Il lavoro futuro si concentrerà sul miglioramento dei modelli per affrontare la volatilità dei dati finanziari, ridurre la distorsione dei dati di addestramento e fornire previsioni trasparenti. In conclusione, riteniamo che il futuro dell'IA nella finanza dipenda dallo sviluppo e dall'integrazione di modelli linguistici preaddestrati.

Suggested Citation

  • Daves, Daniel, 2023. "Utilizza modelli linguistici preaddestrati nella ricerca finanziaria guidata dall'intelligenza artificiale," OSF Preprints h9uac, Center for Open Science.
    • Handle: RePEc:osf:osfxxx:h9uac
    DOI: 10.31219/osf.io/h9uac
    as

    Download full text from publisher

    File URL: https://osf.io/download/63e3e208197ebb02eba16250/
    Download Restriction: no
    File URL: https://libkey.io/10.31219/osf.io/h9uac?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:h9uac. 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.