IDEAS home Printed from https://ideas.repec.org/p/osf/osfxxx/u2769.html
   My bibliography  Save this paper

Önceden Eğitilmiş Dil Modellerinin Modern Finansal Araştırmalarda Uygulanması

Author

Listed:
  • Lee, Heungmin

Abstract

Son yıllarda, önceden eğitilmiş dil modelleri (PLM'ler), doğal dil işleme (NLP) görevleri için güçlü bir araç olarak ortaya çıkmıştır. Bu yazıda, bu modellerin finans sektöründeki potansiyellerini ve bu alanda karşılaştıkları zorlukları inceliyoruz. Ayrıca, bu modellerin yorumlanabilirliğini ve finansta uygulanmalarıyla ilgili etik hususları da tartışıyoruz. Analizimiz, önceden eğitilmiş dil modellerinin finansal verilerin analiz edilme ve işlenme biçiminde devrim yaratma potansiyeline sahip olduğunu gösteriyor. Ancak, sorumlu ve hesap verebilir bir şekilde kullanılmalarını sağlamak için dağıtımlarıyla ilgili zorlukları ve etik hususları ele almak önemlidir. Gelecekteki araştırmalar, finansal verilerin değişkenliğini idare edebilen, eğitim verilerindeki yanlılığı azaltabilen ve yorumlanabilir tahminler sağlayabilen modeller geliştirmeye odaklanacaktır. Genel olarak, finansta yapay zekanın geleceğinin, önceden eğitilmiş dil modellerinin sürekli geliştirilmesi ve konuşlandırılmasıyla şekilleneceğine inanıyoruz.

Suggested Citation

  • Lee, Heungmin, 2023. "Önceden Eğitilmiş Dil Modellerinin Modern Finansal Araştırmalarda Uygulanması," OSF Preprints u2769, Center for Open Science.
    • Handle: RePEc:osf:osfxxx:u2769
    DOI: 10.31219/osf.io/u2769
    as

    Download full text from publisher

    File URL: https://osf.io/download/63da8d017d0187023fbc5334/
    Download Restriction: no
    File URL: https://libkey.io/10.31219/osf.io/u2769?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:u2769. 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.