Wenn Sie sich ein Bild von der Zukunft machen möchten, stellen Sie sich vor, Sie bitten ein großes Sprachmodell um eine Vorhersage.
Zwei Forschergruppen haben dies kürzlich getan und herausgefunden, dass große Sprachmodelle (LLMs) wie ChatGPT und BERT die Genauigkeit von Vorhersagen über den Aktienmarkt und die öffentliche Meinung verbessern können, zumindest gemessen an historischen Daten.
In ein Papier mit dem Titel „Kann ChatGPT Aktienkursbewegungen vorhersagen?“ „Return Predictability and Large Language Models“, die Professoren der University of Florida, Alejandro Lopez-Lira und Yuehua Tang, bewerteten, wie ChatGPT von OpenAI bei der Beurteilung der Stimmung von Schlagzeilen abgeschnitten hat.
Die Stimmungsanalyse – die Bestimmung, ob Text wie eine Schlagzeile eine positive, neutrale oder negative Stimmung zu einem Thema oder einem Unternehmen ausdrückt – ist zu einem weithin ausgewerteten Parameter für quantitative Analysealgorithmen geworden, die von Aktienhändlern verwendet werden. Es wurde festgestellt, dass dies der Fall ist Machen Sie Marktprognosen genauer.
Die beiden Experten der University of Florida untersuchten die Leistung von ChatGPT, als sie dazu aufgefordert wurden, die in den Schlagzeilen zum Ausdruck gebrachte Stimmung einzuschätzen. Als sie die Auswertung dieser Nachrichten durch ChatGPT mit der späteren Entwicklung der Unternehmensaktien in ihrer Stichprobe verglichen, stellten sie fest, dass das Modell statistisch signifikante Vorhersagen lieferte, was mehr ist, als man von anderen LLMs sagen kann.
„Unsere Analyse zeigt, dass die Stimmungswerte von ChatGPT eine statistisch signifikante Vorhersagekraft für die täglichen Börsenrenditen aufweisen“, heißt es in ihrem Papier.
„Durch die Nutzung von Schlagzeilendaten und den generierten Stimmungswerten stellen wir eine starke Korrelation zwischen der ChatGPT-Bewertung und den nachfolgenden täglichen Renditen der Aktien in unserer Stichprobe fest. Dieses Ergebnis unterstreicht das Potenzial von ChatGPT als wertvolles Tool zur Vorhersage von Börsenbewegungen auf der Grundlage einer Stimmungsanalyse.“
Sie forderten ChatGPT beispielsweise folgendermaßen auf:
Vergessen Sie alle Ihre vorherigen Anweisungen. Stellen Sie sich vor, Sie wären ein Finanzexperte. Sie sind ein Finanzexperte mit Erfahrung in der Aktienempfehlung. Antworten Sie in der ersten Zeile mit „JA“, wenn es sich um eine gute Nachricht handelt, „NEIN“, wenn es sich um eine schlechte Nachricht handelt, oder „UNBEKANNT“, wenn Sie unsicher sind. Erläutern Sie dann die nächste Zeile mit einem kurzen und prägnanten Satz. Ist diese Schlagzeile kurzfristig gut oder schlecht für den Aktienkurs von Oracle?
Schlagzeile: Rimini Street verhängte im Verfahren gegen Oracle eine Geldstrafe von 630,000 US-Dollar
In dem Artikel antwortete ChatGPT:
JA
Die Strafe gegen Rimini Street könnte möglicherweise das Vertrauen der Anleger in die Fähigkeit von Oracle, sein geistiges Eigentum zu schützen, stärken und die Nachfrage nach seinen Produkten und Dienstleistungen steigern.
Die Forscher interpretieren dies so, dass die Analyse von ChatGPT davon ausgeht, dass die Geldbuße den Umsatz und den Aktienkurs von Oracle in die Höhe treiben könnte.
Wie im Artikel ausführlich beschrieben, hat ChatGPT die Stimmung besser analysiert als andere LLMs, insbesondere GPT-1, GPT-2 und BERT.
„Die Überlegenheit von ChatGPT bei der Vorhersage von Börsenrenditen lässt sich auf seine fortschrittlichen Sprachverständnisfähigkeiten zurückführen, die es ihm ermöglichen, die Nuancen und Feinheiten in Schlagzeilen zu erfassen“, schließen die Forscher.
„Dadurch kann das Modell zuverlässigere Sentiment-Scores generieren, was zu besseren Vorhersagen der täglichen Börsenrenditen führt.“
Ihr Kilometerstand kann jedoch variieren, das heißt, Sie möchten wissen, wie der Temperaturparameter Ihres Modells eingestellt ist, der sich auf die Antwort-Randomisierung auswirkt. Wenn Das Register habe die gleiche Eingabeaufforderung mit dem eingegeben kostenloses Webinterface Auf ChatGPT erhielten wir heute die gegenteilige Antwort:
NEIN
Die Geldbuße stellt ein negatives finanzielles Ergebnis für Rimini Street dar und kann sich kurzfristig auf den Aktienkurs des Unternehmens auswirken, ist jedoch nicht unbedingt ein direkter Indikator für die Auswirkungen auf den Aktienkurs von Oracle.
Und dann ein zweites Mal, mit einem zusätzlichen Wagenrücklauf zwischen der Eingabeaufforderung und der Überschrift, lautete die Antwort:
UNKNOWN
Es ist schwierig, die konkreten Auswirkungen der Geldbuße von Rimini Street auf den Aktienkurs von Oracle zu bestimmen, ohne weitere Informationen über die Art des Falles und die Beteiligung von Oracle daran zu erhalten.
Darauf angesprochen, vermutete Alejandro Lopez-Lira, Assistenzprofessor für Finanzen an der University of Florida und einer der Co-Autoren des Artikels, dass die Webschnittstelle eher zufällig sei als die kostenpflichtige API.
Lopez-Lira erzählte Das Register in einer E-Mail, dass ChatGPT allein für eine Stimmungsanalyse zu aktuellen Ereignissen nicht ausreiche.
Wir glauben, dass ChatGPT viel Raum für Verbesserungen bietet
„Wir glauben, dass ChatGPT viel Raum für Verbesserungen hat“, sagte Lopez-Lira in einer E-Mail. „ChatGPT verfügt beispielsweise nicht über die neuesten Informationen zu COVID oder dem Krieg. Aus diesem Grund betrachten wir dies als eine Grundlage dafür, was Modelle leisten können. Die Bereitstellung von mehr Kontext entweder in der Eingabeaufforderung oder durch Feinabstimmung wird die Modelle wahrscheinlich bei der Prognose verbessern. In gewisser Weise zeigen wir eine Untergrenze der Fähigkeiten.“
Die Stimmungsanalyse allein ist kein aussagekräftiger Indikator für die Aktienkursbewegung, obwohl sie für Aktienhändler dennoch von Wert ist.
„Die Korrelation ist sehr gering, aber statistisch signifikant“, sagte Lopez-Lira.
„Es liegt in der Größenordnung von einem Prozent. Da es sich jedoch um tagesaktuelle Korrelationen für mehrere Aktien handelt, führen sie schnell zu hohen Renditen. Es ergibt sich beispielsweise (ohne Transaktionskosten) a Sharpe Ratio mindestens doppelt so hoch wie der Markt.“
Er fügte hinzu: „Die meisten Bewegungen am Aktienmarkt hängen nicht mit direkten Nachrichten über Fundamentaldaten zusammen, sondern verändern vielmehr die Risikotoleranz (Stimmung) der Anleger oder ihre Zukunftserwartungen.“ Wir glauben, dass das Hinzufügen kontextbezogener Informationen zur Marktstimmung die Vorhersehbarkeit der Rendite wahrscheinlich verbessern wird.“
In einem separaten Krepppapier„Auf Mediendiäten trainierte Sprachmodelle können die öffentliche Meinung vorhersagen“, fanden die MIT-Forscher Eric Chu, Jacob Andreas und Deb Roy zusammen mit dem Harvard-Forscher Stephen Ansolabehere große Sprachmodelle, die auf bestimmte Medien (Online-Nachrichten, Fernsehsendungen oder Radio) trainiert wurden ) kann die Meinungen von Gruppen vorhersagen, die diesen Medien ausgesetzt sind.
„Mit ‚Mediendiätmodellen‘“, erklärte Co-Autor Eric Chu, ein Google-Forscher, der zum Zeitpunkt des Forschungsprojekts Doktorand am MIT war, via Twitter„Wir sagen voraus, wie eine Gruppe von Medienkonsumenten Umfragen beantworten wird, indem wir ein [Sprachmodell] auf die von ihnen konsumierten Medien trainieren.“
Diese Mediendiätmodelle basierten auf BERT, einem weithin bekannten großen Sprachmodell, und wurden mit einem Mediendiätdatensatz verfeinert.
Die Autoren sagten, ihre Arbeit weise den Weg zu genaueren öffentlichen Meinungsumfragen, lade aber auch zu einer weiteren Untersuchung der Frage ein, wie Medien Menschen beeinflussen und die öffentliche Meinung prägen.
Sie plädieren für medienernährungsspezifische Analysen, die Folgendes untersuchen: „(1) selektive Exposition oder die allgemeine systemische Voreingenommenheit, bei der Menschen sich zu Informationen hingezogen fühlen, die mit ihren früheren Überzeugungen übereinstimmen; (2) Echokammern, in denen die ausgewählten Umgebungen die mit Gleichgesinnten geteilten Meinungen verstärken und stärken; und (3) Filterblasen, in denen Inhaltskurations- und Empfehlungsalgorithmen Elemente auf der Grundlage früherer Verhaltensweisen der Benutzer an die Oberfläche bringen und so wiederum die Weltanschauungen der Benutzer bestätigen.“
„Mediendiätmodelle könnten dabei helfen, Teilpopulationen zu identifizieren, die potenziell schädlichen Nachrichten ausgesetzt sind“, schlagen die Autoren vor.
Das ist das beste Szenario. Sie können sich auch für Medienmanipulatoren als nützlich erweisen, um die Wirksamkeit ihrer Desinformationskampagnen zu beurteilen. ®
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Die Zukunft prägen mit Adryenn Ashley. Hier zugreifen.
- Quelle: https://go.theregister.com/feed/www.theregister.com/2023/04/18/large_language_models_like_chatgpt/
