ترجمه فارسی مقاله استفاده از گزارش‌های سود برای پیش‌بینی‌های سهام: یک رویکرد LLM بهبود یافته با QLoRA

چکیده

Accurate stock market predictions following earnings reports are crucial for investors. Traditional methods, particularly classical machine learning models, struggle with these predictions because they cannot effectively process and interpret extensive textual data contained in earnings reports and often overlook nuances that influence market movements. This paper introduces an advanced approach by employing Large Language Models (LLMs) instruction fine-tuned with a novel combination of instruction-based techniques and quantized low-rank adaptation (QLoRA) compression. Our methodology integrates ‘base factors’, such as financial metric growth and earnings transcripts, with ‘external factors’, including recent market indices performances and analyst grades, to create a rich, supervised dataset. This comprehensive dataset enables our models to achieve superior predictive performance in terms of accuracy, weighted F1, and Matthews correlation coefficient (MCC), especially evident in the comparison with benchmarks such as GPT-4. We specifically highlight the efficacy of the llama-3-8b-Instruct-4bit model, which showcases significant improvements over baseline models. The paper also discusses the potential of expanding the output capabilities to include a ‘Hold’ option and extending the prediction horizon, aiming to accommodate various investment styles and time frames. This study not only demonstrates the power of integrating cutting-edge AI with fine-tuned financial data but also paves the way for future research in enhancing AI-driven financial analysis tools.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق بازار سهام پس از گزارش های درآمد برای سرمایه گذاران بسیار مهم است.روشهای سنتی ، به ویژه مدل های یادگیری ماشین کلاسیک ، با این پیش بینی ها مبارزه می کنند زیرا آنها نمی توانند به طور مؤثر پردازش و تفسیر داده های متنی گسترده موجود در گزارش های درآمد و اغلب از ظرافت هایی که بر حرکات بازار تأثیر می گذارد ، تفسیر کنند.این مقاله با استفاده از دستورالعمل های بزرگ زبان (LLMS) با استفاده از ترکیب جدید از تکنیک های مبتنی بر دستورالعمل و فشرده سازی سازگاری کم درجه (QLORA) ، یک رویکرد پیشرفته را ارائه می دهد.روش شناسی ما “عوامل پایه” ، مانند رشد متریک مالی و رونوشت های درآمد ، با “عوامل خارجی” ، از جمله عملکردهای اخیر در بازار و نمرات تحلیلگر ، برای ایجاد یک مجموعه داده غنی و تحت نظارت ادغام می کند.این مجموعه داده جامع مدل های ما را قادر می سازد از نظر دقت ، وزنی F1 و ضریب همبستگی متیوز (MCC) به عملکرد پیش بینی برتر برسند ، به ویژه در مقایسه با معیارهایی مانند GPT-4.ما به طور خاص اثربخشی مدل Llama-3-8B-Instruct-4Bit را برجسته می کنیم ، که نشان دهنده پیشرفت های قابل توجهی نسبت به مدل های پایه است.این مقاله همچنین در مورد پتانسیل گسترش قابلیت های خروجی برای شامل گزینه “نگه داشتن” و گسترش افق پیش بینی ، با هدف قرار دادن سبک های مختلف سرمایه گذاری و فریم های زمانی بحث شده است.این مطالعه نه تنها قدرت ادغام هوش مصنوعی برش را با داده های مالی تنظیم شده خوب نشان می دهد بلکه راه را برای تحقیقات آینده در تقویت ابزارهای تجزیه و تحلیل مالی محور AI هموار می کند.