هوش مصنوعی
CosmosAlpha جست‌وجوی عوامل آلفا را در بازارهای مالی چندهدفه می‌کند
پیش‌چاپی در arXiv روشی مبتنی بر گراف و اکتشاف هدایت‌شده با Pareto را برای یافتن عوامل پیش‌بینی‌کنندهٔ مالی با کمک مدل‌های زبانی بزرگ معرفی می‌کند.
پژوهشگران در پیش‌چاپی با عنوان «CosmosAlpha» رویکردی برای استخراج عوامل آلفای پیش‌بینی‌کننده از داده‌های مالی پرنویز پیشنهاد کرده‌اند. این رویکرد، ساخت و پالایش تکرارشوندهٔ فرمول‌های نمادین با کمک مدل‌های زبانی بزرگ (LLM) و بازخورد کمّی را دنبال می‌کند؛ فرمول‌هایی که، به‌گفتهٔ نویسندگان، تفسیرپذیرند.
چکیده می‌گوید روش‌های موجود عمدتاً عوامل را براساس مسیر تولیدشان در درخت جست‌وجو سازمان‌دهی می‌کنند و رابطه‌های ساختاری و آماری میان شاخه‌های مختلف را کمتر به‌کار می‌گیرند. در نتیجه، اطلاعات ممکن است در مسیر والد و فرزند محصور بماند و جست‌وجو به نواحی تکراری محدود شود. CosmosAlpha برای پاسخ به این مسئله، از جست‌وجوی چندرابطه‌ای مبتنی بر گراف و اکتشاف هدایت‌شده با Pareto بهره می‌گیرد. چکیدهٔ در دسترس همچنین اشاره می‌کند که کشف مؤثر عوامل باید چند هدف متمایز را در نظر بگیرد، اما جزئیات این اهداف در متن ارائه‌شده نیامده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده