Автоматически генерируйте фундаментальный анализ акций на основе простых входных данных на естественном языке, используя самую продвинутую языковую модель в мире.
Предварительные требования
Я собрал точки в виде статей. Просмотрите следующие статьи в том же порядке, чтобы соединить точки и понять ключевой технологический стек, лежащий в основе AI-Stock Researcher - приложения на базе GPT-3. :
- FastAPI - отличный способ выйти за рамки Flask!
- Streamlit - революция в создании приложений для обработки данных
- Краткое введение в GPT-3
Фундаментальный анализ запасов
Фундаментальный анализ пытается оценить внутреннюю стоимость акций, рассматривая широкий спектр факторов экономики в целом, связанных с производительностью отрасли и финансовыми факторами компании, такими как прибыль, маржа прибыли, активы и обязательства. История движения цены и ее объемы для фундаментальных аналитиков не имеют большого значения.
Основной принцип, лежащий в основе разработки всех видов анализа акций, состоит в том, чтобы определить, правильно ли оценивается ценная бумага на более широком рынке. Фундаментальный анализ обычно проводится от макро до микро точки зрения, имея в виду очень фундаментальные ценности, на которых построена компания, для определения долгосрочных возможностей и прибылей.
Конечная цель любого фундаментального анализа акций состоит в том, чтобы прийти к заключению с четко сформулированными ключевыми моментами, указывающими на разрыв между «истинной стоимостью компании» и восприятием «ее стоимости» инвесторами. Это поможет потенциальным инвесторам определить, недооценена или переоценена ценная бумага с точки зрения основных показателей.
Почему GPT-3 - хороший кандидат?
Фундаментальный анализ публичных компаний, которые совершают миллионы и миллионы транзакций через фондовые биржи, - действительно сложная задача, это не структурированное количество шагов, которые необходимо предпринять для проведения окончательного исследования. Каждая компания уникальна с точки зрения своих фундаментальных ценностей и культуры, каждая намечает свою миссию и видение, и старайтесь их придерживаться.
Теперь, согласно очень популярной Гипотезе эффективного рынка (EHA), рыночная стоимость любой компании в данный момент времени отражает всю информацию, имеющуюся во вселенной. Если это так, то и индивидуальные, и институциональные инвесторы не смогут последовательно генерировать альфа (α).
Как все эти точки связаны с GPT-3?
Финансовые рынки никогда не было легко анализировать, всегда есть элемент неожиданности, которого вы не можете предвидеть. В течение многих лет проводится множество исследований в области искусственного интеллекта и машинного обучения для прогнозирования рыночных движений. Но на сегодняшний день у нас нет какой-либо сложной технологии для анализа и прогнозирования рыночного будущего из-за огромного количества задействованных атрибутов и их соответствующей неоднородности. Все, что угодно, от финансовых показателей компании, рыночных показателей, имиджа бренда до небольшой утечки новостей, может привести к резкому изменению стоимости компании в восприятии рынка.
«Чтобы понять обман рынка, обратитесь к основам». → Фундаментальный анализ запасов
Традиционные алгоритмы машинного обучения и глубокого обучения оказались неэффективными для этой задачи из-за множества неожиданных данных, которые могут повлиять на результаты. Знание традиционных моделей машинного обучения ограничено корпусом обучения, все, что выходит за рамки этого, будет рассматриваться как выбросы и серьезно снизит производительность модели.
С другой стороны, GPT-3 обучается во вселенной данных, называемой → «Интернет», с большой тенденцией точно вспоминать закономерности в данных (благодаря более чем 175 миллиардам параметров). Каким бы ни был источник и тип данных, GPT-3 как языковая модель хорошо адаптирована к этому уровню обобщения, чтобы давать почти точные результаты из-за его эксцентричной и уникальной подготовки.
Пошаговое руководство по приложению
Теперь я шаг за шагом проведу вас через приложение AI-Stock Researcher:
При создании любого приложения GPT-3 в первую очередь следует учитывать дизайн и содержание обучающей подсказки. Быстрый дизайн - наиболее важный процесс при подготовке модели GPT-3 к положительному и контекстному отклику.
Как правило, при разработке обучающей подсказки вы должны стремиться к нулевому отклику от модели, если это невозможно, приведите несколько примеров, а не предоставьте ей весь корпус. Стандартный алгоритм оформления подсказок для обучения должен выглядеть так: Zero Shot → Few Shots → Corpus based Priming.
Чтобы спроектировать подсказку для приложения AI-Stock Researchers, я использовал следующую структуру подсказки:
- Описание: начальное описание контекста того, что предполагается делать исследователю акций, добавив пару строк о его функциях.
- Ввод (название компании): этот компонент включает название компании, которое будет введено пользователем. Это помогает GPT-3 настроить контекст для получения нужной информации.
- Вывод: этот компонент включает отчет фундаментального анализа, соответствующий названию компании, предоставленный в качестве входных данных для модели GPT-3.
I / p → Название компании; O / p → Отчет по фундаментальному анализу
Давайте посмотрим на пример в действии, чтобы по-настоящему понять силу GPT-3 в качестве интеллектуального фундаментального исследователя акций. В приведенном ниже примере мы сгенерируем фундаментальный анализ акций, предоставив нашему AI Stock Researcher только название компании.
Заключение
GPT-3 разработан с учетом как технической, так и нетехнической аудитории, он не требует сложной тонкой настройки градиента или обновлений, а дизайн интерфейса простой и интуитивно понятный, который может легко использоваться любым, у кого мало к без предпосылок. Он очень гибкий с точки зрения выполнения ряда задач НЛП, предоставляя вам возможность просто делать все, что вы можете себе представить, с помощью естественного языка. Эта уникальная характеристика GPT-3 отличает его от других моделей НЛП. Многие стартапы и предприятия по всему миру экспериментируют с GPT-3, чтобы создать новое поколение продуктов для удовлетворения потребностей аудитории 21 века.
использованная литература
- Https://en.wikipedia.org/wiki/GPT-3
- Https://openai.com/blog/openai-api
- Https://ir.lib.uwo.ca/cgi/viewcontent.cgi?article=8423&context=etd
- Https://upcommons.upc.edu/bitstream/handle/2117/133070/138115.pdf
Если вы хотите узнать больше или хотите, чтобы я написал больше по этой теме, не стесняйтесь обращаться к нам.
Мои социальные ссылки: LinkedIn | Твиттер | Github
Если вам понравился этот пост или он оказался полезным, пожалуйста, нажмите кнопку хлопка на минутку, это повысит видимость публикации для других пользователей среднего уровня.