Temporal Relational Reasoning of Large Language Models for Detecting Stock Portfolio Crashes
Kelvin J.L. Koa, Yunshan Ma, Yi Xu, Ritchie Ng, Huanhuan Zheng, Tat-Seng Chua
股票投资组合经常暴露于罕见的后果事件(例如,2007年全球金融危机,2020年COVID-19股市崩盘),因为它们没有足够的历史信息来学习。 大型语言模型(LLM)现在提供了解决这个问题的可能工具,因为它们可以在其大型训练数据语料库中进行概括,并在新事件上执行零镜头推理,使他们能够检测可能的投资组合崩溃事件,而无需特定的训练数据。 然而,检测投资组合崩溃是一个复杂的问题,需要的不仅仅是推理能力。 投资者需要动态地处理新闻文章中发现的每个新信息的影响,分析不同事件和投资组合股票的影响关系网络,以及了解跨时间步骤的影响之间的时间背景,以获得对目标投资组合的汇总影响。 在这项工作中,我们提出了一个名为时间关系推理(TRR)的算法框架。 它试图模仿用于复杂解决问题的人类认知能力的光谱,包括头脑风暴,记忆,注意力和推理。 通过广泛的实验,我们表明TRR能够超越检测股票投资组合崩溃的最先进的技术,并演示每个拟议组件如何通过消融研究帮助其性能。 此外,我们进一步探索了TRR的可能应用,将其扩展到其他相关复杂问题,例如检测宏观经济学中可能发生的全球危机事件。
Stock portfolios are often exposed to rare consequential events (e.g., 2007 global financial crisis, 2020 COVID-19 stock market crash), as they do not have enough historical information to learn from. Large Language Models (LLMs) now present a possible tool to tackle this problem, as they can generalize across their large corpus of training data and perform zero-shot reasoning on new events, allowing them to detect possible portfolio crash events without requiring specific training data. However...
