现实世界中的人往往对未来回报有模糊的了解,对此量化是不可行的或可取的。 我们认为,语言具有不同的传达模糊信息的能力,在主观期望中起着重要但鲜为人知的角色。 从经验上讲,我们发现在他们的报告中,分析师在语言表达中包括有用的信息,而不是数字预测。 具体而言,分析师报告的文本语调具有预测误差和随后数字预测修订的预测能力,当分析师的语言模糊时,当不确定性更高时,当分析师更忙时,这种关系变得更加牢固。 总的来说,我们的理论和证据表明,一些有用的信息是模糊的,只能通过语言传达。
金融任务对全球经济稳定至关重要;然而,它们的执行面临着包括劳动密集型流程、低错误容忍度、数据碎片化和工具限制等挑战。 尽管大型语言模型(LLM)在各种自然语言处理任务中取得了成功,并且通过推理和上下文理解在自动化工作流程方面显示出潜力,但目前在财务中评估LLM的基准缺乏足够的特定领域数据,具有简单化的任务设计和不完整的评估框架。 为了解决这些差距,本文介绍了FinMaster,这是一个全面的财务基准,旨在系统地评估LLM在金融知识,会计,审计和咨询方面的能力。 具体来说,FinMaster由三个主要模块组成:i)FinSim,它构建模拟器,为公司复制市场动态生成合成的,符合隐私的金融数据;ii)FinSuite,它提供核心金融领域的任务,跨越183个各种类型的任务和难度级别;和iii)FinEval,开发统一的评估界面。 对最先进的LLM进行了广泛的实验揭示了财务推理中的关键能力差距,从90多个基本任务下降到仅40个这种退化显示了计算错误的传播,其中单指标计算最初展示了58 37个第一个基准,涵盖了具有挑战性任务的全管道财务工作流程。 我们希望FinMaster能够弥合研究和行业从业者之间的差距,推动LLM在现实金融实践中的采用,以提高效率和准确性。
现实世界中的人往往对未来回报有模糊的了解,对此量化是不可行的或可取的。 我们认为,语言具有不同的传达模糊信息的能力,在主观期望中起着重要但鲜为人知的角色。 从经验上讲,我们发现在他们的报告中,分析师在语言表达中包括有用的信息,而不是数字预测。 具体而言,分析师报告的文本语调具有预测误差和随后数字预测修订的预测能力,当分析师的语言模糊时,当不确定性更高时,当分析师更忙时,这种关系变得更加牢固。 总的来说,我们的理论和证据表明,一些有用的信息是模糊的,只能通过语言传达。
总价值锁定(TVL)旨在衡量存入去中心化金融(DeFi)协议中的加密资产的总价值。 虽然区块链数据是公开的,但TVL的计算方式并不很好理解。 在实践中,它在主要TVL聚合器上的计算依赖于社区成员的自我报告,并且缺乏标准化,因此很难独立核实已公布的数字。 因此,我们对部署在以太坊中的939个DeFi项目进行了系统研究。 我们研究用于计算TVL的方法,研究阻碍可验证性的因素,并最终提出该领域的标准化尝试。 我们发现有10.5台服务器;存在68种替代标准平衡查询的方法,尽管它们的使用随着时间的推移而减少;在多个协议上重复240个等量平衡查询。 这些发现表明了可验证性和透明度的限制。 因此,我们引入了“可验证的总价值锁定”(vTVL),这是一种衡量TVL的指标,可以仅依靠链上数据和标准平衡查询进行验证。 关于400个协议的案例研究表明,我们的估计与46.5这些发现的已公布数字一致,我们讨论了设计指南,以促进更可验证,标准化和可解释的TVL计算。
本文调查了最近一波企业比特币(BTC)国库策略背景下加密货币与股票市场之间不断发展的联系。 我们收集了39家持有BTC的上市公司的数据集,从第一次收购到2025年4月。 使用每日对数回报,我们首先通过Pearson相关性和单因子模型回归记录显着的正相关运动,发现平均BTC beta为0.62,并隔离了12家公司,包括Strategy(前身为MicroStrategy,MSTR),表现出超过1的beta。 然后,我们将公司分为三组,反映他们对BTC,流动性和回报共同运动的风险敞口。 我们使用传输熵(TE)来捕捉信息流随着时间的推移的方向。 转移熵分析一直将BTC确定为主导信息驱动因素,在重大金融事件期间,股票对BTC进行了简短的公告驱动反馈。 我们的研究结果强调了对动态对冲比率的迫切需要,以适应不断变化的信息流。 这些发现为投资者和经理提供了在数字资产日益融入企业国债的时期风险管理和投资组合多元化的重要见解。
金融任务对全球经济稳定至关重要;然而,它们的执行面临着包括劳动密集型流程、低错误容忍度、数据碎片化和工具限制等挑战。 尽管大型语言模型(LLM)在各种自然语言处理任务中取得了成功,并且通过推理和上下文理解在自动化工作流程方面显示出潜力,但目前在财务中评估LLM的基准缺乏足够的特定领域数据,具有简单化的任务设计和不完整的评估框架。 为了解决这些差距,本文介绍了FinMaster,这是一个全面的财务基准,旨在系统地评估LLM在金融知识,会计,审计和咨询方面的能力。 具体来说,FinMaster由三个主要模块组成:i)FinSim,它构建模拟器,为公司复制市场动态生成合成的,符合隐私的金融数据;ii)FinSuite,它提供核心金融领域的任务,跨越183个各种类型的任务和难度级别;和iii)FinEval,开发统一的评估界面。 对最先进的LLM进行了广泛的实验揭示了财务推理中的关键能力差距,从90多个基本任务下降到仅40个这种退化显示了计算错误的传播,其中单指标计算最初展示了58 37个第一个基准,涵盖了具有挑战性任务的全管道财务工作流程。 我们希望FinMaster能够弥合研究和行业从业者之间的差距,推动LLM在现实金融实践中的采用,以提高效率和准确性。
在这项研究中,我们专注于联邦环境中的财务数据分析,其中数据分布在多个客户或位置,原始数据永远不会离开本地设备。 我们的主要关注不仅在联邦学习领域开发高效的学习框架(用于保护用户数据隐私),而且还关注设计更容易解释的模型的重要性。 此外,我们关心框架对异常值的稳健性。 为了实现这些目标,我们提出了一个强大的基于联邦逻辑回归的框架,努力在这些目标之间取得平衡。 为了验证我们拟议框架的可行性,我们不仅仔细评估其性能,而且还在非IID数据上,特别是在涉及异常值的场景中。 从多个公共数据集中收集的大量数值结果表明,我们提出的方法可以在二进制和多类分类任务中实现与经典集中算法(如Logistical Regression,Decation Tree和K-Nearest Neighbors)的可比性能。
No more items to load.