Opening the Black Box of Financial AI with CLEAR-Trade: A CLass-Enhanced Attentive Response Approach for Explaining and Visualizing Deep Learning-Driven Stock Market Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Deep learning has been shown to outperform traditional machinelearning algorithms across a wide range of problem domains. However,current deep learning algorithms have been criticized as uninterpretable"black-boxes" which cannot explain their decision makingprocesses. This is a major shortcoming that prevents the widespreadapplication of deep learning to domains with regulatoryprocesses such as finance. As such, industries such as financehave to rely on traditional models like decision trees that are muchmore interpretable but less effective than deep learning for complexproblems. In this paper, we propose CLEAR-Trade, a novelfinancial AI visualization framework for deep learning-driven stockmarket prediction that mitigates the interpretability issue of deeplearning methods. In particular, CLEAR-Trade provides a effectiveway to visualize and explain decisions made by deep stock marketprediction models. We show the efficacy of CLEAR-Trade in enhancingthe interpretability of stock market prediction by conductingexperiments based on S&P 500 stock index prediction. The resultsdemonstrate that CLEAR-Trade can provide significant insightinto the decision-making process of deep learning-driven financialmodels, particularly for regulatory processes, thus improving theirpotential uptake in the financial industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle