Fin-ALICE: Artificial Linguistic Intelligence Causal Econometrics
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
This study introduces Fin-ALICE (Artificial Linguistic Intelligence Causal Econometrics), a framework designed to forecast financial time series by integrating multiple analytical approaches including co-occurrence networks, supply chain analysis, and emotional sentiment analysis to provide a comprehensive understanding of market dynamics. In our co-occurrence analysis, we focus on companies that share the same emotion on the same day, using a much shorter horizon than our previous study of one month. This approach allows us to uncover short-term, emotion-driven correlations that traditional models might overlook. By analyzing these co-occurrence networks, Fin-ALICE identifies hidden connections between companies, sectors, and events. Supply chain analysis within Fin-ALICE will evaluate significant events in commodity-producing countries that impact their ability to supply key resources. This analysis captures the ripple effects of disruptions across industries and regions, offering a more nuanced prediction of market movements. Emotional sentiment analysis, powered by the Fin-Emotion library developed in our prior research, quantifies the emotional undertones in financial news through metrics like “emotion magnitude” and “emotion interaction”. These insights, when integrated with Temporal Convolutional Networks (TCNs), significantly enhance the accuracy of financial forecasts by capturing the emotional drivers of market sentiment. Key contributions of Fin-ALICE include its ability to perform month-by-month company correlation analysis, capturing short-term market fluctuations and seasonal patterns. We compare the performance of TCNs against advanced models such as LLMs and LSTMs, demonstrating that the Fin-ALICE model outperforms these models, particularly in sectors where emotional sentiment and supply chain dynamics are critical. Fin-ALICE provides decision-makers with predictive insights and a deeper understanding of the underlying emotional and supply chain factors that drive market behaviors.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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