Design of Cloud Collective Financial Robot Based on Artificial Intelligence Technology
Notice bibliographique
Résumé
In this paper, we design a cloud-integrated financial robot based on artificial intelligence technology to provide advanced financial analysis and decision support for financial institutions.The robot platform is embedded with a large amount of financial domain knowledge and data, which can provide uninterrupted financial services to customers using a dialog engine.At the same time, it is equipped with the attention mechanism -long and short-term memory neural network model, in investment transactions and credit risk prediction, which can bring a new digital intelligence experience for financial institutions.The standard and similar sentence recognition accuracy of the article robot dialog engine can be stabilized at more than 90%, and the average access time of the user's access request is about 0.15s.The importance distribution of financial credit risk indicator features is 5~24, and when the number of features takes the value of 10, the risk prediction accuracy of the robot in this article is the highest, 97.98%.When the prediction model is trained to 50~70 epochs, the Loss value of the financial robot converges to 0.15~0.17.The accuracy of the model chosen in this paper for risk prediction as well as stock prediction is 95.35 and 96.2% respectively.And the absolute difference between the predicted stock price and the true value of the model in this paper is 0~0.28 yuan.Combined with DMI strategy for stock trading, the return is 30.7%.The financial robot improves the user experience and increases the value of risk control as well as stock prediction for financial institutions.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».