PulseAugur
中
实时 10:29:32
English(EN) LabelFusion-TS: Fusing Large Language Models, Transformer Encoders, and Financial Time Series for Monetary-Policy Stance Classification

新系统融合LLM和金融数据以对美联储政策立场进行分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为LabelFusion-TS的新系统，该系统集成了大型语言模型（LLMs）、Transformer编码器和金融时间序列数据，以对美联储沟通中的货币政策立场进行分类。该方法旨在通过纳入文本以外的市场背景来提高分类准确性。该系统表现出卓越的性能，达到了70.2%的加权F1分数，在标记数据有限的情况下，显著优于零样本LLM。 AI

影响 这项研究表明，纳入金融时间序列数据可以显著提高LLM在货币政策分析等专业领域的文本分类准确性。

排序理由 该集群包含一篇学术论文，详细介绍了使用LLM和金融数据进行文本分类的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新系统融合LLM和金融数据以对美联储政策立场进行分类

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Michael Schlee, Fabian Lukassen, Christoph Weisser ·

    LabelFusion-TS：融合大型语言模型、Transformer编码器和金融时间序列以进行货币政策立场分类

    arXiv:2608.11753v1 Announce Type: new Abstract: Financial text is produced and interpreted within a market environment, yet financial text classifiers almost always receive text alone. We study whether financial time series are useful as an additional input on the task of classif…

相关实体

相关话题