研究人员开发了“时间点编码器”（Point-in-Time Encoders）来解决用于分析金融财报电话会议的AI模型中的前瞻性偏差问题。通过使用2010年至2024年每年截止日期训练不同的编码器版本，这些模型可以避免使用未来信息，从而提高从过往电话会议中检索答案的准确性。虽然这些专用编码器提高了检索准确性，但它们对预测股票回报的影响很小，尽管在预测收益意外方面有所改善。 AI
影响 这项研究提供了一种通过减轻前瞻性偏差来提高分析金融数据的AI模型准确性的方法，有望从财报电话会议中获得更可靠的见解。
排序理由 该集群包含一篇详细介绍AI模型新方法的学术论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2611.14325v1 Announce Type: new Abstract: Text encoders turn earnings calls into vectors for search, for language models that answer from retrieved passages, and for forecasting models. A live retriever can use an encoder trained once on all available text, as finance retri…
Text encoders turn earnings calls into vectors for search, for language models that answer from retrieved passages, and for forecasting models. A live retriever can use an encoder trained once on all available text, as finance retrievers are, but a backtest needs an encoder that …