神經網絡通過從復雜數據集中提取信息，超越了傳統預測方法（如線性回歸分析）的能力。它通過應用線性組合和非線性變換層，將初始輸入轉化為大量參數。由于神經網絡本質上是一種模型，意在通過一次校準處理所有預測任務；因此需要大量參數。神經網絡的一個關鍵限制是其不透明性。生成最終參數的各類變換過程幾乎無法明確地把觀測與結果聯系起來。此外，神經網絡無法對某個具體預測的可靠性提供前瞻性的指導。最后，神經網絡會受到已...
See Details我們的研究為可持續投資者將先進的自然語言處理（NLP）模型融入決策流程提供了一個框架。通過利用基于BERT和基于Transformer的模型，投資者可以系統性地分析實時新聞，識別與ESG相關的內容，并從這些內容中提取基于情感傾向的投資信號。尤其是，比如GPT、Llama和Mistral等基于Transformer的模型能夠對上下文情感和細微語言表達深入理解，從而更準確地進行ESG分類與評估。這些模...
See Details機器學習，尤其是深度學習，已經徹底變革了自然語言處理（NLP）、計算機視覺和生成模型等領域。在時間序列預測領域，機器學習與深度學習的統治力尚未顯現；關于它們是否比傳統方法乃至簡單方法更有效，學界仍存爭議。本文使用長達47年的日度數據，比較了計量經濟學/時間序列分析、經典機器學習和深度學習方法在美國國債收益率曲線數據上的預測表現。結果表明，ARIMA和樸素計量經濟學模型的表現優于其他模型，僅在一個時...
See Details