大数据 http://lists.repec.org/mailman/listinfo/nep-big 大数据 2024-05-13 使用大型语言模型进行情绪交易 http://d.repec.org/n？u=repec:ehl:lserod:122592&r=big 我们分析了大型语言模型（LLM）OPT、BERT和FinBERT以及传统的Loughran-McDonald字典在2010年至2023年965375篇美国金融新闻文章的情绪分析中的表现。我们的研究结果表明，基于GPT-3的OPT模型显著优于其他模型，预测股市收益的准确率为74.4%。基于OPT的长短期策略占交易成本的10个基点（bps），夏普比率异常高达3.05。从2021年8月至2023年7月，该策略产生了355%的可观收益，优于其他策略和传统市场投资组合。这突出了LLM在金融市场预测和投资组合管理方面的变革潜力，以及利用复杂的语言模型根据新闻情绪制定有效投资策略的必要性。 基塔克、凯末尔 吉多·杰马诺 人工智能投资策略；发电预处理变压器（GPT）；大型语言模型；股票收益预测中的机器学习；自然语言处理 2024-04-01 为了它的价值：在大数据和机器学习时代测量土地价值 http://d.repec.org/n？u=repec:bea:papers:0115&r=big 本文开发了一种新的土地估价方法，土地是国家资产负债表上的关键资产。该方法首先使用非监督机器学习方法kmeans聚类来离散未观察到的异质性，然后将其与监督学习算法梯度增强树（GBT）相结合，以获得房地产价格预测和土地成分估计。我们从一个大型国家数据集获得的初步结果表明，在样本外价格预测方面，这种方法通常优于特征回归方法（例如，英国国家统计局使用的方法）。为了充分利用这两种方法的优点，我们进一步探索了一种使用模型叠加的复合方法，发现它在样本外测试和针对附近空置土地销售的基准测试中优于所有方法。在应用程序中，我们评估了2006-2015年整个美国毗连地区的住宅、商业、工业和农业用地。研究结果为估价提供了新的见解，并证明了统一方法如何根据详细的小规模数据建立国家和地方土地价值估算。我们将更广泛地讨论经济政策和房地产估价文献的进一步应用。 斯科特·温特兰 加里·康沃尔 杰里米·莫尔顿 2023-06年 QFNN-FFD：用于金融欺诈检测的量子联合神经网络 http://d.repec.org/n？u=repec:arx:papers:2404.02595&r=big 本研究引入了用于金融欺诈检测的量子联合神经网络（QFNN-FFD），这是一个融合量子机器学习（QML）和量子计算与联合学习（FL）的前沿框架，用于创新金融欺诈检测。利用量子技术的计算能力和FL的数据隐私，QFNN-FFD提供了一种安全、高效的识别欺诈交易的方法。在分布式客户端上实现双阶段培训模型在性能上超过了现有方法。QFNN-FFD显著改进了欺诈检测并确保了数据机密性，标志着金融科技解决方案的重大进步，并为以隐私为中心的欺诈检测建立了新标准。 努瓦伊拉·伊南 阿尔贝托·马尔基西奥 穆罕默德·沙菲克 穆罕默德·本奈 2024-04 利用卫星数据改善东加勒比地区的社会援助目标 http://d.repec.org/n？u=repec:imf：imfwpa:2024/084&r=大 优先考虑最需要社会援助的人口是一项重要的政策决定。在东加勒比地区，社会援助目标受到数据有限以及在发生大规模经济和自然灾害冲击时需要快速支持的限制。我们利用机器学习和卫星图像处理的最新进展，针对这些限制提出了一种可实施的策略。我们表明，可以使用卫星数据高精度地预测东加勒比地区的当地福祉，并且可以通过减少聚合偏差、更好地跨地区分配资源以及代理难以验证的信息来改进目标定位。 索菲亚陈 松浦龙一 弗拉维恩·莫罗 Joana Pereira女士 社会援助目标；卫星数据；机器学习；东加勒比；小岛屿发展中国家。 2024-04-05 Stopi旅游需求预测的神经网络模型{c} 一个洞穴：塞尔维亚洞穴旅游研究 http://d.repec.org/n？u=repec:arx:papers:2404.04974&r=big 为Stopi中的访问次数建模{c} 一个cave（塞尔维亚）考虑了经典的自回归综合移动平均（ARIMA）模型、机器学习（ML）方法支持向量回归（SVR）以及结合经典和ML概念的混合NeuralPropeth方法。NeuralPropeth得到了最准确的预测，其中包括时间序列的季节成分和增长趋势。此外，利用浅层神经网络（NN）对非线性进行建模，并将谷歌趋势作为外生变量进行合并。旅游需求建模对于管理结构和决策者来说非常重要，因为它适用于在洞穴等环境脆弱目的地制定可持续旅游利用战略。这些数据提供了对Stopi旅游需求的见解{c} 一个洞穴和初步数据，用于解决塞尔维亚游客最多的洞穴内的承载能力问题。 布达巴吉 Sr{\dj}an Mili‘cevi’ Aleksandar Anti-'c 斯洛博丹·马尔科维 内曼尼娅·托米 2024-04 基于机器学习的相似性度量从专利数据预测并购 http://d.repec.org/n？u=repec:arx:papers:2404.07179&r=big 定义和最终确定并购需要复杂的人力技能，这使得很难自动找到最佳合作伙伴或预测哪些公司会达成交易。在这项工作中，我们提出了MASS算法，这是一种专门设计的衡量公司之间相似性的方法，我们将其应用于专利活动数据，以预测并购交易。MASS基于对基于树的机器学习算法的极端简化，自然包含交易的直观标准；因此，它是完全可解释和可解释的。通过将MASS应用于Zephyr和Crunchbase数据集，我们表明其性能优于LightGCN（一种“黑盒”图卷积网络算法）。相反，当类似的公司有脱节的专利活动时，LightGCN被证明是最有效的算法。本研究提供了一个简单而强大的工具来建模和预测并购交易，为管理者和从业者提供了有价值的见解，以进行明智的决策。 贾姆巴蒂斯塔·阿尔博拉 马蒂奥·斯特拉卡莫尔 安德烈亚·扎卡里亚 2024-04 RiskLabs：基于多源数据的大型语言模型预测金融风险 http://d.repec.org/n？u=repec:arx:papers:2404.07452&r=big 人工智能（AI）技术，特别是大型语言模型（LLM）在金融领域的集成越来越受到学术界的关注。尽管取得了进展，但现有研究主要集中在财务文本摘要、问题回答（Q$\&$A）和股票走势预测（二进制分类）等任务上，在应用LLM进行财务风险预测方面存在显著差距。为了弥补这一差距，在本文中，我们引入了\textbf{RiskLabs}，这是一个利用LLM分析和预测金融风险的新框架。RiskLabs独特地结合了不同类型的财务数据，包括来自收益电话会议（ECC）的文本和语音信息、市场相关的时间序列数据以及与ECC发布日期相关的上下文新闻数据。我们的方法涉及一个多阶段的过程：首先使用LLM提取和分析ECC数据，然后在ECC日期之前收集和处理时间序列数据，以建模和了解不同时间段的风险。RiskLabs使用多模态融合技术，将这些不同的数据特征融合在一起，用于综合多任务财务风险预测。实证实验结果证明了RiskLab在预测金融市场波动性和方差方面的有效性。通过对比实验，我们展示了不同的数据源如何有助于财务风险评估，并讨论了LLM在这方面的关键作用。我们的研究结果不仅有助于人工智能在金融中的应用，而且为LLM在金融风险评估中的应用开辟了新的途径。 曹玉鹏 Zhi Chen先生 裴青云 法布里齐奥·迪米诺 洛伦佐·奥塞罗 普拉桑特·库马尔 K.P.Subbalakshmi公司 爸爸莫马尔·恩迪亚耶 2024-04 新兴经济体金融市场预警系统 http://d.repec.org/n？u=repec:arx:papers:2404.03319&r=big 我们开发并应用了一个新的在线预警系统（EWS），用于机器学习中的概念漂移、经济学中的政权转移和统计学中的变化点。该系统超越了许多传统方法中假设的线性，对数据中的重尾和尾依赖性具有鲁棒性，因此特别适合于新兴市场。关键组件是针对数据的条件熵而非特定感兴趣指标的有效变化点检测机制。结合高维随机森林机器学习方法的最新进展，当传统方法失败时，该机制能够发现相互依赖的时间序列之间信息传输的显著变化。我们通过模拟来探究何时会发生这种情况，并通过将该方法应用于乌兹别克斯坦的商品和股票市场以及2021-2023年的俄罗斯股票市场来提供示例。 阿特姆·克拉夫斯基 阿特姆·普罗霍罗夫 叶夫根尼·索科洛夫斯基 2024-04 银行财务报表的预发布修订：监控银行的新方法？ http://d.repec.org/n？u=repec:bis:biswps:1177&r=big 我们调查银行财务报表的预发布修订是否包含有关银行风险的前瞻性信息。通过对巴西所有银行2007-2019年期间740万份月度财务报告的观察，我们发现78%的修订发生在这些报表发布之前。报告截止日期的频率、缺失和修订的严重程度与未来银行风险呈正相关。使用机器学习技术，我们提供了修正影响银行风险的机制的证据。我们的研究结果表明，关于出版前修订的私人信息对监管机构监控银行很有用。 安德烈·盖特勒 马维什·纳伊姆 拉尔斯·诺登 伯纳德·F·纳扎尔·范·杜尼克 银行、银行绩效、监管报告质量、监管监督、机器学习 2024-03 基于人工智能的美国与国际市场公共财政变化分析 http://d.repec.org/n？u=repec:arx:papers:2403.18823&r=big 公共财政是经济治理的基本机制之一，指政府实体通过资产为公共服务、项目和运营提供资金的财务活动和决策。在当今全球化的背景下，即使一国公共债务格局发生细微变化，也会对国际金融格局产生重大影响，这就需要对国际市场和国内市场之间的相关性进行细致的了解，以帮助投资者做出明智的投资决策。因此，本研究利用人工智能的能力，利用神经网络刻画美国与国际公共财政的相关性，并根据美国公共财政的变化预测国际公共财政变化。神经网络模型的均方误差（MSE）值为2.79，值得称道，它能够确认明显的相关性，并绘制美国市场波动对国际市场的影响。为了进一步测试模型的准确性和重要性，进行了一项经济分析，旨在将模型结果所看到的变化与历史股市变化相关联。该模型显示了投资者根据美国市场的信号预测国际公共财政变化的巨大潜力，标志着在理解全球公共财政的复杂性以及人工智能在解码其多层面模式以进行实际预测方面的作用方面迈出了重大一步。 卡皮尔熊猫 2023-12 一种基于后向微分深度学习的高维非线性后向随机微分方程求解算法 http://d.repec.org/n？u=repec:arx:papers:2404.08456&r=big 在这项工作中，我们提出了一种新的基于反向微分深度学习的算法来求解高维非线性反向随机微分方程（BSDEs），其中深度神经网络（DNN）模型不仅要训练输入和标签，还要训练相应标签的差分。这是因为微分深度学习可以提供标签及其相对于输入的导数的有效近似。使用Malliavin演算将BSDE重新表述为微分深度学习问题。一个BSDE溶液的Malliavin衍生物满足另一个BSED，从而形成BSDE系统。这种公式需要估计解、其梯度和由三个过程$\左（Y，Z，Gamma\右）表示的Hessian矩阵。$该系统中的所有积分均采用欧拉-马鲁亚马方法进行离散。随后，使用DNN来近似这些未知过程的三重。通过最小化微分学习型损失函数，DNN参数在每个时间步进行反向优化，该损失函数定义为离散化BSDE系统动力学的加权和，第一项提供过程$Y$的动力学，另一项提供进程$Z$的动力学。通过误差分析证明了该算法的收敛性。提供了高达$50$维的各种数值实验来证明其高效性。理论和数值结果都表明，与其他当代基于深度学习的方法相比，我们提出的方案更有效，尤其是在计算过程$\Gamma$方面。 洛伦斯·卡普拉尼 龙腾 2024-04 从预测算法到异常的自动生成 http://d.repec.org/n？u=repec:arx:papers:2404.10111&r=big 机器学习算法可以发现研究人员没有注意到的预测信号；但众所周知，它们很难解释。我们如何从这些黑匣子中提取理论见解？历史提供了线索。面对一个类似的问题——如何从直觉中提取理论见解——研究人员经常转向“异常”：构建的例子，突出现有理论的缺陷，并推动新理论的发展。典型的例子包括Allais悖论和预期效用理论的Kahneman-Tversky选择实验。我们建议异常可以从黑盒预测算法中提取理论见解。当给定预测算法时，我们开发程序自动生成现有理论的异常。我们将异常生成视为理论和证伪者之间的对抗性游戏，其解决方案是异常：黑箱算法预测的实例——如果我们收集数据——我们可能会观察到违反理论的情况。作为一个例子，我们使用一个关于实际彩票选择的大型公开数据集，为预期效用理论生成了异常。基于预测彩票选择的估计神经网络，我们的程序恢复已知异常并为预期效用理论发现新的异常。在激励性实验中，受试者在这些算法产生的异常上违反了预期效用理论；此外，违反率与Allais悖论和公共比率效应的观察率相似。 穆莱纳桑 阿什什·兰巴坎 2024-04 从文艺复兴时期的商业信函中量化贸易 http://d.repec.org/n？u=repec:hes:wpaper:0258&r=big 欧洲公司之间的中世纪和早期商业通信构成了经济、商业和贸易信息的丰富来源，因为写信是商人订购和组织货物运输以及进行财务操作的工具。虽然对此类材料的综合分析使学者能够重新构建各种商品的供应链和销售，并确定欧洲的贸易网络，但许多档案来源尚未进行任何系统和定量分析。在本文中，我们开发了一种新的整体和定量方法，用于分析文艺复兴时期一家主要商业银行（佛罗伦萨的Saminiati&Guasconi公司）在其业务开展的头几年中的全部对外通信和迄今尚未开发的通信。信件数字化后，我们在Transkribus平台上使用基于AI的HTR模型，并对HTR模型的输出进行自动文本分析。对于每封信（6376封信），这将导致识别收件人（446名商人）、他们的居住地（65个城镇）和交易货物（27种主要货物）。可以说，所开发的方法为中世纪和现代早期商业信件的定量处理以及将衍生的历史文本用作数据提供了最佳实践方法。 法比奥·加蒂 HTR、机器学习、文本分析、商业信函 2024-04 意大利各地区的文化和创意就业 http://d.repec.org/n？u=repec:pra:mprapa:120603&r=big 在下文中，我利用ISTAT-BES数据分析了2004年至2022年间意大利地区文化创意就业的趋势。在介绍了静态分析之后，我还介绍了旨在确定意大利地区之间分组的聚类分析结果。随后，提出了一个经济计量模型，用于估算意大利地区文化和创意就业的价值。最后，我比较了各种机器学习模型，以预测文化和创意就业的价值。通过经济政策分析对结果进行了批判性讨论。 安吉洛·莱奥格兰德 创新、创新和发明、技术创新和研发管理、技术变革、知识产权和知识资本 2024-02年 DeepTraderX：通过多线程市场模拟中的深度学习挑战传统交易策略 http://d.repec.org/n？u=repec:arx:papers:2403.18831&r=big 本文介绍了DeepTraderX（DTX），一种简单的基于深度学习的交易者，并给出了在多线程市场模拟中证明其性能的结果。在总共约500个模拟市场日内，DTX仅通过观察其他策略产生的价格来了解情况。通过这样做，它成功地创建了一个从市场数据到报价（无论是出价还是要价订单）再到资产下单的映射。DTX接受了历史二级市场数据的培训，即特定可交易资产的限额订单（LOB），DTX在每个时间步$T$处理市场状态$S$，以确定市场订单的$P$价格。培训和测试中使用的市场数据是基于真实历史股市数据的独特市场时间表生成的。DTX根据文献中的最佳策略进行了广泛测试，其结果通过统计分析进行了验证。我们的发现强调了DTX的竞争能力，并且在许多情况下超越了公共领域交易员的表现，包括那些超越人类交易员的交易员，强调了简单模型的效率，因为这是在复杂的多线程模拟中取得成功所必需的。这突出了利用“黑匣子”深度学习系统创造更高效金融市场的潜力。 阿尔曼·米海·西斯马鲁 2024-02年 信号失真？面对在线招聘广告数据中的偏见 http://d.repec.org/n？u=repec:ipt:iptwpa:jrc136599&r=big 发达经济体的大多数职位空缺都是在网上发布的。通过大数据分析，它们可以转换为有用的数据用于研究。基于在线招聘广告（OJA）的数据是劳动力市场分析和技能情报的一个非常有前景的来源：内容丰富，细节细腻，几乎可以实时获取。这些数据越来越多地被用于研究技能的变化性质。OJA数据中的一些关键发现强调：1）数字和软技能的重要性与日俱增；2） 技能需求变化速度加快；3） 越来越多的工作混合。然而，这些发现中的一些可能是由OJA数据中固有的偏见所驱动的，因为：1）相对于体力职业，尤其是在信息和通信技术方面，高技能职业的比例往往过高；2） 它涵盖了正规化和标准化的更好技能，通常与职业相关；3） 它受到社会期望偏差的影响，在空缺通知中过分强调了积极和软属性。OJA可以提供关于劳动力市场趋势的频繁和详细数据，并帮助确定新兴技能和职业。然而，它存在偏见，无法提供所有答案。在职培训应补充而不是取代来自劳动力市场传统调查和行政来源的数据 FERNANDEZ MACIAS恩里克 SOSTERO Matteo公司 2024-01年 竞争性行业并购预测：基于时间动力学和行业网络的模型 http://d.repec.org/n？u=repec:arx:papers:2404.07298&r=big 并购活动对市场整合至关重要，使企业能够通过战略互补性增强市场力量。现有研究往往忽视了同行效应，即企业间并购行为的相互影响，未能捕捉到行业网络中复杂的相互依赖关系。常见方法因依赖特殊功能工程、数据截断导致重大信息丢失、预测准确性降低以及实际应用中的挑战而受到影响。此外，并购事件的罕见性要求在传统模型中重新平衡数据，从而引入偏差并破坏预测可靠性。我们提出了一个创新的并购预测模型，该模型利用时态动态产业网络（TDIN），利用时态点流程和深度学习来熟练捕捉整个行业的并购动态。通过1997年1月至2020年12月之间并购案例的卓越评估结果，该模型有助于准确、详细的交易预测，而无需任意操纵数据或重新平衡数据。我们的方法通过提供对并购活动的详细见解和针对特定公司的战略建议，标志着对传统模型的重大改进。 杨大余 2024-04 通过对股票市场的金融新闻情绪分析加强压力指数策略 http://d.repec.org/n？u=repec:arx:papers:2404.00012&r=big 本文介绍了一种新的股市风险对风险规避策略，该策略将金融压力指标与ChatGPT阅读和解读彭博社每日市场摘要所做的情绪分析相结合。当结合GPT-4衍生的金融新闻情绪时，对波动性和信贷利差导致的市场压力的预测得到了增强。因此，该战略表现出了更高的夏普比率和减少的最大提款额，从而证明了绩效的改善。纳斯达克（NASDAQ）、标准普尔500指数（S&P 500）和六个主要股市的表现都有所改善，表明该方法适用于所有股市。 巴普蒂斯特·勒福特 埃里克·本哈莫 让-雅克·奥哈纳 大卫·萨尔蒂尔 比阿特丽斯·盖兹 托马斯·雅克 2024-03 用于宏观经济预测的贝叶斯双水平稀疏群回归 http://d.repec.org/n？u=repec:arx:papers:2404.02671&r=big 我们提出了一种机器学习方法，用于在具有已知组结构的协变量的高维环境中进行最优宏观经济预测。我们的模型包括具有许多系列、混合频率和未知非线性的预测设置。我们在时间序列计量经济学中引入了双水平稀疏性的概念，即稀疏性在组水平和组内都成立，我们假设真实模型满足此假设。我们提出了一个先验值，该先验值诱导了两级稀疏性，并且证明了相应的后验分布以最小最优速率收缩，恢复了模型参数，并且具有包含模型支持的渐近支持。我们的理论考虑到了组间的相关性，而同一组中的预测因子可以通过强协变量以及共同的特征和模式来表征。通过全面的蒙特卡罗实验和美国GDP增长率的实时数据预测，说明了有限样本的表现。 马特奥·莫利亚尼 安娜·西蒙尼 2024-04 种族不平等与经济增长：来自协调卫星数据的证据 http://d.repec.org/n？u=repec:ces:ceswps:_11034&r=big 种族群体之间的不平等已被证明与GDP呈负相关，但可比较数据的可用性限制了对其对当代经济增长影响的研究。我们汇编了1992年至2013年间国家和地方单位种族不平等协调基尼指数的新型综合数据集。我们的方法利用了不同民族家园夜间灯光（NTL）的差异，使用新技术来协调不同地理区域和年份的NTL系列，以解决卫星照片在空间和时间上不可比的问题。我们的新数据显示，种族不平等现象在各国普遍存在，但随着时间的推移，这种现象有所减少。我们在工具变量环境中利用次国家边界的人工性，提供证据表明，不同民族之间的收入不平等会降低当代经济增长。种族不平等的负面影响是由冲突加剧和公共物品供应减少造成的。 克劳斯·格兰德勒 安德烈亚斯·林克 种族不平等、经济发展、区域数据、夜间照明、卫星照片、校准、种族群体、冲突、公共物品提供 2024 StockGPT：股票预测和交易的GenAI模型 http://d.repec.org/n？u=repec:arx:papers:2404.05101&r=big 本文介绍了StockGPT，这是一种直接对美国股票日收益历史进行预处理的自回归“数字”模型。该模型将每个收益序列视为一系列代币，擅长理解和预测高度复杂的股票收益动态。StockGPT不再依赖使用历史股价的手工交易模式，而是通过其注意机制自动学习预测未来回报的隐藏表示。在2001年至2023年的搁置测试样本中，根据StockGPT预测形成的每日重新平衡的长短期投资组合以6.5的夏普比率获得119%的年回报率。基于StockGPT的投资组合完全解释了动量和长/短期反转，消除了手工制定基于价格的策略的需要，还包含了大多数主要的股市因素。这突显了生成性人工智能在复杂金融投资决策中超越人类的巨大潜力，并说明了大型语言模型的注意机制在应用于完全不同的领域时的功效。 达迈 2024-04 ChatGPT讲述关于过去的未来故事时可以预测未来 http://d.repec.org/n？u=repec:arx:papers:2404.07396&r=big 本研究调查OpenAI的ChatGPT-3.5和ChatGPT-4能否使用两种不同的提示策略准确预测未来事件。为了评估预测的准确性，我们利用实验时的训练数据于2021年9月停止的事实，并使用ChatGPT-3.5和ChatGPT-4询问2022年发生的事件。我们采用了两种激励策略：直接预测和我们称之为未来叙事，这两种策略要求ChatGPT讲述以未来为背景的虚构故事，故事中的角色分享了发生在他们身上的事件，但这是在收集了ChatGPT的培训数据之后进行的。专注于2022年的事件，我们促使ChatGPT参与故事讲述，尤其是在经济背景下。在分析了100个提示后，我们发现未来的叙述提示显著提高了ChatGPT-4的预测准确性。这一点在其对主要奥斯卡奖得主以及经济趋势的预测中尤为明显，后者是从模型模拟美联储主席杰罗姆·鲍威尔（Jerome Powell）等公众人物的情景中推断出来的。这些发现表明，叙事提示利用了模型的幻觉叙事构建能力，比直接预测更有效地促进了数据合成和推断。我们的研究揭示了LLM预测能力的新方面，并提出了在分析环境中的潜在未来应用。 范范（Van Pham） 斯科特坎宁安 2024-04 为金融投资组合优化开发基于注意力的集成学习框架 http://d.repec.org/n？u=repec:arx:papers:2404.08935&r=big 近年来，通过学习动态金融市场下的时空信息，深度学习或强化学习方法被应用于优化投资组合。然而，在大多数情况下，由于存在大量的市场噪音，现有的方法可能会基于传统的价格数据产生有偏差的交易信号，这可能无法平衡投资回报和风险。因此，集成了注意力机制和时间序列的多智能体自适应投资组合优化框架，即MASAAT，在本研究中，建议创建多个交易代理来观察和分析价格序列和方向变化数据，以识别不同粒度的资产价格的重大变化，从而提高价格序列的信噪比。然后，通过按顺序重建财务数据的表征，每个代理基于注意力的横截面分析模块和时间分析模块可以有效捕获资产之间的相关性和时间点之间的依赖性。此外，将组合生成器集成到所建议的框架中，以融合时空信息，然后总结所有交易代理建议的组合，以生成一个新的集合投资组合，以减少有偏见的交易行为并平衡整体收益和风险。实验结果清楚地表明，与许多著名的投资组合优化方法相比，MASAAT框架在道琼斯工业平均指数（DJIA）、标准普尔500指数（S&P 500）和沪深300指数（CSI 300）这三个具有挑战性的数据集上取得了显著的增强。更重要的是，我们的提案在未来研究的许多可能应用中具有潜在优势。 李正龙 谭文生 2024-04 大型语言模型的算法合谋 http://d.repec.org/n？u=repec:arx:papers:2404.00806&r=big 算法定价的兴起引发了对算法合谋的担忧。我们使用基于大型语言模型（LLM）的算法定价代理进行实验，特别是GPT-4。我们发现：（1）基于LLM的代理擅长定价任务，（2）基于LLM-的定价代理在寡头垄断环境中自动勾结，损害消费者利益，（3）LLM指令中看似无害的短语（“提示”）的变化可能会增加共谋。这些结果扩展到拍卖设置。我们的研究结果强调了对算法定价进行反垄断监管的必要性，并揭示了基于LLM的定价代理所特有的监管挑战。 萨拉·菲什 Yannai A.Gonczarowski先生 兰·肖勒（Ran I.Shorrer） 2024-03 利用SEC文件跟踪实时裁员：初步调查 http://d.repec.org/n？u=repec:fip:fedgfe:2024-20&r=大 我们探索了一个新的裁员数据来源：及时向证券交易委员会提交8-K文件。我们制定了报告的裁员事件数量和受影响工人数量的衡量标准。这些序列与商业周期和其他裁员指标高度相关。将公司级报告的裁员事件与WARN通知联系起来表明，有时在WARN之前可以获得8-K文件，初步回归结果表明我们的裁员序列对预测很有用。我们还记录了数据的行业构成以及行业份额存在分歧的特定领域。 Leland D.Crane公司 艾米丽·格林 莫莉·哈尼什 威尔·麦克伦南 保罗·索托 贝齐·弗兰科维奇 雅各布·威廉姆斯 预测；劳动力市场；大型语言模型；替代数据；自然语言处理；裁员 2024-04-11