m0_49214701的博客

近年来，大语言模型（LLMs）在金融交易中的应用主要集中在股票市场，帮助进行经济和金融决策。然而，加密货币市场所提供的独特机会却鲜少被LLMs挖掘。加密货币市场具有链上数据透明性以及链下信号（如新闻）对市场的重要影响，这为创新的交易策略提供了可能性。本研究旨在弥补这一空白，开发了一种基于LLM的交易代理——。该代理独特地结合了对链上和链下数据的分析，利用链上数据的透明性与不可变性，以及链下信号的时效性与影响力，为加密货币市场提供了全面的洞察。

本文提出了一个名为TIME-LLM的重编程框架，旨在将大语言模型（LLMs）重新利用于通用的时间序列预测任务，并且保持语言模型的核心结构不变。

背景： 挑战包括非线性和时变趋势。现状： 从传统统计方法转向深度学习，近年来取得显著突破。贡献： 总结现有深度时间序列模型的设计，开发时间序列库（TSLib），提供公平的基准测试。评估12种先进模型，提供有针对性的见解。代码发布提供TSLib库及代码开源https://github.com/thuml/Time-Series-Library链接。二、时间序列任务时间依赖关系与动态模式序列分析模型的核心目标是揭示数据中的时间依赖关系和动态模式。

多模态数据整合复杂性：如何有效整合时间序列数据和自然语言信息以充分利用模型能力，依然是一个复杂的问题。对时间序列特征的忽视：FinLLMs更关注分析和可解释性，但可能忽略了时间序列数据的核心特性。市场信息噪声影响：金融市场中存在大量虚假或冗余信息，模型在面对这类数据时可能导致预测不准确。

相比于我们仅在20,000个合成生成样本上进行微调的ByT5-base模型，该模型包含约582M参数，GPT-3模型在数十亿的文档和资源（如网络表格）上进行了训练，参数量至少多一个数量级。例如，在我们的机器设置中，处理一个行长为5字符的合成数据集表格，DTT需要5秒，CST需要3秒。通过将Curie模型的一般性能与各种规模的GPT-3【5】的性能进行比较，可以假设Curie模型具有约70亿参数，并且在来自不同数据集的巨大文本数据上进行了训练。在合成数据集上，我们的方法在四个数据集中的三个上表现优异。

在本文中，我们介绍了第一个专门用于评估基于llm的代理执行数据分析任务的基准测试——infagent - dabbench。这些任务需要代理通过与执行环境交互来端到端解决复杂任务。该基准包含DAEval(一个由来自52个CSV文件的257个数据分析问题组成的数据集)和一个代理框架，该框架将llm作为数据分析代理，用于服务和评估。由于数据分析问题通常是开放式的，在没有人工监督的情况下很难评估，因此我们采用格式提示技术将每个问题转换为封闭格式，以便自动评估。

论文提出的表链增强了大型语言模型的推理能力：利用表格结构来表达基于表格推理的中间思维。它指导大语言模型根据输入的表格及相关问题动态计划一个操作链。

Anthropic的 Claude 3.5让 AI 高级用户惊叹不已：“这太疯狂了”GPT-4不是世界模型，LeCun双手赞同！ACL力证LLM永远无法模拟世界。2024-06-18 13:44 北京 来源：澎湃新闻·澎湃号·湃客。2024-06-21 13:35北京。