LLM-agenter förbättrar finansiella prognoser med alternativa datakällor

arXiv cs.AI

Forskare har testat om stora språkmodeller (LLM:er) kan bli bättre på att förutsäga företags framtida intäkter genom att kombinera traditionell finansiell data med 'alternativ data' – exempelvis konsumenttransaktioner och webbtrafik. Resultaten visar att ett tvåagent-ramverk, där en agent väljer relevanta datakällor och en annan gör själva prognosen, presterar bättre än när man använder endera källan separat. Det intressanta här är att LLM:erna klarar detta utan att behöva tränas om för varje ny uppgift – de lär sig direkt från exemplen i prompten.