本サイトは 12 時間以上更新されていません（通常は 3 時間ごと）。以下の内容は最新でない可能性があります。
このページに条件に合う項目はありません（絞り込みはこのページ内のみ）。
説明サブ秒予測のための注文フロー基盤モデルのファインチューニング
要約本論文は、Bitstampとbitfinexの2つの暗号資産取引所のLevel-3注文フローデータで3億パラメータの生成モデルを事前学習し、その後マイクロプライス収益とその実現ボラティリティを予測するようファインチューニングしたものです。サブ秒の予測で、手作り特徴量に対する勾配ブースティングなどの古典的ベースラインを上回ったと報告しています。さらに、ファインチューニングしていない資産にもゼロショットで予測能力が移転することを示しています。
説明金融予測における表形式基盤モデルの利用
要約本稿は、表形式基盤モデル（TFM）を会計研究に導入し、企業の翌年度の利益変化を予測するという一般的なベンチマーク課題でその性能を評価したものです。TFMは文脈内で学習し、公開後の追加学習やチューニングを必要とせず、合成表形式データで事前学習されているため、企業の結果を記憶することによる先読みバイアスを避けられます。Google ResearchのTabFMは、比較対象のすべてのモデルより精度が高く、会計研究で開発された微調整済みの大規模言語モデルより高速で計算負荷も小さいという結果でした。一部の木ベースモデルはTabFMより速く予測しますが、精度と速度のトレードオフがあります。著者らはTFMが会計・金融予測の新たなツールとして有望だとしつつ、評価は単一の課題に基づくものであると述べています。
説明ルール605の解読：マーケットメーカーとブローカーの月次報告の分析
要約本論文は、マーケットメーカーのVirtuとブローカー・ディーラーのSoHoについて、2021年1月から2024年3月までの月次報告を分析したものです。株式注文の確率法則に対して、線形回帰やLSTMといった標準的手法の予測力は低いことが示されています。一方で、月ごとの相関は非常に安定して予測可能であるとされています。本論文では、規制要件に基づきブローカーが報告する26の株式取引パラメータから得られる16のデータセットの分布を研究しています。
説明複雑さの選択：認知能力、過信、課題選択
要約本論文は、成功と報酬のトレードオフが異なる複雑な課題の間での選択を、理論モデルと実験によって分析したものです。認知能力が高い人ほど複雑な課題を選び、認知能力を統制したうえで過信の強い人ほど複雑な課題を選ぶことが示されています。決定の約75%で受験者は報酬を最大化する課題を選んでいましたが、誤った選択はほぼすべて過度に複雑な課題を選ぶ方向に偏っていました。著者らは、組織が評価と成功確率を把握できる情報とフィードバックを提供することを提案しています。
説明チームにおける動的投資と協調：理論と実験的証拠
要約本論文は、チーム固有のスキルへの動的投資を初めて体系的に分析したものです。著者らは動的ゲームの枠組みを構築し、チームスキルへの投資は持続的な便益をもたらす一方、その便益はチームの協調が成功するかどうかに依存するためリスクがあると示しました。実験室での検証では、効率的な基準より投資が過少であることが分かりましたが、投資はインセンティブに強く反応し、理論の予測と一致しました。事前登録された特性（心の理論と協調傾向）は、投資水準とチームの効率性を予測しました。