Financial Language Models as Applied Artificial Intelligence Systems for News-Based Trading under Market Frictions
Aggiunta all'archivio di AIChronos il (numero del 20 settembre 2026 ricostruito)· fonte del · Kemal Kirtac
Il documento introduce MFAST (Market-Friction-Aware Sentiment-to-Trading), un framework integrato per valutare i modelli linguistici finanziari in sistemi decisionali reali che considerano attriti di mercato come costi transazionali e liquidità. A differenza della ricerca tradizionale, questo approccio collega l'analisi del testo non strutturato alle decisioni di trading verificando la validità dei segnali al momento dell'esecuzione. I risultati dimostrano che i decoder-only language models superano le baseline encoder-based e il sentiment analysis basato su dizionari in termini di calibrazione probabilistica e performance netta del portafoglio.
- MFAST converte testo finanziario timestamped in decisioni di trading auditable, riproducibili e fattibili sul mercato.
- L'analisi si concentra sulla news-based trading, collegando il testo specifico dell'azienda ai titoli tramite dati CRSP e Refinitiv News Analytics.
- I decoder-only language models mostrano prestazioni superiori rispetto alle encoder baselines in classificazione, calibrazione e previsione dei rendimenti.
- Gli operational diagnostics evidenziano compromessi (trade-offs) tra accuratezza, latenza, memoria, throughput e costo di inference.
- Una valutazione credibile richiede un approccio end-to-end che combini comprensione linguistica, disciplina temporale e deployment consapevole degli attriti di mercato.
Perché conta. ["Per gli sviluppatori di agenti AI locali o sistemi basati su LLM, questo paper sottolinea l'importanza cruciale dell'inference cost-aware e della calibrazione delle probabilità prima del deploy in produzione.", 'Evidenzia la necessità di integrare vincoli operativi reali (latenza, costi) direttamente nel ciclo di vita dello sviluppo dei modelli linguistici finanziari.']
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.