Financial Numerical Prediction and Allocation as Token Generation
Dit artikel introduceert FinATOM, een verenigd, head-free framework dat gebruikmaakt van constrained token generation in causale taalmodellen om direct financiële forecasting en dynamische activallocatie uit te voeren, waarbij verbeterde risico-gecorrigeerde rendementen wordt aangetoond bij ETF- en tekstgebaseerde beleggingstaken vergeleken met traditionele regressie- of rangschikkingsbenaderingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De Nieuwe Stem van de Digitale Oracle
Stel je een wereld voor waarin computers niet alleen verhalen lezen, maar ook kunnen rekenen, voorspellingen kunnen doen en kunnen beslissen hoe ze geld moeten uitgeven, allemaal met gebruik van dezelfde "taal" die ze gebruiken om met ons te chatten. Dit is het domein van Kunstmatige Intelligentie, specif
specifiek een type genaamd Large Language Models (LLM's). Denk aan deze modellen als superintelligente papegaaien die bijna alles op het internet hebben gelezen. Ze zijn geweldig in het voorspellen van het volgende woord in een zin, zoals het afmaken van de grap van een vriend. Maar meestal, wanneer we hen vragen om iets nauwkeurigs te doen, zoals het voorspellen van aandelenkoersen of het beheren van een portefeuille, moeten we een speciale, aparte rekenmachine (een "kop") aan hun brein bevestigen om de cijfers af te handelen. Het is also�s een dichter vragen om een natuurkundige vergelijking op te lossen door hem een aparte abacus te overhandigen.
De grote vraag die wetenschappers stellen is: Kan de dichter zelf de wiskunde doen? Kan de computer leren om direct in getallen te spreken, net zoals hij in woorden spreekt, zonder dat er die extra rekenmachine nodig is? Dit is belangrijk omdat als één brein een nieuwsbericht over een bedrijf kan begrijpen én onmiddellijk kan beslissen hoeveel geld het daarin moet investeren, het hele proces sneller, schoner en gemakkelijker te controleren wordt. Het is als een chef-kok die de soep proeft en direct precies weet hoeveel zout hij moet toevoegen, in plaats van de soep te proeven, het getal op te schrijven en dan de notitie aan een tweede chef te overhandigen om het zout toe te voegen.
Het Verhaal van het Papier: Een Robot Leren "Geld" Spreken
Dit papier introduceert een nieuw systeem genaamd FinATOM, dat probeert een taalmodel te leren hoe het financiële prognoses en geldbeheer kan uitvoeren met behulp van alleen zijn eigen natuurlijke vocabulaire. In plaats van een speciale rekenmachine aan te sluiten, laten de onderzoekers de AI "tokens" (tekstblokken) genereren die getallen vertegenwoordigen. Het is alsof de AI een geheime code leert waarbij het woord "appel" bijvoorbeeld "5 dollar" kan betekenen en "banaan" "10 dollar", waardoor het zijn financiële beslissingen kan opschrijven net zoals het een verhaal zou schrijven.
De onderzoekers testten dit op twee hoofdtaken. Eerst vroegen ze de AI om te voorspellen hoeveel de aandelenkoersen over de volgende drie dagen zouden stijgen of dalen. Ten tweede vroegen ze het om te beslissen hoe het geld over vijf verschillende beleggingsfondsen (ETF's) verdeeld moest worden. Om dit te laten werken, moesten ze zeer voorzichtig zijn. Ze leerden de AI met behulp van een "leraar" die alleen wist wat op dat moment zichtbaar was (zoals nu naar de snelheidsmeter van een auto kijken, zonder te weten waar deze over een uur zal zijn). Dit zorgde ervoor dat de AI geen toegang kreeg tot toekomstige antwoorden.
Wat ze vonden:
De resultaten suggereren dat deze "kop-vrije" benadering daadwerkelijk werkt. Wanneer de AI voor het eerst werd onderwezen (een fase genaamd Supervised Fine-Tuning), deed het een redelijke taak. Maar toen ze het lieten oefenen en leren van zijn eigen fouten met behulp van een speciale trainingsmethode (genoemd DAPO-augmented GRPO), werd het zelfs nog beter.
- Voor de beleggingstaak: De strategie van de AI verbeterde de risico-gecorrigeerde return (een score genaamd de Sharpe-ratio) van 1,428 naar 1,529 bij het bekijken van gegevens van 2023 tot 2025. Zelfs na rekening te houden met kleine kosten (5 basispunten per transactie), ging de score van 1,394 naar 1,494.
- Voor de aandelenvoorspellingstaak: Op een specifieke dataset genaamd FinTexTS behaalde de strategie van de AI een cumulatief rendement van 73,52% met een Sharpe-ratio van 2,68. Na de extra oefening stegen deze cijfers licht naar 73,72% en 2,69.
Het papier ontdekte ook dat de AI het beste werkt wanneer het zowel de ruwe cijfers (zoals historische aandelenkoersen) als de nieuwsberichten (zoals rapporten over de economie) tegelijkertijd krijgt. In 2025 maakte het toevoegen van het nieuws een enorm verschil, wat de prestaties aanzienlijk verbeterde vergeleken met alleen naar de cijfers kijken. In andere jaren waren de cijfers alleen echter bijna even goed.
Wat het papier uitsluit:
De auteurs zijn voorzichtig om te zeggen dat dit geen wondermiddel is dat alle financiële problemen oplost. Ze sluiten expliciet de mogelijkheid uit dat de AI simpelweg de antwoorden uit het hoofd leert. Ze controleerden dat de gegevens die gebruikt werden voor de tests in 2024 en 2025 plaatsvonden na de oorspronkelijke training van de AI, zodat de AI de toekomst niet simpelweg kon "herinneren". Ze merken ook op dat de AI niet beter werd door simpelweg vaker te handelen; in feite bleef het aantal transacties bijna gelijk, wat betekent dat de verbetering kwam door betere beslissingen te nemen, niet door meer beslissingen te nemen.
Hoe zeker zijn ze?
Het papier suggereert dat dit een zeer veelbelovend bewijs van concept is, maar het houdt in dat het geen universele winnaar is. De resultaten zijn gebaseerd op specifieke tests met vijf fondsen en een beperkte set aandelen. De auteurs geven toe dat hoewel de methode in deze simulaties werkt, we nog niet weten of het perfect zal werken in elke marktomstandigheid of met elk type activum. Ze beschrijven de bevindingen als bewijs van "haalbaarheid" — wat betekent dat het kan — in plaats van een garantie dat het altijd de beste manier zal zijn om geld te verdienen. De verbetering in de beleggingstaak was duidelijk in 2024 en 2025, maar in 2023 maakte de geavanceerde training niet veel verschil, wat aantoont dat het succes afhankelijk is van de specifieke marktomstandigheden.
Kortom, FinATOM laat zien dat een taalmodel direct de taal van de financiële wereld kan leren spreken, waardoor het nieuws en cijfers omzet in beleggingsbeslissingen zonder een aparte rekenmachine nodig te hebben. Het is een kleine maar opwindende stap naar AI die niet alleen over geld praat, maar ook echt begrijpt hoe het het moet beheren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.