9657

بهبود عملكرد مدل پيش‌بيني رمزارز با يادگيري ويژگي‌هاي داده‌هاي زماني

كارشناسي

مهندسي كامپيوتر

1404

دكتر رضا انتظاري ملكي

دكتر رضا انتظاري ملكي

1404/02/07

مهندسي كامپيوتر

Improving the Performance of a Cryptocurrency Prediction Model by Learning Temporal Data Features

استخراج اطلاعات دقيق و كاربردي از منابع داده پيچيده، مانند اسناد مالي حجيم، چالشي اساسي در تحليل هاي مالي است كه مي‌تواند پيش زمينه‌اي براي پيش‌بيني‌هاي دقيق‌تر باشد. حجم بالا، زبان تخصصي، ساختار غيريكنواخت و اطلاعات حساس به زمان اين اسناد، تحليل دستي را زمان بر و پرهزينه و روش هاي جستجوي سنتي يا سيستم هاي پايه بازيابي-افزايش-توليد را در ارائه پاسخ هاي قابل اعتماد با محدوديت مواجه مي‌سازد. اين پژوهش سيستم «عامل مشاور مالي» را به عنوان يك راهكار نوين معرفي مي‌كند كه بر پايه معماري پيشرفته بازيابي-افزايش-توليد طراحي شده و هدف آن بهبود چشمگير عملكرد سيستم در يادگيري و استخراج ويژگي‌هاي كليدي از اسناد مالي است. اين سيستم با تلفيق هدفمند مجموعه‌اي از تكنيك‌هاي پيشرفته شامل خردكردن بازگشتي متن، نمايه‌سازي سلسله‌مراتبي، پردازش پيشرفته پرس وجو با گسترش و رتبه‌بندي مجدد، و يك عامل هوشمند و تعامل پويا، به مقابله با محدوديت هاي موجود مي‌پردازد. ارزيابي سيستم بر روي مجموعه داده FinanceBench و مقايسه آن با يك سيستم بازيابي-افزايش-توليد پايه نشان دهنده بهبود قابل توجهي در عملكرد است. سيستم پيشنهادي در معيارهاي كيفيت بازيابي، امتيازات بالاتري در ارتباط زمينه (ميانگين 0.66) و پوشش زمينه (ميانگين 0.753) كسب كرد. اين بهبود در بازيابي، مستقيماً منجر به افزايش كيفيت پاسخ نهايي شد؛ به طوري كه سيستم پيشنهادي در معيار كليدي صحت پاسخ به امتياز ميانگين 0.732 دست يافت. اين نتايج بر كاهش هذيان‌گويي و افزايش چشمگير دقت معنايي پاسخ ها بر اساس شواهد موجود در اسناد دلالت دارد و پايه‌اي قوي تر براي تحليل هاي مالي آتي فراهم مي‌آورد. يافته‌هاي اين پژوهش اهميت حياتي بهبود مولفه بازيابي و به ‌كارگيري چارچوب هاي هوشمند كه قادر به يادگيري ويژگي‌هاي خاص دامنه هستند را در سيستم هاي بازيابي-افزايش-توليد براي دامنه‌هاي تخصصي برجسته مي‌سازد. «عامل مشاور مالي» با ارائه يك راهكار يكپارچه و پيشرفته، گامي مؤثر در جهت افزايش دقت، قابليت اطمينان و بهبود عملكرد كلي در تحليل اطلاعات مالي با استفاده از هوش مصنوعي برداشته و پتانسيل تحول در اين حوزه شامل فراهم سازي درك عميق تر براي پيش‌بيني‌هاي آتي را نشان مي‌دهد.

بازيابي-افزايش-توليد , مدل هاي زباني بزرگ , تحليل اسناد مالي , پيش‌بيني مالي , يادگيري ويژگي , عامل هوشمند