Abstract
<jats:p>В докладе исследуется применение больших языковых моделей (LLM) для прогнозирования стоимости акций компаний. Классические методы на основе анализа временных рядов хорошо изучены, однако использование LLM для комплексного мультимодального анализа (обработки финансовой отчетности, новостного фона и рыночных индикаторов) обладает высокой научной новизной. Методы опираются на гибридный подход: неструктурированные текстовые данные обрабатываются алгоритмами LLM для получения смыслового вектора, после чего интегрируются (например, через long-short-term memory сети, LSTM) с историческими ценами для получения предсказания. Результаты показывают, что внедрение языковых моделей позволяет алгоритмам понимать рыночный контекст, что значительно снижает среднюю ошибку прогнозирования (mean average percentage error, MAPE) по сравнению с традиционными математическими моделями и доказывает эффективность LLM в задачах алгоритмического трейдинга.</jats:p> <jats:p>The report explores the application of Large Language Models (LLMs) for predicting the stock value of companies. Classical prediction of quotes based on numerical time series has been extensively studied, but the use of LLMs for complex multimodal analysis (simultaneous processing of financial statements, news background, and market indicators) has high scientific novelty. The methodology is based on a hybrid approach: unstructured text data is processed by LLM algorithms (through embedding generation and prompt engineering), then integrated with historical prices into predictive networks (such as LSTM). The results show that the introduction of language models allows algorithms to “understand” the market context, which significantly reduces the mean absolute percentage error (MAPE) compared to traditional mathematical models and proves the effectiveness of LLMs in algorithmic trading tasks.</jats:p>