Migliorare il reperimento di informazioni sul mercato azionario con la generazione aumentata dal recupero

Abstract degli autori

L’elaborazione del linguaggio naturale (NLP) è stata ampiamente applicata nei settori finanziari, consentendo l’analisi automatizzata e il reperimento di informazioni sul mercato azionario. Tuttavia, i sistemi tradizionali basati sull’NLP spesso faticano a mantenere l’accuratezza contestuale e a generare risposte pertinenti in contesti finanziari dinamici. Per affrontare queste sfide, i modelli di generazione aumentata dal recupero (RAG) si sono affermati come una soluzione efficace, combinando metodi basati sul recupero con capacità generative per migliorare la qualità delle risposte. In questo studio presentiamo un sistema RAG progettato per generare risposte relative alle informazioni sul mercato azionario. Il sistema integra approcci basati sul recupero e approcci generativi per migliorare l’accuratezza e la pertinenza della generazione di testi finanziari. Per valutarne l’efficacia, utilizziamo la metrica ROUGE, in particolare ROUGE-1, ROUGE-2 e ROUGE-L, per misurare la similarità lessicale e strutturale tra i testi generati e quelli di riferimento. I risultati sperimentali su un dataset di 100 query relative al mercato azionario mostrano punteggi ROUGE elevati, indicando una forte corrispondenza con i documenti di riferimento. Inoltre, valutiamo la latenza per misurare la reattività del sistema, ottenendo un tempo medio di risposta di 1,16 secondi. Questi risultati confermano che il nostro modello RAG è in grado di fornire analisi accurate e tempestive sul mercato azionario, rendendolo un approccio promettente per il reperimento di informazioni finanziarie.