Большие языковые модели как инструмент финансового прогнозирования: возможности, риски и перспективы
Abstract
активное развитие технологий ИИ вызывает повышенный интерес в части возможности проведения финансовой аналитики и прогнозирования изменения котировок на финансовые активы с помощью нейросетей. Цель данной статьи заключается в исследовании корректности и оценке эффективности применения таких современных больших языковых моделей, как Google Gemini, Grok, ChatGPT, Qwen при прогнозе ценовых диапазонов и вероятностей их возникновения. В целях ограничении рисков семантических галлюцинаций анализ ограничивался исключительно техническими аспектами. Точность полученных результатов оценивалась по среднему абсолютному отклонению средней арифметической и моде. Аналитические данные показали, что способность LLM к сценарному прогнозированию на основе технического анализа на момент исследования при заданных параметрах является критически низкой и несет серьезные финансовые риски. Выявлены выраженные алгоритмические смещения, проявляющиеся в устойчивой склонности Gemini к медвежьим сценариям, оптимизме Grok и частых полярных противоречиях между Qwen и ChatGPT. Сопоставимая результативность и высокая вариативность выводов свидетельствуют о финансовой нецелесообразности применения универсальных LLM в качестве автономных торговых систем. Исследование подтверждает необходимость развития гибридных архитектур. the rapid development of AI technologies has generated increased interest in the potential for financial analysis and forecasting of financial asset price movements using neural networks. The purpose of this article is to study the validity and evaluate the effectiveness of modern large-scale language models such as Google Gemini, Grok, ChatGPT, and Qwen in forecasting price ranges and their probabilities. To limit the risk of semantic hallucinations, the analysis was limited to technical aspects only. The accuracy of the obtained results was assessed using the mean absolute deviation of the arithmetic mean and the mode. Analytical data showed that LLM's ability to predict scenarios based on technical analysis at the time of the study, given the given parameters, was critically low and carried significant financial risks. Significant algorithmic biases were identified, manifested in Gemini's persistent bearish bias, Grok's optimism, and frequent polar contradictions between Qwen and ChatGPT. Comparable performance and high variability in findings indicate that using universal LLMs as standalone trading systems is financially unfeasible. The study confirms the need to develop hybrid architectures.