Predicción de indicadores de redes financieras mediante modelos de lenguaje grandes (LLM) impulsados por series...

Área de la Ciencia:

• Análisis de redes financieras
• Predicción de riesgo sistémico
• Aprendizaje automático en finanzas

Sus antecedentes:

• Los mercados financieros son redes complejas donde las tenencias institucionales influyen en el flujo de información y la propagación del riesgo.
• La predicción de la evolución de la red de acciones es crucial para la estabilidad, pero es un desafío debido a la complejidad de los datos y la no estacionariedad.

Objetivo del estudio:

• Desarrollar un marco de predicción interpretable basado en LLM para redes financieras.
• Predecir la concentración en todo el mercado y las anomalías a nivel de empresa para la detección temprana de riesgos.

Principales métodos:

• Se construyeron grafos bipartitos de fondos-acciones indexados por tiempo desde 2016 hasta 2024.
• Se calcularon indicadores de red: centralización de grado (cen_d) y densidad residual (den).
• Se desarrolló un marco de LLM que integra series temporales, divulgaciones textuales y contexto de recuperación aumentada para la predicción multietapa.

Principales resultados:

• El marco de LLM superó significativamente a los puntos de referencia ARIMA, Prophet y Temporal Fusion Transformer en precisión.
• El análisis de atención reveló la importancia del modelo para los trimestres con coinversión de fondos o shocks de políticas.
• Se demostró una reducción de errores y una mejora de la precisión direccional en la predicción de indicadores de red.

Conclusiones:

• La predicción impulsada por LLM ofrece advertencias tempranas sobre el riesgo sistémico e información interpretable.
• La predicción de grafos informada por el lenguaje presenta un nuevo paradigma para la vigilancia del mercado financiero y la política.