通过大语言模型可解释性实现货币对情绪的货币化
Monetizing Currency Pair Sentiments through LLM Explainability
AI总结：
本研究提出一种将LLM作为事后通用工具的情感分析可解释性新技术，在金融货币对价格预测场景中验证了其可替代传统XAI，且其输出可丰富ML模型输入以提升预测精度，该思路可推广至更多ML场景。
摘要：
大语言模型（LLM）在如今各类组织的几乎所有领域都发挥着关键作用。在本研究的语境下，我们重点探讨LLM在情感分析（SA）与可解释性方面的应用。具体而言，我们提出了一项新技术，将LLM作为一种事后的、与模型无关的工具，用于情感分析的可解释性研究。我们将该技术应用于金融领域的货币对价格预测任务，使用与市场价格融合的公开新闻流数据开展实验。我们的应用案例表明，所开发的技术不仅可作为传统可解释人工智能（XAI）的可行替代方案，其输出还能反向用于丰富机器学习（ML）模型的输入，从而更准确地预测未来的货币对价值。我们设想，本研究结果可推广至更广泛的场景：将可解释性作为机器学习输入的常规增强手段，以整体提升机器学习预测的效果。
英文摘要：
Large language models (LLMs) play a vital role in almost every domain in today's organizations. In the context of this work, we highlight the use of LLMs for sentiment analysis (SA) and explainability. Specifically, we contribute a novel technique to leverage LLMs as a post-hoc model-independent tool for the explainability of SA. We applied our technique in the financial domain for currency-pair price predictions using open news feed data merged with market prices. Our application shows that the developed technique is not only a viable alternative to using conventional eXplainable AI but can also be fed back to enrich the input to the machine learning (ML) model to better predict future currency-pair values. We envision our results could be generalized to employing explainability as a conventional enrichment for ML input for better ML predictions in general.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
