|
ИСТИНА |
Войти в систему Регистрация |
ФНКЦ РР |
||
Strategies for investing in pharmaceutical company shares powered by large language modelsдипломная работа (Бакалавр)
- Научный руководитель: Буденный Семен Андревич
- Автор: Мария Новикова
- Тип: Бакалавр
- Организация, в которой проходила защита: МГУ имени М.В. Ломоносова
- Год защиты: 2025
- Аннотация: В результате проведенного исследования, выяснилось, что стратегия диверсификации инвестиционного портфеля не всегда является наиболее эффективной. В частности, при наличии инструментов контроля управления риска, связанным с волатильностью стоимости акции, более выигрышной стратегией будет инвестирование 100% портфеля в акции одной компании с наибольшей ожидаемой доходностью. Данное требование реализуемо условиях специфики рынка фармацевтических компаний, где методы машинного обучения научились достоверно прогнозировать динамику стоимости акций после публикации результатов клинических испытаний. Особое внимание в работе было уделено анализу эффективности больших языковых моделей в задачах анализа “Sentiment polarity” результатов клинических испытаний. Определение тональности отчетов является важным этапом прогнозирования динамики стоимости акций фармацевтических компании. Как показало исследование, современные общедоступные большие языковые модели, такие как Qrok 3 от XAI, Qwen 2,5 max от Alibaba, GigaChat 2 max от Сбера и GPT 4o от OpenAI, демонстрируют сопоставимую или превосходную точность в решении поставленных задач в сравнении со специализированными архитектурами, которые ранее использовались для анализа текстовой информации для принятия инвестиционных решений. Это позволяет сделать вывод, что использование общедоступных LLM может стать более рационным инструментом для решения предлагаемых задач. Таким образом, на основе полученных результатов, предлагается пересмотреть существующие принципы построения инвестиционных стратегий в акции фармацевтические компании и сместить фокус внимания с диверсификации в пользу точечных инвестиций в активы с наибольшей ожидаемой доходностью в условиях контроля волатильности посредством применения методов машинного обучения. Данный подход позволяет повысить эффективность инвестиционного портфеля при сохранении желаемого риск-профиля.
- Добавил в систему: Буденный Семен Андреевич