“finans” için sonuçlar
156 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Ekstrem Veriler için Katmanlı Hill Tahmincisi Geliştirildi
Matematikçiler, ağır kuyruklu dağılımların kuyruk katsayısını tahmin etmek için yeni bir yöntem geliştirdi. 'Katmanlı Hill tahmincisi' adı verilen bu yöntem, geleneksel Hill tahmin yönteminin geliştirilmiş bir versiyonu olarak öne çıkıyor. Yeni yaklaşım, ekstrem değerlerin kümeler halinde katmanlı yapı oluşturması prensibine dayanıyor. Araştırmacılar, bu yöntemin özellikle ekstrem verilerin bir kısmının eksik olduğu durumlarda geleneksel yöntemlere göre çok daha güvenilir sonuçlar verdiğini gösterdi. Finans, sigorta ve risk analizi gibi alanlarda kritik öneme sahip olan ağır kuyruklu dağılımların analizi, bu yeni yöntemle daha doğru hale geliyor. Teorik analizler ve simülasyon çalışmaları, katmanlı Hill tahmin yönteminin tutarlılık ve asimptotik normallik gibi istenilen matematiksel özelliklere sahip olduğunu ortaya koydu.
Gecikme İçeren Stokastik Sistemlerde Optimal Kontrol İçin Yeni Yaklaşım
Matematikçiler, gecikmeli stokastik Volterra integral denklemlerinin optimal kontrolü için yenilikçi bir yaklaşım geliştirdi. Hida-Malliavin hesabını kullanan bu yöntem, gecikme içeren rastgele sistemlerin kontrolünde hem gerekli hem de yeterli koşulları belirlemek için kapsamlı bir çerçeve sunuyor. Araştırmacılar, ilgili adjoint süreçlerin beklenti öncesi geriye dönük stokastik Volterra integral denklemi yapısını takip ettiğini keşfetti. Bu yapıyı kullanan ekip, stokastik maksimum prensiplerini kurarak optimal kontrollerin karakterizasyonu için sağlam bir matematiksel temel oluşturdu. Çalışma, finans mühendisliğinden iklim modellemesine kadar gecikme etkilerinin kritik olduğu birçok alanda uygulanabilir.
Rastgele Yürüyüşlerin Gizli Düzeninde Yeni Keşif
Bilim insanları, doğada sıkça karşılaştığımız rastgele hareket eden sistemlerin aslında belirli matematiksel kuralları takip ettiğini gösterdi. Araştırmacılar, Gaussian süreçleri adı verilen rastgele hareket modellerinin 'ergodik' özelliklerini inceleyerek, görünürde düzensiz olan bu hareketlerin uzun vadede öngörülebilir istatistiksel davranışlar sergilediğini kanıtladı. Bu çalışma, bir parçacığın belirli bir bölgede ne kadar zaman geçirdiğini hesaplayan matematiksel formüller geliştirdi ve bu formüllerin Brownian hareket gibi klasik fizik modellerinde de geçerli olduğunu gösterdi. Araştırma, rastgele süreçlerin evrensel özelliklerini ortaya çıkararak, finans piyasalarından biyolojik sistemlere kadar birçok alanda uygulanabilecek teorik temeller sunuyor.
Zaman Serisi Tahminlerinde Devrim: TempusBench Değerlendirme Sistemi Geliştir
Araştırmacılar, zaman serisi tahmin modellerinin performansını değerlendirmek için yeni bir framework olan TempusBench'i geliştirdi. Mevcut değerlendirme sistemlerinin yetersizliklerini gidermek amacıyla tasarlanan bu sistem, güncel veri setleri kullanıyor ve modellerin istatistiksel özelliklerini daha kapsamlı analiz ediyor. TempusBench, özellikle son dönemde hızla gelişen temel zaman serisi modellerinin (TSFM) daha objektif karşılaştırılmasını sağlıyor. Bu gelişme, finans, enerji ve iklim tahminlerinde kullanılan yapay zeka modellerinin güvenilirliğini artırabilir.
Yapay zeka tahminlerinin güvenilirliğini ölçen yeni yöntem geliştirildi
Araştırmacılar, yapay zeka sistemlerinin farklı gruplar arasında ne kadar adil ve güvenilir tahminler ürettiğini ölçen yeni bir metrik geliştirdi. Çoklu kalibrasyon olarak adlandırılan bu kavram, bir AI modelinin örneğin farklı yaş grupları veya demografik kesimler için aynı doğruluk seviyesinde tahminler yapabilme yeteneğini ifade ediyor. Mevcut yöntemler genellikle veriyi gruplara ayırma veya karmaşık istatistiksel teknikler kullanırken, yeni yaklaşım klasik Kuiper istatistiğine dayalı daha sağlam bir temel sunuyor. Bu gelişme, özellikle tıp, finans ve adalet sistemi gibi kritik alanlarda kullanılan AI sistemlerinin farklı nüfus gruplarında eşit performans göstermesini sağlamak için önemli bir adım.
Kuantum Fourier Dönüşümünde Çığır Açan Başarı: 52 Kübit ile Yeni Rekor
ParityQC şirketi, IBM kuantum bilgisayarı kullanarak şimdiye kadar gerçekleştirilen en büyük kuantum Fourier dönüşümünü başardı. 52 kübit ile yapılan bu çalışma, önceki 27 kübitlik rekoru neredeyse ikiye katladı. Kuantum Fourier dönüşümü, kriptografi, finansal modelleme ve malzeme bilimi gibi kritik alanlarda uygulama potansiyeli olan temel bir algoritmadır. Bu başarı, kuantum bilgisayarların endüstriyel kullanıma hazır hale gelmesi yolunda önemli bir kilometre taşı olarak değerlendiriliyor. Gelişme, kuantum teknolojisinin pratik uygulamalara daha yakın olduğunu gösteriyor.
Yapay Zeka Mobil Bankacılık Uygulamalarını Değerlendiriyor
Bangladeş'te yapılan yeni bir araştırma, mobil bankacılık uygulamalarının kullanıcı yorumlarını analiz etmek için farklı yapay zeka modellerini karşılaştırdı. Çalışma, gelişmekte olan ülkelerde milyonlarca kişinin finansal hizmetlere erişimde kullandığı mobil bankacılık uygulamalarının kalitesini ölçmeye odaklandı. Araştırmacılar, 11.414 ham yorumdan filtreledikleri 5.652 İngilizce ve Bengalce Google Play yorumunu inceleyerek, geleneksel makine öğrenmesi modellerinin transformer tabanlı yapay zeka modellerinden daha başarılı olduğunu keşfetti. Bu bulgular, finansal teknoloji uygulamalarının kullanıcı memnuniyetini değerlendirmede hangi analiz yöntemlerinin daha etkili olduğuna dair önemli ipuçları sunuyor.
Yapay zeka modelleri ne zaman 'hayal kurmaya' karar veriyor?
Büyük dil modellerinin ne zaman gerçek dışı bilgi üreteceğini önceden tahmin etmek mümkün mü? MIT araştırmacıları, bu kritik soruya yanıt aramak için 7 farklı yapay zeka modelini inceledi. Bulgular, 1 milyar parametrenin altındaki küçük modellerin hiçbir güvenilir sinyal vermediğini, ancak bu eşiği aşan büyük modellerin ilk kelimeyi bile üretmeden önce 'hayal kuracaklarını' belli ettiklerini ortaya koydu. Bu keşif, sağlık, hukuk ve finans gibi kritik alanlarda kullanılan yapay zekanın güvenilirliğini artırmak için önemli bir adım.
Yapay Veri Üreticileri Dolandırıcılık Kalıplarını Taklit Etmekte Başarısız
Araştırmacılar, yapay zeki sistemlerin ürettiği sentetik verilerin gerçek dolandırıcılık davranışlarını yansıtmadığını ortaya koydu. Çalışma, mevcut yapay veri üreticilerinin istatistiksel özellikleri koruyabildiğini ancak dolandırıcıların karakteristik davranış kalıplarını yakalayamadığını gösteriyor. Bu durum, finansal güvenlik sistemlerinin geliştirilmesinde ciddi bir engel oluşturuyor. Araştırma ekibi, davranışsal sadakat adını verdikleri yeni bir değerlendirme boyutu tanımlayarak, yapay verilerin gerçek dünyadaki varlık aktivitelerinin zamansal ve yapısal kalıplarını ne ölçüde koruduğunu ölçmeyi hedefliyor.
Yapay Zeka Temelli Yeni Yöntem Veri Analizinde Çığır Açıyor
Araştırmacılar, tablo verilerindeki karmaşık ilişkileri tespit etmek için TabDistill adlı yenilikçi bir yöntem geliştirdi. Bu yaklaşım, büyük yapay zeka modellerinin örtük olarak öğrendiği veri bağımlılıklarını çıkararak, geleneksel istatistiksel modellerin performansını artırıyor. Yöntem, önce büyük bir temel model eğitiyor, ardından bu modelden anlamlı özellik etkileşimlerini çıkarıyor ve bunları yorumlanabilir Genelleştirilmiş Toplamsal Modeller'de kullanıyor. Bu hibrit yaklaşım, hem yüksek doğruluk hem de yorumlanabilirlik sağlayarak, finans, sağlık ve pazarlama gibi kritik alanlarda daha güvenilir karar verme imkanı sunuyor. Geleneksel sezgisel yöntemlerin aksine, TabDistill daha karmaşık ve bağlama bağlı etkileri yakalayabiliyor.
Yapay Zeka Tablolar İçin İnsansı Mantık Yürütmeyi Öğreniyor
Araştırmacılar, tablo verilerini analiz etmek için yeni bir yapay zeka sistemi geliştirdi. ReSS adlı bu sistem, sembolik mantık ile büyük dil modellerini birleştirerek hem yüksek doğruluk hem de anlaşılır açıklamalar sunuyor. Sistem, karar ağaçlarından elde edilen mantıksal yolları kullanarak, yapay zekanın verdiği kararları insan dilinde açıklayabiliyor. Sağlık ve finans gibi kritik alanlarda kullanılmak üzere tasarlanan bu yaklaşım, yapay zekanın şeffaflık sorununa önemli bir çözüm getiriyor. Geleneksel sembolik modellerin katı mantığı ile modern dil modellerinin esnekliğini harmanlayan sistem, özellikle hassas kararlar gerektiren uygulamalar için büyük önem taşıyor.
Yapay Zeka Ensemble Modellerinde Markov Bağımlılığının Performansa Etkisi
MIT ve Stanford araştırmacıları, makine öğrenmesinde yaygın kullanılan ensemble yöntemlerinin zaman serisi verileri gibi birbirine bağımlı veri kümelerinde neden beklenenden daha düşük performans gösterdiğini matematiksel olarak açıkladı. Çoğunluk oylama sistemleri normalde bağımsız modelleri birleştirerek daha iyi sonuçlar verir, ancak Markov bağımlılığı olan verilerde bu avantaj azalır. Çalışma, bu sorunu teorik olarak tanımlarken aynı zamanda grafik düzenli veri yapılarında optimal performans gösteren uyarlanabilir bir algoritma da geliştirdi. Bulgular, finansal tahminler, pekiştirmeli öğrenme ve uzaysal veri analizinde ensemble modellerinin daha etkili kullanımı için yol gösterici nitelikte.