Arrêtez d’utiliser des LLM généraux pour deviner les bougies ! Décryptage des 3 avantages décisifs du modèle financier natif séries temporelles Kronos, avec 44 000 étoiles sur GitHub. Pourquoi prévoir les marchés avec ChatGPT ou Claude ressemble-t-il à lancer une pièce ? Parce que les grands modèles textuels ne comprennent tout simplement pas les séries temporelles numériques — ils se contentent de forger des hypothèses à l’aide de la linguistique probabiliste ! Kronos, qui a remporté 44 000 étoiles sur GitHub, est devenu viral dans la communauté quantitative parce qu’il a entièrement repensé les modèles financiers : 1️⃣ Pré-entraînement natif sur des données Tick réelles de plus de 45 bourses mondiales : aucune donnée textuelle ou actualité n’est utilisée ; l’entraînement par masquage de séries temporelles repose directement sur des centaines de millions de bougies et données de livres d’ordres haute fréquence provenant de marchés globaux ; 2️⃣ Modélisation multimodale conjointe prix-volume : capture simultanément la pente des mouvements de prix, la distribution anormale des volumes et la pression microstructurelle des ordres, pour produire des intervalles de confiance de volatilité sur les périodes futures ; 3️⃣ Inférence purement tensorielle en nanosecondes, sans langage naturel : aucune latence de génération de tokens, sortie directe en millisecondes sous forme de matrices numériques envoyées au système d’exécution — jusqu’à mille fois plus rapide qu’un grand modèle généraliste ! https://t.co/TXfcPxKKYm (⚠️ Clause de non-responsabilité : Il s’agit ici d’une discussion académique et architecturale sur les grands modèles de séries temporelles financières ; cela ne constitue pas un conseil en investissement.) #InvestissementQuantitatif #IntelligenceArtificielle