Views
No views yet
using default prompts
| Task |Metric| nekomaba-14b | -pfn-qfin |
|----------------|------|------|---|------|------|---|------|
|chabsa |f1 |0.7381| | |0.7428| | |
|cma_basics |acc |0.4737|± |0.0821|0.5263|± |0.0821|
|cpa_audit |acc |0.1608|± |0.0184|0.1633|± |0.0186|
|fp2 |acc |0.3389|± |0.0217|0.3642|± |0.0221|
|security_sales_1|acc |0.4561|± |0.0666|0.5614|± |0.0663|
|----------------|------|------|---|------|------|---|------|
|OVER ALL | |0.4335 |0.4716 |
using default prompts
| Task |Metric| -instruction | OURS |
|----------------|------|------|---|------|------|---|------|
|chabsa |f1 |0.8963| | |0.8429| | |
|cma_basics |acc |0.5000|± |0.0822|0.5789|± |0.0812|
|cpa_audit |acc |0.1859|± |0.0195|0.2136|± |0.0206|
|fp2 |acc |0.3642|± |0.0221|0.3579|± |0.0220|
|security_sales_1|acc |0.5088|± |0.0668|0.4737|± |0.0667|
|----------------|------|------|---|------|------|---|------|
|OVER ALL | |0.4910 |0.4939 |
using prompts v0.3 (instruction prompts)
| Task |Metric| -instruction | OURS |
|----------------|------|------|---|------|------|---|------|
|chabsa |f1 |0.8658| | |0.8620| | |
|cma_basics |acc |0.4737|± |0.0821|0.5000|± |0.0822|
|cpa_audit |acc |0.2085|± |0.0204|0.2060|± |0.0203|
|fp2 |acc |0.3663|± |0.0221|0.3663|± |0.0221|
|security_sales_1|acc |0.5263|± |0.0667|0.5614|± |0.0663|
|----------------|------|------|---|------|------|---|------|
|OVER ALL | |0.4881 |0.4991 |>>> python -m pip install numpy sentencepiece torch transformers accelerate transformers_stream_generator tiktoken einops1import torch
2from transformers import AutoTokenizer, AutoModelForCausalLM
3
4tokenizer = AutoTokenizer.from_pretrained("pfnet/nekomata-14b-pfn-qfin-inst-merge", trust_remote_code=True)
5
6# Use GPU with bf16 (recommended for supported devices)
7# model = AutoModelForCausalLM.from_pretrained("pfnet/nekomata-14b-pfn-qfin-inst-merge", device_map="auto", trust_remote_code=True, bf16=True)
8
9# Use GPU with fp16
10# model = AutoModelForCausalLM.from_pretrained("pfnet/nekomata-14b-pfn-qfin-inst-merge", device_map="auto", trust_remote_code=True, fp16=True)
11
12# Use GPU with fp32
13# model = AutoModelForCausalLM.from_pretrained("pfnet/nekomata-14b-pfn-qfin-inst-merge", device_map="auto", trust_remote_code=True, fp32=True)
14
15# Use CPU
16# model = AutoModelForCausalLM.from_pretrained("pfnet/nekomata-14b-pfn-qfin-inst-merge", device_map="cpu", trust_remote_code=True)
17
18# Automatically select device and precision
19model = AutoModelForCausalLM.from_pretrained("pfnet/nekomata-14b-pfn-qfin-inst-merge", device_map="auto", trust_remote_code=True)
20
21text = """以下は、タスクを説明する指示と、文脈のある入力の組み合わせです。要求を適切に満たす応答を書きなさい。
22
23### 指示:
24次の質問に答えてください。
25
26### 入力:
27デリバティブ取引のリスク管理について教えてください。
28
29### 応答:"""
30input_ids = tokenizer(text, return_tensors="pt").input_ids.to(model.device)
31with torch.no_grad():
32 generated_tokens = model.generate(
33 inputs=input_ids,
34 max_new_tokens=512,
35 do_sample=False,
36 temperature=1.0,
37 repetition_penalty=1.1,
38 top_k=50,
39 pad_token_id=tokenizer.pad_token_id,
40 bos_token_id=tokenizer.bos_token_id,
41 eos_token_id=tokenizer.eos_token_id
42 )[0]
43generated_text = tokenizer.decode(generated_tokens)
44print(generated_text.split("### 応答:")[1])
45# デリバティブ取引では、原資産の価格変動が大きく影響します。そのため、リスク管理においては、原資産の価格変動リスクを適切にコントロールすることが重要となります。具体的には、ポジションサイズやレバレッジの制限、ヘッジ手法の活用などが挙げられます。また、市場情報の収集・分析を行い、適切なタイミングでポジションを調整することも大切です。さらに、取引先の信用リスクにも注意が必要であり、相手方の財務状況や信用度などを確認し、必要に応じて保証や担保を設定することが求められます。以上のようなリスク管理を行うことで、デリバティブ取引における損失リスクを最小化することができます。ただし、リスク管理はあくまで自己責任であるため、十分な知識と経験を持つことが望まれます。また、金融機関等の専門家によるアドバイスを受けることも有効です。以上が、デリバティブ取引におけるリスク管理の概要です。詳細については、金融庁や日本証券業協会などの公式サイトをご参照ください。