금융 차트 패턴 인식을 위한 MLLM 프롬프트 전략 연구: ICL, CoT, SC 기법을 중심으로
Can MLLMs See the Market? Evaluating Pattern Reasoning in Real-World Financial Charts
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 MLLMs가 시각적 노이즈가 포함된 주가 차트에서 패턴을 인식하고 분류할 수있는지를 검증하기 위해 다양한 프롬프트 전략과 시각 전처리 기법을 적용하고 그 효과를 비교· 분석하였다. Self-Consistency(SC), In-Context Learning(ICL), Chain-of-Thought(CoT) 전략이 분류 정확도에 미치는 영향을 평가하고, Segment Anything Model(SAM)을 활용한 노이즈 감소 효과를 분석하였다. 여러 MLLMs를 대상으로 각 전략의 개별 및 조합 효과를 실험한 결과, SC 전략과 SAM 전처리가 성능 향상에 유의미한 영향을 미치는 것으로 나타났다. 본 연구는 MLLMs 기반 시각 패턴 분석의 실제 적용 가능성을 탐색한 초기 실증 연구로서, 프롬프트 설계와 시각 정보 전처리가모델 성능에 미치는 구조적 영향을 정량적으로 분석했다는 점에서 의의를 지닌다.
Abstract
In this paper, we propose an approach to evaluate the capability of Multimodal Large Language Models (MLLMs) to recognize and classify visual patterns in stock charts containing real-world visual noise. We apply three prompting strategies—Self-Consistency (SC), In-Context Learning (ICL), and Chain-of-Thought (CoT)—to assess their impact on classification accuracy, and introduce visual preprocessing using the Segment Anything Model (SAM) to analyze the effect of noise reduction. Through experiments on multiple MLLMs, we compare the individual and combined effects of these strategies. The results show that the SC prompting strategy and SAM preprocessing significantly enhance performance. This study serves as an early empirical investigation into the practical applicability of MLLMs for visual financial analysis, providing quantitative insights into how prompt design and visual preprocessing influence model performance.