利用大语言模型获取战略市场洞察：面向前瞻反事实生成的基准
计算与语言
2025-10-03 v3 人工智能
摘要
反事实推理通常涉及对实际事件的替代情况进行思考。虽然常用于理解过去的事件，但一种独特的形式——前瞻反事实推理——聚焦于预测合理的未来发展。这种推理在动态金融市场中极具价值，因为预测市场发展能够有力揭示利益相关者面临的潜在风险与机遇，从而指导其决策。然而，由于涉及的认知需求较高，大规模执行此类推理极具挑战，凸显了对自动化解决方案的需求。LLM 在此方面具有潜力，但在此应用场景上仍未被探索。为填补这一空白，我们引入了一个新颖的基准——FIN-FORCE（FINancial FORward Counterfactual Evaluation，金融前瞻反事实评估）。通过策划金融新闻标题并提供结构化评估，FIN-FORCE 支持基于 LLM 的前瞻反事实生成。这为探索和预测未来市场发展提供了可扩展的自动化解决方案，从而为决策提供结构化洞察。通过在 FIN-FORCE 上的实验，我们评估了 SOTA 的 LLM 和反事实生成方法，分析了其局限性并为未来研究提出了见解。我们在以下链接发布该基准、补充数据及所有实验代码：https://github.com/keanepotato/fin_force
引用
@article{arxiv.2505.19430,
title = {Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation},
author = {Keane Ong and Rui Mao and Deeksha Varshney and Paul Pu Liang and Erik Cambria and Gianmarco Mengaldo},
journal= {arXiv preprint arXiv:2505.19430},
year = {2025}
}
备注
Published at Empirical Methods in Natural Language Processing 2025 (Main Conference) (Oral)