利用大语言模型增强少样本股票趋势预测
人工智能
2024-07-15 v1
摘要
股票趋势预测旨在预测未来市场走势，以制定明智的投资决策。现有方法大多 focus on 使用在大量标注数据上训练的监督模型进行股票趋势预测。然而，人工标注成本高昂且标注数据难以获取。灵感来源于大语言模型（LLM）的惊人few-shot 能力，我们提出在few-shot 设置下使用 LLM 来克服标注数据稀缺问题，使预测更易于投资者实现。以往工作通常将多个财经新闻合并进行预测，导致在使用 LLM 时存在两个显著问题：（1）合并新闻包含噪声，（2）可能超出 LLM 的输入限制，导致性能下降。为克服这些问题，我们提出了“去噪后投票”的两步方法。具体而言，我们引入一个‘无关’类别，针对单个新闻预测股票趋势，而不是对合并后的新闻进行预测。随后通过多数投票对这些预测进行聚合。所提出的方法具有两个优势：（1）将噪声新闻分类为无关可消除其对最终预测的影响。（2）针对单个新闻进行预测可缓解 LLM 的输入长度限制。我们的方法在 S&P 500 上实现了 66.59% 的准确率，在 CSI-100 上实现了 62.17% 的准确率，在港股上实现了 61.17% 的准确率，显著优于标准few-shot 方法，分别提升了约 7%、4% 和 4%。此外，我们的方法与最先进的监督方法表现相当。
引用
@article{arxiv.2407.09003,
title = {Enhancing Few-Shot Stock Trend Prediction with Large Language Models},
author = {Yiqi Deng and Xingwei He and Jiahao Hu and Siu-Ming Yiu},
journal= {arXiv preprint arXiv:2407.09003},
year = {2024}
}