利用盈余报告进行股票预测：一种 QLoRA 增强的 LLM 方法

准确的盈余报告后股票市场预测对投资者至关重要。传统方法，特别是经典机器学习模型，难以处理这些预测，因为它们无法有效地处理和解释盈余报告中包含的大量文本数据，常常忽视影响市场走势的细微差异。本文引入一种先进的方法，通过采用大型语言模型 (LLM)，结合基于指令的技术和量化低秩适应 (QLoRA) 压缩进行指令微调。我们的 methodology 将“基本因子”（如财务指标增长和盈余记录）与“外部因子”（包括最近的市场指数表现和分析师评级）相结合，创建了一个丰富、受监督的数据集。这个全面的数据集使我们的模型在准确率、加权F1和 Matthews 相关系数 (MCC) 等方面实现了优异的预测性能，尤其是在与GPT-4等基准模型的比较中表现突出。我们特别强调llama-3-8b-Instruct-4bit模型的有效性，该模型在基准模型上实现了显著的改进。该论文还讨论了将输出功能扩展以包括“持有”选项以及延长预测时段的潜力，以适应各种投资样式和时间框架。该研究不仅展示了将最前沿的人工智能与微调财务数据相结合的强大能力，也为增强AI驱动的金融分析工具的未来研究之路。