通过大语言模型融合股票特征与全局信息以增强股票收益预测
计算与语言
2023-10-11 v1 机器学习
统计金融
摘要
ChatGPT 与 GPT-4 等大语言模型（LLM）的卓越成就与快速发展，已展现出其在量化投资中的巨大潜力。交易者可有效借助这些 LLM 分析财经新闻并准确预测股票收益。然而，将 LLM 整合进现有量化模型面临两大主要挑战：LLM 中语义信息的利用不足，以及 LLM 内部潜信息与已有量化股票特征的对齐困难。我们提出一个由两部分组成的新框架以克服这些挑战。第一部分为局部-全局（LG）模型，引入三种不同的全局信息建模策略，分别基于股票特征、LLM 能力以及融合二者的混合方法。第二部分为自相关强化学习（SCRL），聚焦于将 LLM 生成的财经新闻嵌入与股票特征对齐至同一语义空间。通过实施我们的框架，我们展示了在排序信息系数与收益上的优越表现，尤其相较于在中国 A 股市场中仅依赖股票特征的模型。
引用
@article{arxiv.2310.05627,
title = {Integrating Stock Features and Global Information via Large Language Models for Enhanced Stock Return Prediction},
author = {Yujie Ding and Shuai Jia and Tianyi Ma and Bingcheng Mao and Xiuze Zhou and Liuliu Li and Dongming Han},
journal= {arXiv preprint arXiv:2310.05627},
year = {2023}
}
备注
8 pages, International Joint Conferences on Artificial Intelligence