大语言模型驱动的小盘股交易：整合金融新闻情感、宏观经济指标与技术信号

大语言模型能从金融新闻中提取比固定情感词典更丰富的信号，近期工作已探索将此类信号用于投资组合构建。我们研究一种不确定性感知的构建方法，将模型预测的风险——分解为偶然不确定性和认知不确定性——直接输入投资组合配置器的协方差矩阵，而非将投资组合风险视为固定值或仅调整预期收益。我们在三种选股机制下对 Russell 2000 股票评估该流程：纯 alpha 触发器（隔离宏观经济指标无法解释的股票异常波动）、纯 beta 触发器（在股票自身启动前捕捉宏观经济指标波动），以及两个渠道一致的 beta 触发器。在整个持有期网格上，分离的纯 alpha 和纯 beta 腿在夏普比率和收益上通常优于 beta 交集。两个时间跨度尤为关键。在一天时，纯 beta 策略在低和中等交易成本下有效，因为它捕捉了从流动性宏观和行业指标向受风险敞口的小盘股的即时领先-滞后溢出效应，但当换手率和微观结构噪声占主导时，该优势在 100 bps 下消失。在 40 天时，纯 beta 策略因不同原因有效：较慢的宏观重新定价超过了公司特定的纯 alpha 渠道。最稳健的保守组合是使用 GPT-4o mini 情感、Student-t 目标、40 天持有期和风险平价配置的纯 beta 策略，在 100 bps 下达到 2.33 的夏普比率。结果表明，选股机制和配置器选择的影响至少与情感模型相当，且分离公司特定和宏观风险敞口触发器比要求两者同时触发更具信息量。